Suchen

Prescriptive Maintenance Mit Machine Learning zu mehr Produktivität

| Autor/ Redakteur: Michael Burkhard / B.A. Sebastian Hofmann

Prescriptive Maintenance läutet einen Paradigmenwechsel ein: Statt nur Ausfälle vorherzusagen, lassen sich Empfehlungen erarbeiten. Welche Bedingungen müssen gegeben sein? Wie gelingt eine Umsetzung?

Firmen zum Thema

Wie muss man handeln, dass zukünftige Maschinenausfälle nicht eintreten? Prescriptive Maintenance liefert die notwendigen Infos.
Wie muss man handeln, dass zukünftige Maschinenausfälle nicht eintreten? Prescriptive Maintenance liefert die notwendigen Infos.
(Bild: ©guruXOX - stock.adobe.com)

Mit Prescriptive Maintenance übernehmen Maschinen oder Devices eine aktive Rolle in ihrer eigenen Wartung. Die Voraussetzung: Maschinen- und Sensordaten werden in Echtzeit erfasst und ausgewertet. Dabei kommt Machine Learning zum Einsatz, um spezielle Muster in Datensätzen zu erkennen. So kann man Ursachen für Probleme ableiten und mit präzisen, zeitnahen Maßnahmen gegensteuern. Die Auswertung der erfassten Wartungsdaten übernehmen Algorithmen mit natürlicher Sprachverarbeitung in einer Geschwindigkeit, die Computer zuvor nicht leisten konnten. Mit diesen Daten können neuronale Netze Millionen von potenziellen Assoziationen analysieren und exakt feststellen, was ein bestimmtes Ereignis verursacht hat und warum.

Technische Voraussetzungen für die Instandhaltung

Aus technischer Sicht ist für Prescriptive Maintenance eine Kombination aus verschiedenen Systemen und Elementen nötig. Dazu zählt ein Data Lake, in dem Daten aus verschiedenen Quellen – etwa von IoT-Sensoren oder aus Automatisierungssystemen – konsolidiert werden. Hinzu kommen Analyse-Tools, die auf Machine-Learning-Ansätzen basieren, sowie die Integration von Softwaresystemen für eine enge Kollaboration im weiteren Verarbeitungsprozess. Historische Daten, wie etwa Informationen über Transaktionen und Geschäftsprozesse für die Analytik, stammen in der Regel von bestehenden IT-Lösungen, wie etwa ERP-Systemen. Sie ermöglichen es, Rückschlüsse zu ziehen. Ein Data Scientist schließlich sorgt für die Bewertung der Simulation.

Doch wie lässt sich feststellen, ob sich ein Engagement in Richtung Prescriptive Maintenance tatsächlich lohnt? Und welchen konkreten Nutzen bringt es? In einem ersten Schritt sollte festgestellt werden, welche Aufgaben und Tätigkeiten im administrativen Umfeld von Systemen übernommen werden können. Dazu ist es nötig, aktuelle Auslastungen und Tätigkeiten von Mitarbeitern zu erfassen und regelmäßige, wiederkehrende Aufgaben zu identifizieren. Ziel ist es, möglichst viele Kapazitäten von Arbeitskräften für intelligentere Arbeiten freizusetzen. Darüber hinaus gilt es, existierende Maschinendaten für das Prescriptive Maintenance heranzuziehen. Dazu gehören Informationen zum „Gesundheitszustand“ von Maschinen und Anlagen wie Vibrations- oder Telematikdaten – Informationen also, die heute häufig bereits in ERP-Systemen und Datenbanken vorliegen. Mit Prescriptive Maintenance lassen sich diese Daten jedoch nicht mehr nur für einfache Auswertungen, sondern für produktive Arbeitsprozesse nutzen.

Checklisten machen Arbeitsaufträge transparent

Hinsichtlich der Implementierung hat sich ein Vorgehen bewährt, nach dem zunächst wenige Anlagen oder Maschinen, wie etwa Pumpen, mit Wartungsplänen, Betriebs- und Solldaten und historische Daten eingebunden werden. Im weiteren Verlauf lassen sich dann weitere Maschinen schrittweise hinzufügen. Verdient gemacht haben sich in diesem Zusammenhang speziell für das Prescriptive Maintenance entwickelte Checklisten von Infor: Dabei handelt es sich um eine Methode, bei der unterschiedliche Textbausteine zusammengeführt werden, die anschließend mit einem Arbeitsauftrag verbunden werden. Während klassische Arbeitsaufträge mit der Zeit lang und unübersichtlich werden, ermöglichen es die Checklisten, einzelne Schritte abzuarbeiten. Der wesentliche Vorteil: Mitarbeiter sind in der Lage, Tätigkeiten schneller zu erledigen. Darüber hinaus ist anhand der Checklisten ersichtlich, wenn ein Task den Toleranzbereich verlässt, um einen Folgearbeitsauftrag initiieren zu können. Aus Bertriebssicht wiederum entsteht mithilfe von Checklisten eine durchgängige Dokumentation, die zusammenhängende Arbeitsaufträge transparent aufbereitet.

Mit der Unterstützung von Machine Learning hält Prescriptive Maintenance die Produktion am Laufen und steigert ihre Effizienz.
Mit der Unterstützung von Machine Learning hält Prescriptive Maintenance die Produktion am Laufen und steigert ihre Effizienz.
(Bild: ©industrieblick - stock.adobe.com)

Unumgänglich für eine erfolgreiche Implementierung von Prescriptive Maintenance ist nicht zuletzt das Change Management. Denn obwohl es der Sinn und Zweck von Prescriptive Maintenance ist, Arbeitskraft freizusetzen, heißt es nicht, dass Arbeitskräfte dem Rotstift weichen müssen. Im Gegenteil: Mit Prescriptive Maintenance lassen sich Mitarbeiter produktiver einsetzen.

* Michael Burkard ist Account Manager EAM bei Infor in 66299 Friedrichsthal, Tel. (05 11) 93 68 91-00, contact@infor.com, www.infor.de

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45884862)