15Predictive Maintenance

Marco Huber

Die vorausschauende Wartung (engl. Predictive Maintenance) stellt die wohl greifbarste und naheliegendste Anwendung von Industrie 4.0 dar. Durch die kontinuierliche Erhebung von Daten aus der Produktion sowie deren Analyse mittels Verfahren des maschinellen Lernens oder der Statistik lässt sich der gegenwärtige Zustand von Produktionsmaschinen bestimmen und dessen zukünftige Entwicklung vorausberechnen. Ein Nachlassen in der Produktionsleistung oder Produktqualität oder gar der Ausfall von Maschinen kann somit frühzeitig erkannt werden. Im Idealfall gelingt es, Instandhaltungsmaßnahmen zu beauftragen, noch bevor es zu Problemen kommt.

15.1Einleitung

Dem Wortsinn nach vollzieht sich aufgrund einer »Revolution« ein grundlegender und nachhaltiger Wandel; nichts ist mehr, wie es vorher war. Die Menschheitsgeschichte ist geprägt durch zahlreiche derartige Veränderungen. Neben gesellschaftlich oder politisch bedeutsamen Veränderungen, wie sie beispielsweise mit der französischen Revolution oder der friedlichen Revolution in der Spätphase der DDR einhergingen, haben sich auch im industriellen Umfeld mehrere grundlegende Wandel vollzogen.

Die Industrialisierung wurde mit der ersten industriellen Revolution um 1800 eingeleitet. Triebfeder dieses Wandels war die Erfindung der Dampfmaschine, wodurch eine maschinelle Fertigung von Gütern ermöglicht wurde. Das Fließband leitete gegen Ende des 19. Jahrhunderts die zweite industrielle Revolution ein. Aufgrund der damit eröffneten Serien- bzw. Reihenfertigung erfolgte die Einteilung der Produktion in einzelne, voneinander abgeschlossene Arbeitsschritte. So wurden in den Schlachthöfen Cincinnatis um 1870 erstmals Transportbänder eingesetzt, um die geschlachteten Tiere von einem Arbeiter zum nächsten zu transportieren, während Henry Ford im Jahre 1913 erstmals ein permanentes Fließband in der Automobilproduktion einführte.

Die dritte industrielle Revolution begann in den 1960er-Jahren mit dem Aufkommen der Digitaltechnik. Mit der Entwicklung der Halbleitertechnik wurden erste speicherprogrammierbare Steuerungen und somit eine schrittweise Automatisierung der Produktion möglich. Der Grund, weshalb man heutzutage bereits von einer vierten industriellen Revolution1 spricht, die bei genauer Betrachtung lediglich eine Fortführung der mit der dritten Revolution begonnenen Digitalisierung ist, hängt mit der zunehmenden Durchdringung der Produktion – aber auch der Gesellschaft – mit digitalen Technologien zusammen. Wesentlich hierbei ist die Vernetzung von Maschinen und Sensoren durch das Internet der Dinge (engl. Internet of Things), das mobile Internet, die zunehmende Miniaturisierung und das Aufkommen von künstlicher Intelligenz und maschinellem Lernen.

Die vierte industrielle Revolution ist daher mit einer »Informatisierung« der Produktion gleichzusetzen. Man spricht in dem Zusammenhang von der intelligenten Fabrik, in der Produktionsmaschinen untereinander vernetzt sind und Aufgaben selbstständig übernehmen, die früher der Mensch durchführte. Bei einer derart »smarten« Produktion muss auch die Instandhaltung auf einem vergleichsweise intelligenten Niveau erfolgen, denn sie gewährleistet die Verfügbarkeit und Zuverlässigkeit der eingesetzten Maschinen und bestimmt somit die Leistungsfähigkeit der Produktion.

Dieses Kapitel zeichnet in Abschnitt 15.2 die Bedeutung der Instandhaltung für die industrielle Produktion nach. Es werden in Abschnitt 15.3 die verschiedenen Strategien der Instandhaltung beleuchtet und verglichen, wobei die vorausschauende Instandhaltung (engl. Predictive Maintenance) den Schwerpunkt bildet. Aufgrund ihres antizipierenden Charakters erfolgt bei dieser Art der Instandhaltung die Entscheidung für eine Wartungsmaßnahme noch vor dem Abfall der Produktionsleistung oder gar dem Ausfall einer Maschine. Dies setzt eine umfassende Digitalisierung samt Überwachung mit entsprechender Sensorik, Vernetzung und Auswertung der anfallenden Daten voraus. Die Behandlung dieser integralen Bestandteile der vorausschauenden Instandhaltung, insbesondere der Einsatz von Verfahren der Statistik und des maschinellen Lernens, erfolgt in Abschnitt 15.4. Bevor das Kapitel mit einem zusammenfassenden Fazit schließt, werden in Abschnitt 15.5 drei gelebte Beispiele vorausschauender Instandhaltung aus der industriellen Praxis vorgestellt.

15.2Was ist Instandhaltung?

Im Vergleich zum Alter der Industrialisierung ist die Geschichte der systematischen Instandhaltung noch recht jung. Noch bis in die 1960er-Jahre war der Begriff Instandhaltung sprichwörtlich mit dem Löschen von Bränden gleichzusetzen: Instandhaltung zielte bis zu dieser Zeit im Wesentlichen darauf ab, Maschinen zu reparieren, sobald diese ausfielen. Die Wirksamkeit der Instandhaltung wurde in der Zeit der Reparatur von defekten Geräten gemessen. Erst in den 1970er-Jahren wurde erkannt, dass die Instandhaltung so durchgeführt werden sollte, dass Ausfälle vermieden werden. So kam in diesem Jahrzehnt in Deutschland mit der DIN 31051 [DIN 31051:2012-09] auch die erste Normung zum Thema Instandhaltung auf. In der aktuellsten Fassung dieser Norm aus dem Jahre 2012 ist Instandhaltung die …

»… Kombination aller technischen und administrativen Maßnahmen sowie Maßnahmen des Managements während des Lebenszyklus einer Betrachtungseinheit zur Erhaltung des funktionsfähigen Zustandes, der Rückführung in diesen, so dass sie die geforderte Funktion erfüllen kann.«

Instandhaltung ist also die Gesamtheit der Maßnahmen, mit der der funktionsfähige Zustand erhalten bleibt oder bei Ausfall wiederhergestellt wird. Dabei wird die Instandhaltung in folgende vier Grundmaßnahmen unterteilt:

  1. Wartung
    Bewahrung des Sollzustands einer Maschine
  2. Inspektion
    Feststellung und Beurteilung des Istzustands
  3. Instandsetzung
    Wiederherstellung des Sollzustands bzw. langfristige Sicherung des Sollzustands
  4. Verbesserung
    Steigerung der Funktionssicherheit ohne Änderung der geforderten Funktion

Während im umgangssprachlichen und häufig auch im wissenschaftlichen Sprachgebrauch Wartung und Instandhaltung gleichgesetzt werden, so ist entsprechend dieser Definition die Wartung lediglich eine Teilaufgabe der Instandhaltung. Zusammengefasst sollen mit der Instandhaltung folgende Ziele erreicht werden:

Die Instandhaltung war auf der Vorstandsebene von Unternehmen lange Zeit ein Randthema. Erst mit der Zeit und den gestiegenen Anforderungen an die Produktion ist die Erkenntnis gereift, dass Instandhaltung ein Schlüsselfaktor bei der Verbesserung der Anlagenverfügbarkeit, Kostenoptimierung, Produktqualität, Umweltfragen, Abfallfreiheit und Energiekontrolle ist.2

15.2.1Folgen mangelhafter Instandhaltung

Nachlässigkeiten beim Thema Instandhaltung können sehr schnell sehr hohe Kosten zur Folge haben, wobei hier neben entgangenen Gewinnen oder Reparaturkosten schlimmstenfalls auch nichtmonetäre Schäden etwa bei Mensch und Umwelt eintreten können, wie die nachfolgenden Beispiele zeigen:

Eine Aufarbeitung zahlreicher Unfälle in der chemischen Prozessindustrie, die auch durch Mängel in der Instandhaltung verursacht wurden, darunter auch die sogenannte »Katastrophe von Bhopal« – eine der schlimmsten von Menschenhand ausgelösten Umweltkatastrophen – ist in [Okoh & Haugen 2013] zu finden.

15.2.2Wettbewerbsfähige Produktion

Die Herausforderungen im Produktionsumfeld sind heutzutage enorm vielschichtig. Während die Unternehmen versuchen, die steigenden Anforderungen ihrer Kunden zu erfüllen, sind sie gleichzeitig gezwungen, höhere Qualität, schnellere Reaktionszeiten und bessere Leistung im Vergleich zum Wettbewerb zu erzielen. All diese Faktoren zwingen die produzierenden Unternehmen, Produktionslinien mit komplexen Systemen zu entwickeln, bei denen Automatisierung, Integration und Flexibilität in hohem Maße gewährleistet sind. Zusammengefasst ergeben sich für ein Unternehmen zwei Möglichkeiten, um sich vom Wettbewerb abzugrenzen:

In beiden Fällen dient die Instandhaltung als Stützprozess, da diese die Verfügbarkeit und Zuverlässigkeit von Produktionsanlagen sowie eine permanente Verbesserung von Fertigungsprozessen gewährleistet [Hodapp 2009]. Dabei können unzureichende Instandhaltungsstrategien die Gesamtproduktionskapazität einer Anlage um 5 bis 20% mindern [Crumrine & Post 2006]. Im Falle eines Produktionsstillstands liegt in 42% der Fälle die Ursache im Ausfall von Maschinen [IndustryWeek & Emerson]. Die Instandhaltung ist somit ein kritischer Faktor hinsichtlich des Unternehmenserfolgs, was sich auch darin verdeutlicht, dass die Kosten für Wartung und Instandhaltung bis zu 40% der Gesamtkosten eines Unternehmens ausmachen und in Deutschland für das Jahr 2009 in Summe 212 Milliarden Euro betrugen [Eick et al. 2011].

15.3Instandhaltungsstrategien

Wie diese Zahlen verdeutlichen, bietet die Instandhaltung ein enormes Potenzial. Laut [Männel 2000] lassen sich durch eine optimierte Instandhaltung je nach Kostenart Einsparungen im Bereich von 5 bis 25% erzielen. Es werden dabei drei grundsätzliche Instandhaltungsstrategien unterschieden:

Die Rangfolge dieser Strategien ist entsprechend Abbildung 15–1 gemäß ihrem Mehrwert für die Produktion und des technologischen/methodischen Anspruchs gewählt. Nachfolgend werden die verschiedenen Strategien detaillierter vorgestellt.

image

Abb. 15–1Instandhaltungsstrategien in Abhängigkeit der erforderlichen Kompetenz in Technologie und Datenanalyse sowie der Verbesserung der Produktionsleistung

15.3.1Reaktive Instandhaltung

Bei der reaktiven Instandhaltung, die auch trefflich mit dem Begriff »Schadensbehebung« umschrieben werden kann, erfolgt die Maßnahme erst nachdem die Störung oder der Ausfall eingetreten ist. Dadurch wird zwar eine maximale Nutzung von Maschinen und Bauteilen erzielt, der Ausfall tritt dann aber sehr unvermittelt ein und erfordert ein schnelles Eingreifen durch das Instandhaltungspersonal, um lange Stillstandzeiten zu vermeiden.3 Da die Maschinen bis an die Grenzen ihrer Lebenszeit betrieben werden, ist das Risiko katastrophaler Schäden oder verketteter Ausfälle besonders hoch. Auch muss gewährleistet werden, dass ausreichend Ersatzteile vorrätig sind, um unnötige Wartezeiten zu vermeiden.

Diese Instandhaltungsstrategie eignet sich für Produktionsanlagen mit geringen Ausfallwahrscheinlichkeiten oder hoher Redundanz. Ungeeignet ist sie hingegen für Anlagen, die aus Kostengründen im Dauerbetrieb laufen müssen.

15.3.2Vorbeugende Instandhaltung

Grundsätzlich zielt die vorbeugende Instandhaltung darauf ab, Bauteile einer Produktionsanlage auszutauschen, bevor diese ausfallen. Dabei unterscheidet man zwischen zwei Ausprägungen dieser Strategie:

15.3.3Vorausschauende Instandhaltung (Predictive Maintenance)

In vielen Fällen ist das Kennen des aktuellen Verschleißzustands nicht ausreichend. So kann es sein, dass eine Maschine zwar noch in Ordnung ist, der einsetzende Verschleiß aber bereits Auswirkungen auf die Produktqualität hat – die Instandhaltung würde also zu spät erfolgen. Umgekehrt kann der gemessene Zustand nahelegen, dass eine Instandhaltungsmaßnahme notwendig ist, obwohl die Anlage noch eine Zeitlang ohne Qualitätseinbußen weiter betrieben werden kann – die Instandhaltungsmaßnahme käme zu früh.

Die vorausschauende Wartung führt die Idee der zustandsorientierten Wartung weiter. Es wird nicht nur auf den aktuellen Verschleißzustand einer Maschine geachtet, sondern dieser wird auf der Grundlage von Daten und durch den Einsatz statistischer Verfahren zeitlich fortgeschrieben, um so Störungen oder Ausfälle vorhersagen zu können. Ziel ist hierbei, die Lebensdauer von Maschinen oder Bauteilen möglichst komplett auszuschöpfen, ohne dass es zu Mängeln in der Produktqualität oder zu Ausfällen kommt.

In Tabelle 15–1 sind die unterschiedlichen Instandhaltungsstrategien nochmals gegenübergestellt. Im restlichen Teil dieses Kapitels werden die für die Umsetzung einer vorausschauenden Instandhaltung erforderlichen technologischen und methodischen Voraussetzungen betrachtet. Dass sich der erforderliche Aufwand lohnen kann, zeigen folgende Erhebungen:

image

Tab. 15–1Vergleich der verschiedenen Instandhaltungsstrategien

15.4Prozessphasen der vorausschauenden Instandhaltung

Nachdem die grundsätzliche Idee hinter der vorausschauenden Instandhaltung sowie das wirtschaftliche Potenzial aufgezeigt sind, geht es nun darum, die wesentlichen Prozessphasen zur Umsetzung dieser Strategie zu betrachten. Es lassen sich hierbei drei Phasen unterscheiden, die aber nicht rein sequenziell, sondern zyklisch durchlaufen werden (vgl. Abb. 15–2):

  1. Erfassung und Übertragung von Daten
  2. Intelligente Analyse der Daten und Vorhersage
  3. Planung und Ausführung von Instandhaltungsmaßnahmen
image

Abb. 15–2Prozessphasen der vorausschauenden Instandhaltung

Diese drei Phasen werden im Folgenden näher beschrieben.

15.4.1Datenerfassung und -übertragung

Da die vorausschauende Instandhaltung auf der zustandsorientierten aufbaut, ist es zunächst erforderlich, den Maschinenzustand zu erfassen. Zu diesem Zweck können unterschiedlichste Daten etwa durch entsprechende Sensorik oder aus der Anlagen- und Maschinensteuerung erhoben werden. Relevante Messgrößen und Datenquellen im Umfeld der Produktion sind unter anderem folgende [Mobley 2002]:

Das Erfassen dieser Daten ist allerdings nur die halbe Miete. Für eine möglichst präzise Auswertung und Vorhersage des Maschinenzustands ist die Übertragung sämtlicher Daten an ein (meist) zentrales Auswertesystem vonnöten. Hierzu muss die Anlage sowie die zur Überwachung erforderliche Sensorik entsprechend vernetzt sein. Zu diesem Zweck haben sich in den letzten Jahren sogenannte IoT-Plattformen (IoT – Internet of Things) etabliert, die für den Datenaustausch sorgen, indem sie eine anlagenübergreifende Verknüpfung herstellen. Darüber hinaus bieten sie Funktionen zur Steuerung und zur Analyse von Daten.

15.4.2Datenanalyse und Vorhersage

Mit dem Vorhandensein von Daten ist die Grundlage für eine vorausschauende Instandhaltung geschaffen. Aber erst durch deren Analyse können wertvolle Erkenntnisse gewonnen und belastbare Vorhersagen über die zukünftige Entwicklung des Anlagenzustands getroffen werden.

Mittels der Datenanalyse lassen sich aus der teils enormen Menge an Daten die Haupteinflussgrößen bestimmen und damit Vorhersagemodelle erstellen. Bei der Modellbildung unterscheidet man grundlegend zwischen zwei Vorgehensweisen:

  1. Beim mechanistischen Ansatz wird mittels genauer Kenntnisse über die zu betrachtende Anlage ein mathematisches Modell abgeleitet. Ein Beispiel hierfür sind physikalische Modelle, die in Form von Differentialgleichungen beschrieben werden. Der Vorteil dieser Modelle ist ihre sogenannte »Whitebox«-Eigenschaft, d.h., für den Menschen ist die Funktionsweise des Modells gut nachvollziehbar. Nachteilig ist der oftmals hohe Grad an Expertenwissen und Aufwand zur Erstellung eines solchen Modells.
  2. Beim statistischen/phänomenologischen Ansatz erfolgt die Modellbildung im Wesentlichen empirisch durch Hypothesenbildung, wobei Verfahren der Statistik und des maschinellen Lernens zum Einsatz kommen. Meist entstehen dabei sogenannte »Blackbox«-Modelle, deren innere Wirkungsweise schwer zu durchdringen ist. Dafür kann – ausreichend und relevante Daten vorausgesetzt – dank leistungsfähiger und oftmals kostenfrei verfügbarer Softwarebibliotheken mit überschaubarem Aufwand ein hochwertiges Modell erstellt werden.

Im Folgenden liegt der Fokus auf dem statistischen Ansatz. Es werden die für die vorausschauende Instandhaltung gängigsten Verfahren kurz vorgestellt. Dabei wird zwischen überwachten Verfahren, bei denen die Zielwerte wie etwa der Grad des Verschleißes oder der Maschinenzustand vorab bekannt sind, und unüberwachten Verfahren, die ohne die Zielvorgabe auskommen und vielmehr nach Struktur und Mustern in den Daten suchen, unterschieden (siehe Kap. 5).

15.4.2.1Unüberwachte Verfahren
Komponentenanalyse

Eine Herausforderung bei der Datenanalyse ist die schiere Vielzahl an Variablen bzw. Merkmalen, wobei einige dieser Variablen voneinander unabhängig sind. Die Komponentenanalyse zielt dabei auf die Identifikation der unabhängigen Variablen ab, die dann weiteren Analysen zugrunde gelegt werden können. Zu den bekanntesten Verfahren der Komponentenanalyse zählen die Faktoren-, Hauptachsen- und die Unabhängigkeitsanalyse [Siebertz et al. 2017].

image

Abb. 15–3Unterschied zwischen Anomalieerkennung, Klassifizierung und Regression. Bei der Anomalieerkennung erfolgt die Abgrenzung zwischen den »normalen« Daten zum Rest, während bei der Klassifizierung eine Unterscheidung anhand einer Entscheidungsgrenze zwischen zwei oder mehr Klassen vorgenommen wird. Die Regression bestimmt einen kontinuierlichen funktionalen Zusammenhang in den Daten.

Ereigniszeitanalyse

Die Ereigniszeitanalyse ist ein Zweig der Statistik zur Analyse der zu erwartenden Zeitdauer bis zum Eintreten eines oder mehrerer Ereignisse, wie z.B. Tod in biologischen Organismen und Ausfall in mechanischen Systemen. Im Bereich des Ingenieurwesens ist dieses Thema unter dem Namen Zuverlässigkeitsanalyse bekannt.

Es wird zwischen Distributional- und Regressionsansätzen unterschieden. Im ersten Fall liegt der Fokus auf dem Schätzen der Wahrscheinlichkeitsverteilung der Zeit zwischen Ereignissen, etwa mittels Kerndichteschätzverfahren. Hingegen versuchen Regressionsansätze, wie die Cox-Regression, das Eintreten eines Ereignisses durch die Kombination erklärender Variablen zu beschreiben. Insbesondere mit dem Aufkommen der Regressionsansätze stellt die Ereigniszeitanalyse keine rein unüberwachte Analysemethode mehr dar.

Anomalieerkennung

Eines der wesentlichen Ziele der vorausschauenden Instandhaltung ist die Feststellung, ob die Anlage vom gewünschten Verhalten abweicht oder zukünftig abweichen wird. Für diesen Zweck sind Verfahren der Anomalie- oder Ausreißererkennung besonders geeignet. Hierbei wird zunächst ein sogenanntes »Normalmodell« aus den Daten extrahiert, die während des Normalbetriebs der Anlage angefallen sind. Gegen dieses Modell werden dann neue Daten abgeglichen. Eine Anomalie zeichnet sich durch eine deutliche Abweichung vom Normalmodell aus (vgl. Abb. 15–3). Tritt dieser Fall ein, dann sollte zur Vermeidung von Fehlalarmen eine genauere Überprüfung des Sachverhalts angestoßen werden, da insbesondere bei sehr großen Datenmengen oder starkem Rauschen auf den Daten stets eine kleine Anzahl von Anomalien auftreten kann.

Gängige Verfahren zur Anomalieerkennung sind Clustering, Einklassen-Klassifikatoren, Dichteschätzverfahren oder neuerdings auch Autoencoder, die auf künstlichen neuronalen Netzen basieren [Lejon et al. 2017].

Clustering

Das Clustering hat das Ziel, homogene Gruppen, die sogenannten Cluster, in den Daten zu finden. Eine solche Gruppe zeichnet sich dadurch aus, dass deren »Mitglieder« zueinander ähnlich sind, die Mitglieder unterschiedlicher Gruppen sich aber deutlich unterscheiden. Im ersten Fall spricht man von der Intragruppenähnlichkeit, während der Unterschied zwischen Gruppen als Intergruppenähnlichkeit bezeichnet wird.

Da es sich um ein unüberwachtes Verfahren handelt, erfolgt die Aufteilung in Gruppen ohne semantische Bezeichnung, d.h., das Verfahren kann zwar auf numerischer Ebene eine Unterscheidung finden, nicht aber auf der Bedeutungsebene der Daten. Die Bedeutung oder schlicht Benennung der Gruppen erfolgt durch den Menschen.

Die Anomalieerkennung kann als Spezialfall des Clusterings angesehen werden: Hier wird nach einer speziellen Gruppe, den »normalen« Daten, gesucht. Dabei kann sich diese Gruppe durchaus auf mehrere Cluster verteilen, die aber zum reinen Erkennen von Anomalien nicht weiter unterschieden werden müssen.

Beim Clustering unterscheidet man zwischen hierarchischen Verfahren, bei denen es eine Hierarchie bzw. unterschiedliche Granularitätsstufen der Gruppen gibt, und flachen Verfahren, bei denen nur eine Hierarchiestufe existiert. Die hierarchischen Verfahren unterteilt man nochmals in divisive (top-down) und agglomerative (bottom-up) Verfahren. Zu den bekanntesten flachen Verfahren zählen k-means, DBSCAN oder EM-Clustering.

15.4.2.2Überwachte Verfahren
Klassifizierung

Wie beim Clustering steht auch bei der Klassifizierung die Zuordnung zu Gruppen, die in diesem Zusammenhang als Klassen bezeichnet werden, im Vordergrund. Im Unterschied zum Clustering sind die Klassen vorgegeben und Bestandteil der Lerndaten, d.h., jedem Datum, das zum Lernen des Klassifizierungsmodells verwendet wird, ist eine von endlich vielen Klassen zugeordnet. Aus diesem Grund zählt die Klassifizierung zu den überwachten Verfahren.

Die Lernaufgabe bei der Klassifizierung besteht darin, eine sogenannte Diskriminanz- bzw. Entscheidungsfunktion zu lernen, die angewandt auf ein Datum mitteilt, welcher Klasse das Datum angehört. Geometrisch betrachtet resultiert diese Funktion in Entscheidungsgrenzen zwischen den einzelnen Klassen (vgl. Abb. 15–3). In Abhängigkeit davon, auf welcher Seite der Grenze ein Datum liegt, erfolgt die Entscheidung für die Klasse auf der entsprechenden Seite. Diese Entscheidungsgrenze bzw. -funktion kann linear sein, weshalb man hier dann von einem linearen Klassifikator spricht. Hierzu zählen beispielsweise die logistische Regression oder das Perzeptron, das den Grundbaustein für künstliche neuronale Netze bildet. Die neuronalen Netze wiederum sind in einer tiefen Ausprägung, d.h. mit vielen Schichten aus Neuronen, der derzeit populärste Vertreter der nichtlinearen Klassifikatoren. Man spricht in diesem Zusammenhang von »Deep Learning«. Weitere Vertreter der nichtlinearen Verfahrensgruppe sind Support-Vektor-Maschinen, Entscheidungsbäume oder Random Forrests.

Die meisten Verfahren haben einen »Blackbox«-Charakter, d.h., die Entscheidungsfindung ist für den Menschen kaum nachvollziehbar. Ausnahmen stellen beispielsweise Entscheidungsbäume dar, die sich in menschenverständliche Regeln übersetzen lassen.

Im Bereich der vorausschauenden Instandhaltung eignet sich die Klassifizierung, um den Grad des Verschleißes einer Maschine vorherzusagen. Auch zur Beurteilung der Qualität eines produzierten Bauteils werden diese Verfahren eingesetzt.

Regression

Während die Klassifizierung eine Zuordnung zu einer endlichen Anzahl von Klassen vornimmt, ist die Zielgröße bei der Regression kontinuierlich. Es wird also eine Funktion gelernt, die ein Datum auf einen kontinuierlichen, meist reellen Wert abbildet. Wie bei der Klassifizierung ist beim Lernen jedes Datum einem Zielwert zugeordnet. Aus diesen Gründen kann die Regression als eine Verallgemeinerung der Klassifizierung verstanden werden, weshalb viele Verfahren, die für die Klassifizierung eingesetzt werden, auch eine Variante für die Regression besitzen. Es gibt also auch bei der Regression Verfahren, die auf Support-Vektor-Maschinen, Entscheidungsbäumen, Random Forrests oder künstlichen neuronalen Netzen beruhen.

Eine gängige Anwendung der Regression in der vorausschauenden Instandhaltung ist die Bestimmung des Zusammenhangs von Prozessparametern auf die Produktqualität oder die Vorhersage der zeitlichen Entwicklung des Verschleißes bzw. der verbleibenden Lebenszeit von Maschinenbauteilen.

15.4.3Planung und Ausführung

Die Vorhersage des Maschinenzustands bildet den Ausgangspunkt des dritten und letzten Schritts der vorausschauenden Instandhaltung. Es gilt nun die Durchführung von Instandhaltungsmaßnahmen zu planen. Hierbei ist darauf zu achten, dass Stillstandzeiten und Kosten so gering wie möglich gehalten, aber auch Folgestörungen vermieden werden. Des Weiteren ist zu berücksichtigen, dass das erforderliche Instandhaltungspersonal sowie die Ersatzteile zur Verfügung stehen müssen. Diese Information kann beispielsweise aus den ERP-Systemen4 des Unternehmens bezogen werden.

Derartige Planungsentscheidungen lassen sich beispielsweise als mathematische Optimierungsprobleme – genauer als sogenannte Zuordnungsprobleme (engl. assignment problems [Burkard et al. 2009]) – formulieren, die darauf abzielen, die Zeitpunkte der Instandhaltung derart zu wählen, dass Maßnahmen gebündelt durchgeführt werden. Sofern es der Zustand der Anlage zulässt, ist es besonders geschickt, für die Instandhaltung routinemäßige Stillstände etwa aufgrund von Schichtwechseln oder regulären Inspektionen zu nutzen.

15.5Fallbeispiele

Vorausschauende Instandhaltung wird bereits heute in zahlreichen Unternehmen betrieben, wie die folgenden realen Fallbeispiele zeigen. In den Abschnitten 15.5.1 und 15.5.2 werden zwei Umsetzungen aus dem Maschinen- und Anlagenbau beschrieben, während das Beispiel aus Abschnitt 15.5.3 zeigt, dass vorausschauende Instandhaltung auch ein Thema außerhalb des industriellen Bereichs ist.

15.5.1Heidelberger Druckmaschinen

Die Heidelberger Druckmaschinen AG5 ist das weltweit führende Unternehmen im Bereich der sogenannten Bogenoffset-Druckmaschinen. Derartige Maschinen werden überwiegend für den Druck hochwertiger, mehrfarbiger Druckerzeugnisse, wie beispielsweise Etiketten, Verpackungen, Bildbände, Kalender oder Plakate, eingesetzt. Bereits seit 1998 betreibt das Unternehmen eine Zustandsfernüberwachung (engl. condition monitoring), d.h., Heidelberger Druck kann sich per Internetzugang auf die Druckmaschinen seiner Kunden aufschalten. Zunächst lediglich zur Fernwartung eingesetzt, nutzt das Unternehmen diesen Zugang seit einigen Jahren, um zahlreiche Sensordaten von den Kundenmaschinen im täglichen Rhythmus auf eine IoT-Plattform zu übertragen. Die Daten umfassen im Wesentlichen Logdateien, in denen Ereignisse protokolliert werden, aber auch die Werte von ungefähr 2.500 unterschiedlichen Messgrößen, zu denen neben Sensorwerten auch Prozessparameter gehören.

Auf der Grundlage dieser Daten ist das Unternehmen in der Lage, verschiedenste Analysen zur Unterstützung von Dienstleistungen durchzuführen, wozu auch die vorausschauende Instandhaltung gehört. Unter dem Instandhaltungsaspekt »Verbesserung« führt Heidelberger Druck beispielsweise sogenannte »Peer-Group-Vergleiche« durch, bei denen von der Bauart ähnliche Druckmaschinen verschiedener Kunden miteinander verglichen werden. Auf diese Weise können Druckmaschinen mit einem geringen Durchsatz im Vergleich zur Peer-Group identifiziert werden. Für diese Kunden bietet Heidelberger Druck dann Optimierungsmaßnahmen im Rahmen eines Performance-Consulting-Ansatzes an.

Zur effizienten und gezielten Einplanung von Instandhaltungsmaßnahmen wird der Verschleißzustand von kritischen Maschinenbauteilen überwacht. Ein wesentliches Bauteil ist der Hauptmotor, der sämtliche Druckwalzen antreibt. Durch die Vorhersage der zeitlichen Entwicklung des Motordrehmoments ist die frühzeitige Einplanung von Wartungsmaßnahmen, etwa das Nachstellen des Drehmoments, zwischen zwei Druckjobs und damit ohne Zeitverlust möglich.

Um Stillstände oder Ausfälle von Druckmaschinen etwa durch Fehlbedienung zu vermeiden, hat Heidelberger Druck im Rahmen des vom Bundesministerium für Wirtschaft und Energie geförderten Forschungsprojekts SAKE6 die Analyse der Ereignisdaten aus den Logdateien untersuchen lassen. Als eines der Projektergebnisse wurde ein Anomalieerkennungsverfahren entwickelt, das in Abhängigkeit des Betriebszustands einer Druckmaschine Auffälligkeiten im Ereignisdatenstrom erkennt und den Maschinenbediener frühzeitig warnt, sodass im Idealfall Gegenmaßnahmen eingeleitet werden können, noch bevor es zum Stillstand kommt. In Abbildung 15–4 ist dargestellt, wie das Verfahren sicherstellt, dass es bei der Erkennung von Anomalien zu keinen Fehlalarmen kommt.

image

Abb. 15–4Anomalieerkennung auf einer Logdatei ohne (links) und mit Auffälligkeit (rechts). Im linken Fall wird der Peak gegen 5 Uhr nicht als Anomalie erkannt und somit ein Fehlalarm vermieden, da die Schwellwerte aufgrund des Betriebszustands »Hochfahren/Booten« höher angesetzt sind. Im rechten Fall wird korrekterweise eine Anomalie gegen 22 Uhr erkannt. Die Druckmaschine ist hier im normalen Druckbetrieb und ein derart hoher Peak weist auf ein kritisches Maschinenverhalten hin. Bild adaptiert übernommen aus [Huber 2017].

Ein weiteres Projektergebnis ist die automatische Identifikation von korrelierten Ereignissen [Zöller et al. 2017]. Dieses Verfahren lernt kritische Ereignismuster etwa in Form von Ereignisketten oder -netzwerken. Der Ereignisdatenstrom kann dann mit diesen Mustern abgeglichen und die Anbahnung von kritischen Zuständen vorhergesagt werden. Auch lässt sich damit die sogenannte Fehlerquellenanalyse (engl. root cause analysis) durchführen: Bei bekannten Störungen lässt sich das ursächliche Ereignis durch Rückverfolgung der Ereignisketten ermitteln. Damit kann die Ursache entweder zukünftig im Datenstrom erkannt oder gar komplett abgestellt werden, sodass die damit verbundene Störung nicht mehr auftritt.

15.5.2Verschleißmessung bei einem Werkzeugmaschinenhersteller

Ein bedeutender süddeutscher Werkzeugmaschinenhersteller, spezialisiert auf vertikale Drehmaschinen, bietet seinen Kunden eine besondere Dienstleistung an: Auf der Grundlage einer definierten Messfahrt kann der Verschleißzustand der Drehspindel (das wichtigste Bauteil einer Drehmaschine) bestimmt werden. Hierzu werden die Schwingungen entlang aller drei Raumachsen mittels Beschleunigungssensoren gemessen. Anhand des Schwingungsverhaltens kann ermittelt werden, ob die Spindel noch in Ordnung ist oder bald das Ende ihrer Lebenszeit erreicht hat. Im ersten Fall erfolgt eine Empfehlung, bis wann die nächste Schwingungsmessung durchzuführen ist, während für den zweiten Fall ein Zeitraum für den Austausch der Spindel empfohlen wird. In Abbildung 15–5 sind exemplarische Messkurven für den Gutfall und für den Verschleißfall dargestellt.

image

Abb. 15–5Schwingungsmesskurven für eine Raumachse, links: guter Zustand der Drehspindel, rechts: starke Verschleißerscheinungen

In der Vergangenheit erfolgte die Auswertung der Messdaten manuell, was zu subjektiven Analyseergebnissen führte und mit einem erheblichen Zeitaufwand für den Servicetechniker verbunden war. Folglich war die Skalierung dieser Instandhaltungsdienstleistung durch die Verfügbarkeit von geschultem Personal begrenzt. Um diesem Engpass zu entgehen, hat sich das Unternehmen entschlossen, die Auswertung der Schwingungsdaten zu automatisieren. Hierzu werden Klassifikationsverfahren trainiert, die eine Vorhersage des Verschließgrads treffen. Auf der Grundlage dieser Vorhersagen erfolgt die automatisierte Erstellung eines Prüfberichts, der auch die Empfehlung für die Folgemaßnahme enthält.

15.5.3Vorausschauende Instandhaltung in der IT

Im Bereich der Informationstechnologie (IT) gehörte das Auftreten von Störungen und Ausfällen lange Zeit zu den zwar ungeliebten, aber weithin akzeptierten Vorfällen. Doch aufgrund des zunehmenden Wettbewerbsdrucks und der gestiegenen Kundenanforderungen stellt mittlerweile auch hier der ausfallfreie Betrieb ein wesentliches Kriterium für den Unternehmenserfolg dar. Mit den Konzepten der vorausschauenden Instandhaltung ergibt sich beispielsweise die Möglichkeit, den Softwarezustand zu überwachen, um so kritische Mängel, etwa durch fehlende Updates, zu identifizieren sowie die Planung von Wartungsfenstern zwecks der Beseitigung veralteter Softwarestände durchzuführen [Ataman 2017].

Eine weitere Quelle an Störungen im Bedienungsablauf einer Software besteht durch den Benutzer selbst, etwa aufgrund mangelnder Kenntnisse. Es liegt in der Natur komplexer Unternehmenssoftware, dass die effiziente Abarbeitung von Aufgaben stark von der Nutzererfahrung abhängt. Langjährige Mitarbeiter etwa haben für die gängigsten Tätigkeiten Erfahrungen in Form von Best Practices gesammelt und sind somit in der Lage, wiederkehrende Tätigkeiten mit einer hohen Geschwindigkeit und Korrektheit auszuführen. Dieses Wissen und diese Fertigkeiten fehlen neuen Kollegen. Um diesem Problem zu begegnen, wird etwa beim Softwarepaket Valuemation7 der USU GmbH jeder Bedienschritt des Nutzers aufgezeichnet. Mittels der dabei anfallenden Ereignisdaten und der Nutzung von Ereignis-Korrelationsverfahren kann die Software frühzeitig erkennen, wenn der Benutzer bei der Aufgabenabarbeitung ineffizient vorgeht oder gar falsche Handlungsschritte durchführt. In derartigen Fällen greift die Software ein und gibt dem Benutzer optimale Handlungsempfehlungen zur Bedienungsunterstützung.

Im Bereich der IT-Sicherheit ist der Einsatz von Analysewerkzeugen zur Früherkennung von Anomalien und Störungen schon lange weit verbreitet. Hierzu werden Logdaten und die Netzwerkkommunikation automatisch nach ungewöhnlichen Mustern durchforstet, die auf Angriffe auf das IT-System hinweisen können. Bei drohender Gefahr werden entsprechende Gegenmaßnahmen zum Schutz des Systems angestoßen [Felstaine et al. 2018].

15.6Fazit

Das letzte Fallbeispiel zeigt bereits, dass die vorausschauende Instandhaltung nicht nur im Maschinenbau oder in der Produktion Relevanz besitzt. Vielmehr handelt es sich hierbei um ein branchenübergreifendes Thema. Vergleichbare Anwendungsfälle sind beispielsweise auch in der Gebäudeverwaltung zu finden [Sullivan et al. 2010; Paul 2017] – etwa bei der Instandhaltung von Heizungs- und Klimaanlagen oder Aufzügen – oder in der Logistik, bei der überraschende Ausfälle von Transportmaschinen aufgrund des teils enormen Termindrucks kaum zu verschmerzen sind [Hopkins & Hawking 2018].

Allerdings ist bei der Umsetzung einer vorausschauenden Instandhaltung vielerorts noch Zurückhaltung zu beobachten. So ergab eine Umfrage der Staufen AG aus dem Jahr 2017, bei der mehrheitlich Unternehmen aus dem Maschinen- und Anlagebau, der Elektro- sowie der Automobilindustrie befragt wurden, dass 74% der Teilnehmer das Leistungsvermögen der derzeit verfügbaren Lösungen für die vorausschauende Instandhaltung gering einschätzen [Goschy & Rohrbach 2017]. Das liegt auch darin begründet, dass die angebotenen Lösungen noch stark technologiegetrieben entwickelt werden und dabei die Bedürfnisse und Anforderungen der Kunden sowie das einzulösende Nutzenversprechen von den Lösungsanbietern noch nicht klar verstanden werden [Feldmann et al. 2017]. Es gilt auch zu bedenken, dass aufgrund der hochgradigen Individualität vieler Anlagen, Produkte von der Stange selten zielführend sein können. Stattdessen ist eine maßgeschneiderte Lösung vonnöten.

Doch der Ausblick in der Industrie ist vielversprechend: 51% der Befragten der Staufen-Umfrage gaben an, dass die vorausschauende Instandhaltung in den nächsten zwei bis fünf Jahren eine große oder sogar sehr große Bedeutung haben wird [Goschy & Rohrbach 2017]. Für den Anlagenbetreiber liegt der Nutzen sowohl in der gesteigerten Produktionsleistung – Verfügbarkeit und Qualität – als auch in der Reduktion von Kosten für Instandhaltungsarbeiten und Lagerhaltung. Das Potenzial der vorausschauenden Instandhaltung fußt dabei auf folgenden Eckpfeilern der Digitalisierung: Vernetzung und Kommunikation der Maschinen, moderne Sensortechnik und digitale Daten sowie automatisierte und intelligente Datenanalyse. Sie ist damit ein Kernstück und Treiber der vierten industriellen Revolution.