Mit der Digitalisierung hält auch KI Einzug in die Instandhaltung. Durch die Verknüpfung der Daten von Engineering, Operations, Maintenance und Energie sind Pattern-Erkennungen möglich – eine Warnung vor einem Ausfall der Anlage ist somit möglich. - (Bild: Bilfinger)
Entwicklung der Instandhaltung an Maschine und Anlage
Der produzierenden Industrie von Maschinen, Kraftwagen oder mechanischen Geräten eröffnen sich durch die Industrie 4.0 aktuell viele Möglichkeiten: Neue Technologien sorgen für eine intelligente und vernetzte Produktion und bringen für Unternehmen große Potenziale mit sich. Um die Kosten- und Ressourceneffizienz in produktionsnahen Unternehmensbereichen zu erhöhen, spielt insbesondere eine umfassende und vorausschauende Instandhaltung der Produktionskomponenten eine zentrale Rolle.
Eine Studie von Acatech und dem Fraunhofer IML gibt Aufschluss über den Reifegrad bisheriger Bemühungen, eine intelligente Instandhaltung in der Praxis zu etablieren. Best-Practice-Anwendungen darin zeigen auf, dass dies längst kein Wunschdenken mehr ist. Doch zentrale Ergebnisse der Umfrage belegen, dass bei zahlreichen Unternehmen noch viel Luft nach oben ist (s. Kasten oben rechts).
Keine Smart Maintenance in den Smart Factories
Die Bedeutung der Smart Maintenance für die Smart Factory ist immens. „Dennoch zeigt die Umfrage, dass nach wie vor viele Unternehmen der Instandhaltungsorganisation eine zu niedrige Priorität einräumen. Die Studie macht nun deutlich, welchen Wertbeitrag Smart Maintenance leisten kann, wie sie erreicht werden kann und wie dadurch die Wettbewerbsfähigkeit des Standorts Deutschland weiterhin gesichert wird“, so Michael Henke, Institutsleiter Fraunhofer IML und Leiter des Projekts ‚Smart Maintenance – Der Weg vom Status quo zur Zielvision‘.
Inspektion in Zeiten von Industrie 4.0
Wie es hingegen funktionieren kann, zeigt das Unternehmensbeispiel Bilfinger: Hier können durch Künstliche Intelligenz Industrieanlagen automatisch digitalisiert werden. Allerdings ist die Digitalisierung in der Instandhaltung teilweise noch nicht richtig angekommen, wie Franz Braun, Chief Digital Officer bei Bilfinger, sagt: „Speziell in der Prozessindustrie findet man noch häufig einen reaktiven Ansatz und eine geringe Ausprägung von Vorbeugender oder auch Voraussagender Instandhaltung. Erst durch die Nutzung von Produktions- und Instandhaltungsdaten ist es möglich, durch KI-basierte Analysen exakte Vorhersagen zu machen – also Predictive Maintenance.“ Die Digitalisierung und die Nutzung von Daten sei aus seiner Sicht enorm wichtig, da das vorhandene Erfahrungswissen der Instandhalter aufgrund des demografischen Faktors nur noch mittelfristig zur Verfügung stehe.
Wartung durch intelligentes Tool
Eine Lösung dafür könne das Bilfinger Connected Asset Performance (BCAP) sein, wie Braun berichtet: „Mit BCAP haben wir ein Tool entwickelt, das Standardlösungen beziehungsweise Applikationen beinhaltet, um einerseits besser Ausfälle von Produktionsanlagen vorhersagen zu können und die Gesamtanlageneffizienz (OEE) zu steigern beziehungsweise die Kosten zu senken.“
Ein weiterer wichtiger Aspekt in der Prozessindustrie sei das Thema Asset Integrity. „Darunter versteht man die Übereinstimmung der digitalen Kopie mit der reellen Anlage inklusive der ordnungsgemäßen Organisation aller Instandhaltungsmaßnahmen und Prüfungen“, erklärt Braun.
Management von Daten erleichtert Wartung
Ein neuer innovativer Ansatz sei die Nutzung von Daten eines Prozessleitsystems, um fehlende physikalische Messgrößen mittels Datenmodellen nachzubilden. Dazu beschreibt Braun: „Bei einem Kunden haben wir eine Labormessung eines Feuchtewertes, die nur alle drei Stunden durchgeführt wurde, mittels eines Datenalgorithmus durch einen virtuellen Sensor ersetzt. Mit diesem virtuellen Sensor besteht die Möglichkeit, die Feuchte in kurzen Abständen zu messen und darauf zu reagieren. Durch unser prozessspezifisches Branchenwissen können wir unseren Kunden auch noch eine Empfehlung für den Anlagenfahrer geben – was er denn tun soll, wenn die Feuchte sinkt oder steigt – ein Prescriptives Modell.“
Maßnahmen greifen mittels KI
Vor allem mit diesen Datenanalysen, basierend auf Machine Learning durch zum Beispiel Korrelationsanalysen oder Pattern-Erkennungen, sei es möglich, mit historischen Daten viel zu verbessern. „Eine Verbesserung ist, die Ursache eines Ausfalls zu analysieren, eine andere, solche Ausfälle in Zukunft vorhersagen zu können. Diese Pattern-Erkennung warnt mich also im Vorfeld, wenn ich in einen gewissen Grenz-Bereich komme, dass zum Beispiel innerhalb der nächsten vier Wochen ein Ausfall droht. Mit solchen Vorhersagungen verhindern wir Ausfälle“, verdeutlicht Braun.
KI beziehungsweise Machine Learning sei mittlerweile keine Besonderheit mehr. „Kurz gesagt, mittels Künstlicher Intelligenz können Industrieanlagen automatisiert werden. Die Voraussetzung dafür ist natürlich, dass die Daten digital vorliegen“, sagt Braun.
Vorausschauende Wartung durch digitalisierte Maschine
Doch wie gelangt der Anlagenbetreiber an digitale Daten, wenn diese lediglich analog vorliegen? Auch dazu hat Braun eine Lösung parat: „Es gibt zum Beispiel RI-Schemata, also die Rohr- und Instrumentierungsklassen, in der die Verfahrenstechnik von Anlagen unserer Kunden wiedergegeben sind. Häufig sind diese Schema immer noch nur auf Papier vorhanden. Dabei handelt es sich zum Beispiel um Informationen, welcher Typ einer Pumpe oder eines Ventils eingebaut worden ist. Diese papierbasierten Dokumentationen müssten dann zuerst digitalisiert werden. Dafür haben wir das Tool PIDGraph entwickelt, das ist eine OCR-Erkennung für Engineering-Dokumente. PIDGraph basiert auf Machine- und Deep Learning.“
Predictive Maintenance in der Instandhaltung
In der BCAP-Plattform versuche Bilfinger, die Daten von Engineering, Operations (Daten des Prozessleitsystems), die Maintenance-Daten und auch Energie-Daten zu vereinen. Das hat auch seinen guten Grund, denn „ich behaupte, dass in Deutschland speziell in der Prozessindustrie zu 99 Prozent Maintenance- und Produktionsdaten nicht mit einander verknüpft sind. Um eine nutzungsabhängige Instandhaltung zu organisieren, ist es aber gerade entscheidend, die Daten zu kombinieren“, stellt Braun unmissverständlich klar.
Wartung des Systems zum optimalen Zeitpunkt
Ein weiterer Vorteil der Verknüpfung der Daten sei es, Energieverbräuche von verschiedenen Anlagenkomponenten zu vergleichen. Bei einer Pumpe könnte es sein, dass das Medium (Produkt) schwerer oder zähflüssiger ist. Dann liegt eine Abweichung des Prozesses und somit eventuell ein Qualitätsproblem vor. Deutet sich hingegen bei der Pumpe ein Lagerschaden an, dann kann es sich eventuell um ein Maintenance-Problem handeln.
Dazu erläutert Braun: „Die Analyse dieser Daten, von denen es sehr viele gibt – das ist die Herausforderung. Denn dafür benötigt man sowohl Datenanalysten als auch Domain-Experten, die den Prozess der Kunden kennen. Ein Datenspezialist alleine sorgt noch nicht dafür, dass alles besser läuft, da er ja die Prozesse nicht kennt. Denn man muss die Ergebnisse auch interpretieren können.“
Verlässliche Vorhersagen durch Predictive Maintenance
Das BCAP sei mittlerweile bei circa 40 Projekten im Einsatz. Vor anderthalb Jahren habe Bilfinger damit begonnen, dadurch die Effektivität von Gesamtanlagen zu erhöhen. Dazu stellt Braun dar: „Wir sehen, dass sich durch die Datenanalyse – also die Kombination der Daten aus den unterschiedlichen Silos wie Engineering, Operations, Maintenance und Energie – eine OEE-Steigerung von zehn Prozent ergeben kann.“
Bei der Umsetzung sei es wichtig, konsequent die gewonnenen Erkenntnisse in Maßnahmen anzuwenden. Man finde durch die Digitalisierung letztlich noch viel verstecktes Potenzial. „Gerade in Deutschland besteht damit die Chance, die Effizienz von Anlagen auf ein deutliche höheres Level zu heben“, resümiert Braun.
Highlights aus der Praxis
- 10 Prozent Steigerung ist durch die digitale Datenanalyse bei der Effizienz von Gesamtanlagen möglich.
- Digitales trifft Reales: Zugunsten der Instandhaltung lassen sich reale Anlagen virtuell abbilden – und Ausfälle vorhersagen.
Vorbeugende Wartung jeder Maschine
Ein weiteres Positivbeispiel kann auch Bosch Rexroth liefern. Denn mit dem Dienstleistungspaket Online Diagnostics Network (ODiN) verknüpft das Unternehmen sein Domänenwissen im Bereich hydraulische und elektrische Antriebe mit Sensorik, Cloud-basierten Anwendungen und Machine-Learning-Methoden, um Wartungsmaßnahmen zu ermöglichen, bevor es zum Stillstand kommt, wie Steffen Haack, Geschäftsleitung Industriehydraulik bei Bosch Rexroth, darstellt: „Die Vorhersagegenauigkeit von Fehlern, die zu einem Anlagenausfall führen können, lassen sich so von bisher maximal 43 auf über 95 Prozent steigern. Denn Machine-Learning-Methoden ermöglichen einen Quantensprung bei der vorausschauenden Wartung und steigern die Anlagenverfügbarkeit deutlich.“
Management der Inspektion ein großes Thema
Gerade bei kontinuierlich produzierenden Großanlagen wie Minen, Gießereien, Gummimischwerken, Papier- und Zuckerfabriken oder Stahlwerken sei ein Maschinenstillstand mit extrem hohen Kosten verbunden. So summierten sich beispielsweise die Kosten für einen Stillstand eines zentralen Förderbands einer Eisenerzmine schnell auf einen fünfstelligen Euro-Betrag pro Stunde.
Müsse gar die gesamte Anlage heruntergefahren werden, dann könne es nach einer Reparatur mehrere Schichten dauern, bis die Produktion wieder auf vollen Touren laufe. Damit überschritten die Stillstandskosten schnell die Millionengrenze. „Wir haben mit ODiN Predictive Maintenance ein Dienstleistungspaket entwickelt, mit dem genau ein solcher Maschinenstillstand verhindert werden kann“, beschreibt Haack.
Studie 'Smart Maintenance - Der Weg vom Status quo zur Zielvision'
- Die meisten Unternehmen verfügen über keine oder nur eine sehr schwache Datenbasis, die Auskunft über bald auftretende Störungen oder die Notwendigkeit von Instandhaltungsmaßnahmen geben könnte. So gab über die Hälfte (57 %) der befragten Unternehmen an, dass Elemente in der Fabrik erst dann instand gehalten werden, wenn ein Problem bereits aufgetreten ist. Mit Echtzeitdaten könnten Systeme besser überwacht und Probleme präventiv vermieden werden – nur vier Prozent der Unternehmen nutzen diese Möglichkeit.
- Das Wissen darüber, wie Elemente in einer Fabrik gewartet und überprüft werden können, steckt häufig in den Köpfen einzelner Mitarbeiterinnen und Mitarbeiter. Dieses Wissen sollte dokumentiert und anderen Beschäftigten bereitgestellt werden (zum Beispiel in Form eines Wikis im Intranet), um auch im Falle eines Personalausfalls reagieren zu können. In 27 Prozent der Unternehmen geschieht dies nicht: Dort wird individuelles Instandhaltungswissen stattdessen bei Bedarf mündlich weitergegeben. Knapp ein Drittel (32 %) der Unternehmen gibt an, Wissen zwar in Papierform bereitzustellen, dabei aber keine standardisierten Prozesse zur Wissenserweiterung zu nutzen.
- Vorhandenes personenbezogenes Wissen sollte nicht nur dokumentiert, sondern auch kontinuierlich erweitert werden – gerade, da durch neue technische Innovationen die Arbeitsabläufe verbessert werden können. Dennoch bietet über die Hälfte (53 %) der befragten Unternehmen keine speziellen Schulungsmaßnahmen im Bereich Digitalisierung für erfahrene Mitarbeiterinnen und Mitarbeiter an. Im Falle auftretender Komplikationen werden sie stattdessen von Kolleginnen und Kollegen, die über eine entsprechende Expertise verfügen, unterstützt.
- Bestimmte Aufgaben bei der Instandhaltung können heute mithilfe von Augmented Reality (AR) oder Virtual Reality (VR) erledigt werden. Diese Technologien können beispielsweise bei Schulungen und der gemeinsamen Bearbeitung von Aufgaben bei räumlicher Trennung der involvierten Mitarbeiterinnen und Mitarbeiter sinnvoll eingesetzt werden. Dennoch gibt nur jedes zwanzigste befragte Unternehmen an, AR für diese oder ähnliche Zwecke zu nutzen.
Zustandsüberwachung ist erste Schritt in Richtung vorausschauende Wartung
Die Zustandsüberwachung aller kritischen Antriebskomponenten sei der erste Schritt in Richtung vorausschauende Wartung. Dabei würden Baugruppen wie Hydraulikpumpen mit Sensoren ausgerüstet. „ODiN Predictive Maintenance nutzt Machine-Learning-Methoden, um aus den erfassten Sensordaten Wissen über den Gesundheitszustand der Anlage zu generieren und zuverlässige Vorhersagen treffen zu können. Kunden erhalten dann die entsprechenden Wartungsempfehlungen für ihre Anlagen“, führt Haack aus.
Predictive Maintenance in der Druckluftversorgung
Beispiel Nummer drei kommt von CompAir. Dabei geht es um Predictive Maintenance in der Druckluftversorgung durch Cloud-basierte Zustandserfassung. Da Unternehmen im Gegensatz zur Stromversorgung die unverzichtbare ‚Energie Druckluft‘ selbst erzeugen, sind sie für deren dauerhafte und sichere Verfügbarkeit selbst verantwortlich. Und so hat sich zwangsläufig durch die Digitalisierung der Produktionsabläufe ein grundlegender Wandel im Aufgabenfeld der Wartung vollzogen.
Mit iConn hat Gardner Denver eine Cloud-basierte Plattform entwickelt, die den Blick auf beziehungsweise in den Kompressor und seine Leistungsdaten ermöglicht; virtuell vom Rechner oder vom iPad aus. iConn gehört bei neuen CompAir Kompressoren zur Standardausstattung, kann aber auch nachträglich als Retrofit-Lösung in bestehende Kompressoranlagen und auch Fremdfabrikaten integriert werden.
Vorbeugende Instandhaltung durch Überwachung
Marius Breusers, Aftermarket Produkt Manager bei Gardner Denver: „Wir betrachten heute die Druckluftversorgung in den produzierenden Unternehmen unabhängig von deren Größe ganzheitlich. Und wir haben sehr früh mit unseren Aktivitäten in Ländern mit geringer Dichte der industriellen Infrastruktur gelernt, welche entscheidende Bedeutung dabei die vorausschauende Wartung hat. Dies hat dazu geführt, dass wir sehr früh mit iConn eine digitale Plattform für IoT und Industrie 4.0-Lösungen zur proaktiven Überwachung und Information von Druckluftanlagen in Echtzeit entwickelt haben.“ Denn wer sich mit der Instandhaltung von Kompressoren beschäftigt, sollte sich der Tatsache bewusst sein, dass die Wartungskosten – über den Produktlebenszyklus gerechnet – ähnlich hoch sind wie die Anschaffungskosten.
