Predictive Maintenance Use Cases gehören zu den meist umgesetzten Anwendungsfällen im Bereich Industrie 4.0. In diesem Blogartikel haben wir fünf von uns umgesetzte Predictive Maintenance Use Cases zusammengestellt, um herauszuarbeiten, was diese sind und welches Potenzials Predictive Maintenance in der Industrie 4.0 hat.
Wenn im Dashboard eines Autos das Symbol für „Wartung“ aufleuchtet, heißt das nicht, das mit dem Motor oder einem anderen Teil bereits etwas nicht stimmt. In der Regel steht der nächste reguläre Besuch in der Werkstatt nach einer bestimmten Kilometerzahl an. Die Logik, die hinter diesem Wartungsansatz steht, gehört im Zeitalter von Künstlicher Intelligenz und Data Science der Vergangenheit an.
An die Stelle herkömmlicher Wartungsansätze tritt heute immer häufiger ein neuer Ansatz: Predictive Maintenance – die vorausschauende Wartung. Am Beispiel von fünf Predictive Maintenance Use Cases zeigen wir im Folgenden, wie breit das Anwendungsspektrum des neuen Ansatzes der vorausschauenden Wartung ist.
Inhaltsverzeichnis
1. Herstellerübergreifende Ausfallwahrscheinlichkeit von Fahrzeugbauteilen auf Basis von Fahrzeugeigenschaften
Bei der Prognose von Wartungsterminen spielen Muster in Daten eine zentrale Rolle. Muster führen vor allem dann kausale Zusammenhänge zutage, wenn die Daten eine einheitliche Quelle haben – etwa Sensordaten aus ein und demselben Motorentyp. Die besondere Herausforderung bei diesem Projekt bestand darin, dass wir mit einem asymmetrischen Informationsstand im Bereich Gebrauchtwagenverkauf konfrontiert waren. Das machte eine punktuelle Datenerfassung des Fahrzeugzustandes nötig, um eine herstellerunabhängige Betrachtung der Bauteile zu ermöglichen. Das setzte eine Datenerfassung der Bauteil-Mängel unabhängig von vorab durchgeführten Fahrzeugreparaturen voraus.
Unsere Lösung sah zunächst die Durchführung einer Häufigkeitsanalyse von ausgefallenen Bauteilen vor. Danach folgte das Ranking der Bauteile nach Kernfaktoren der Gebrauchtfahrzeuge. Im Ergebnis kam ein Datenmodell zur Verknüpfung von Mängelprotokollen und Werkstattberichten zustande. Durch die Einführung eines interaktiven Bauteil-Rankings nach Ausfallwahrscheinlichkeit und Einflussfaktoren entstand zudem eine Transparenz über die analytische Wertigkeit der Datenlage.
2. Präventive Identifikation fehlerhafter Teile zur Identifikation von potenziell Ausfall-gefährdeten Teilen entlang des Produktions- und Logistikprozesses bis hin zum Kunden
Qualitätssicherung ist insbesondere im Premiumsegment eine der zentralen Herausforderungen von Unternehmen. Ein Automobilhersteller wollte Fahrzeugausfälle bis in die Logistik zurückverfolgen und identifizieren können. Bislang war der Verbleib von potenziell ausfallgefährdeten Teilen aus defekten Lieferantenchargen nicht nachverfolgbar und barg ein Risiko. Um die Qualität sicherzustellen, sollen die betroffenen Teile in der Logistik und beim Kunden identifiziert werden.
Mit einem generischen Datenmodell stellten wir zunächst die Verknüpfung der Datenquellen entlang des Produktionsprozesses sicher. So gelang eine Rückverfolgbarkeit der fehlerhaften Teile bis hin zum Lieferanten und die Visualisierung des Prozesses. Mit der QlikSense-Applikation ist nun die Verortung der Teile in der Logistik und beim Kunden möglich. Das generische Datenmodell ermöglicht zudem die Identifizierung verschiedener Teile, die beim Kunden ausgefallen sind.
Tipp:
Sehen Sie sich noch andere Einsatzgebieten und Use Cases zum Thema KI in der Logistik an.
3. Predictive Maintenance an Automaten: Komponentenbasierten Reparaturen auf Tagesbasis
Ein internationaler Technologiekonzern trat mit dem Wunsch an uns heran, Ausfälle an bestimmten Bankautomaten zu vermeiden, um Kosten einzusparen. Die hohe Verfügbarkeit der Automaten spielte dabei eine sehr wichtige Rolle und sollte sichergestellt werden. Zunächst wurde die Relevanz, die Datenqualität und die Menge von möglicherweise wichtigen Datenquellen bewertet, um eine sinnvolle Zielvariable zu bestimmen und die Vorhersagequalität mithilfe von deskriptiven und visuellen Analysen (Visual Data Exploration) zu evaluieren.
Im Rahmen der Machbarkeitsanalyse ergab sich zunächst der Bedarf, die Datengrundlage zu verbessern. Dazu wurden 1TB der vorhandenen Datenquellen in Bezug auf den konkreten Predictive Maintenance Use Case bewertet. So wurde die Grundlage für die erfolgreiche Umsetzung des Wartungsalgorithmus geschaffen.
Beschreibung: Eine kritische Komponente eines jeden Predictive Maintenance Use Cases ist die Datengrundlage. Denn hier gilt die Gleichung: Garbage in, garbage out.
4. Predictive Maintenance Potenziale & Enablement: Potenziale im Service eines Mess- und Sendetechnikherstellers
Ein Mess- und Sendetechnikhersteller sah sich mit der Fragestellung konfrontiert, wie er den Service für sein Produktportfolio verbessern konnte. Da es im Unternehmen noch keine umfangreiche Erfahrung mit Predictive Maintenance Use Cases gab, sollten dabei zugleich die Potenziale für weitere Anwendungsfälle evaluiert werden. Dabei galt es die hohe Verfügbarkeit und die Qualität der Sendeanlage zu berücksichtigen
Um zunächst zu klären, welche Daten verwendet werden konnten und welche Predictive Maintenance Use Cases sich daraus ableiten ließen, um einen Mehrwert aus Daten zu ziehen, wurde zunächst ein Data Science Roadmap Workshop durchgeführt. So war es uns möglich, unserem Kunden alle Ansatzpunkte für sinnvolle Business Cases darzulegen. Im Anschluss wurde eine Storyline für ein Pilotprojekt erarbeitet und dem Kunden präsentiert. In kurzer Zeit gelang es, relevantes Methodenwissen aufzubauen, um den Elektronikhersteller zu befähigen, das Thema einzuordnen und in weiteren Predictive Maintenance Use Cases voranzutreiben.
5. Pilotierung eines Prototyps zur Wartungsoptimierung: Ein Prototyp zur Optimierung von Wartungsfenstern in der Produktionsstraße eines Automobilkonzerns
Ein Automobilkonzern verfügte bereits über einen entwickelten R-Prototyp zur Optimierung von Wartungsfenstern, der nun im Live-Betrieb getestet werden sollte. Dabei musste der Prototyp mit Daten aus dem HDFS (Hadoop Distributed File System) gespeist und die Resultate in eine Datenbank geschrieben werden. Eine Schwierigkeit bestand darin, dass das Datenformat von dem im Prototyp verwendeten Format abwich.
Unsere Lösung sah zunächst die Erstellung einer Data Pipeline vor, welche die Daten aus dem HDFS las und in das unterstützte Format umwandelte. So konnten die Ergebnisse mithilfe des Prototypen berechnet und anschließend in die Datenbank geschrieben werden. Im Anschluss wurden die Laufzeiten des Prototypen optimiert und die Data Pipeline automatisiert. Abschließend erfolgte der Test und dessen Evaluation im Live-Betrieb. So gelang es uns am Ende, dass die Wartungsfenster jede Minute neu berechnet werden und nun die Ergebnisse direkt an den Bildschirmen der Produktionsstraße visualisiert werden.
Fazit: Predictive Maintenance Use Cases
Die hier vorgestellten fünf Predictive Maintenance Use Cases zeigen, wie vielfältig die Anwendungsfälle bei der vorausschauenden Wartung sein können. Bei der konkreten Planung und Umsetzung von Fragestellungen geht es oft auch um die Klärung von Grundsätzlichem – Welche Daten können verwendet werden? Stimmt die Datenqualität? Welche Business Cases sind sinnvoll und welche Priorität haben sie bei der Umsetzung? Um Fragen wie diese zu klären, führen wir häufig zunächst Data Workshops durch.
Predictive Maintenance spielt dabei vor allem auch im Rahmen der datengetriebenen Digitalisierung eine Rolle. Hier stellt sich immer brennender die Frage danach, wie im Rahmen von datengetriebenen Geschäftsmodellen aus den vorhandenen Daten ein Mehrwert generiert werden kann. In Predictive Maintenance Use Cases steckt aus unserer Perspektive dabei noch sehr viel mehr Potenzial – sei es ganz klassisch bei der Wartung von Maschinen und Fahrzeugen, in den Bereichen Logistik und Vertrieb, dem Service oder der vernetzten Produktion.
0 Kommentare