Am Dienstag, 13. September 2022, veranstalteten der IT-Cluster Oberfranken e.V. und der SWS Digital e.V. gemeinsam für das Projekt MOONRISE einen Online-Dialog zum Thema „Predictive Maintenance: Überwachung von Maschinen“, bei dem die Referenten Frank Baumann, Geschäftsführer DURAMENTUM GmbH & Co. KG, Jonas Szalanczi, Geschäftsführer NeuroForge GmbH & Co. KG, Felix Franke, Geschäftsführer d-opt GmbH sowie Dr. Matthias Nagel Input zum Thema gaben.

Zunächst gab Frank Baumann einen Überblick über Nutzen und Technologien von Predictive Maintenance, wobei er gleich zu Anfang betonte, dass Predictive Maintenance für alle Unternehmen relevant sei, die etwas herstellen. Dabei gehe es darum, das Equipment (Anlagen und Maschinen) bestmöglich zu nutzen, um Verfügbarkeit und Qualität der Anlage sicherzustellen. In Abgrenzung von anderen Arten der Maintenance meine Predictive Maintenance die zustandsorientierte Instandhaltung basierend auf Wahrscheinlichkeitsmodellen. Dabei gehe es um die Reduzierung von Stillstandszeiten, wobei die Vorhersagbarkeit fast noch wichtiger als die Reduzierung sei, die Reduzierung der Ersatzteilhaltung und um Effizienzsteigerung. Um diese Ziele zu erreichen, werden mittels Sensoren Daten über die Maschine gesammelt, die um Zusatzinformationen der Werker ergänzt werden. Neben der ganzen Technologie seien diese Zusatzinformationen oft der eigentliche Quantensprung, weshalb es unerlässlich sei, die Erfahrung und das Wissen der Mitarbeiter miteinzubeziehen. Außerdem bedürfe Predictive Maintenance immer einer wirtschaftlichen Kosten-Nutzen-Abwägung, da es manchmal günstiger sei, die Maschine trotz Fehler weiterlaufenzulassen.

Anschließend skizzierte Jonas Szalanczi die Möglichkeiten und Anwendung von Predictive Maintenance, wobei er zunächst die Frage aufwarf, was man mit Predictive Maintenance eigentlich erreichen wolle. Zunächst solle ein Maschinenausfall (bestenfalls vorher) erkannt, der Techniker benachrichtigt und das Reporting automatisiert, das heißt, Analysen zur Verfügung gestellt werden. Das alles solle digital und so automatisch und unterstützend wie möglich geschehen. Außerdem betonte Herr Szalanczi, dass Predictive Maintenance über die reine Datenerfassung hinaus gehen müsse. So brauche es auch eine digital sofort verfügbare Speicherung und Analyse der Ausfall- und Inspektionsergebnisse sowie eine Übermittlung der KI-Analyse direkt an die Leitstelle bzw. auf das Endgerät der Field-Service-Wartungsapp mit konkreten Handlungsempfehlungen.

Daraufhin gab Felix Franke konkrete Einblicke in die Anwendung von Predictive Maintenance in der Kunststoffverarbeitung. Zunächst ging er auf die Herausforderungen beim Spritzgießen ein, wozu die Verfügbarkeit der Maschinen sicherzustellen, eine aufwändige Instandhaltung, geringe Personalkapazität und eine schwierige Ersatzteilbeschaffung zähle. Die verfügbaren Daten bestünden aus Excel-Listen zu bisherigen Ausfällen und Reparaturen, teilweise netzwerkfähigen Maschinensteuerungen und zusätzlich erfassten Daten wie Energie, Temperatur und Schwingungen. Als Lösung für die zu Beginn skizzierten Herausforderungen sieht Herr Franke Predictive Maintenance, wozu ein Check zu verfügbaren Daten und Prozesswissen, ein KI-Modell zur Analyse und Bewertung der Maschinen, die Darstellung des aktuellen Zustands der Anlagen und ein Dashboard mit der Prognose eines Risikolevels für die Anlagen gehören.

Im letzten Vortrag gab Dr. Matthias Nagel mit Smart Maintenance on Shopfloor ein weiteres Praxisbeispiel, bei dem es um den Einsatz von Wahrscheinlichkeitsmodellen im VW-Motorenwerk Chemnitz ging. Dort werden Modelle mit Ereigniszeit- und Maschinendaten genutzt, da sich Maschinenmeldungen oft nicht interpretieren ließen, weshalb Machine Learning ohne die Berücksichtigung von Ereigniszeit-Daten ein Fragment bleibe. Bei Störcodes und Serviceberichten handele es sich um optimale Datenquellen, da Serviceberichte vollständige Informationen zum Ereignis und zur Regulierung der Störung enthielten, in nahezu allen Unternehmen beim Maschinenbetreiber und/oder Reparaturdienstleister vorlägen und sich der Verbrauch der Maschine bzw. der Komponente ermitteln lasse. Weitere Vorteile seien, dass Ereigniszeitmodelle basierend auf Daten aus Störungsberichten mit wenigen Daten auskämen, Ereigniszeitmodelle White-Box-Modelle mit transparenten und gut erklärbaren Ergebnissen („erklärbare KI“) seien und bei VW alle erforderlichen Daten digital verfügbaren seien. Für Ausfallvorhersagen mit Wahrscheinlichkeitsmodellen gelte, dass Maschinen(typen), Komponenten und/oder unterschiedliche Störungsursachen zu unterschiedlichen Modellen (A, B, C) führe, Modelle Ereignisse und ungestörte Prozesse berücksichtigen würden, Wahrscheinlichkeiten für unterschiedliche Maschinen vergleichbar, Wahrscheinlichkeitsaussagen für Produktionslinien möglich, parametrische Modelle ideal für Strategie-getriebene Erhaltung seien und Parameter der Modelle ökonomische Kosten-Nutzen-Abschätzungen ermöglichen würden. Die Wahrscheinlichkeitsmodelle sind bei VW seit 2018 im operativen Einsatz und seien laut Dr. Nagel branchenunabhängig einsetzbar.

In der abschließenden Diskussionsrunde wurde erneut die Bedeutsamkeit der Einführung einer digitalen Datenerfassung in produzierenden Unternehmen sowie einer ökonomischen Kosten-Nutzen-Abwägung von Predictive Maintenance Maßnahmen betont. Als Hürde für die Nutzung von Predictive Maintenance wurde der fehelende Hang zur Digitalisierung in Deutschland identifiziert. Außerdem sei ein großer Unterschied zwischen Großkonzernen, die Predictive Maintenance bereits nutzen und KMU, die meist noch nicht auf diese Technologie zurückgreifen würden. Außerdem wurde die fehlende Bereitschaft, externe IT-Dienstleister mit der Einführung von Predictive Maintenance zu beauftragen, angesprochen. Auch sei gerade zwar ein schlechter Zeitpunkt für kostspielige Innovationen aufgrund der vielen Unsicherheiten, trotzdem seien sie notwendig. Daher müsse ein Bewusstsein für Digitalisierung als lohnenswerte Investition zur Sicherung der Konkurrenzfähigkeit und Gewinnung von Fachkräften, geschaffen werden. Auf die Frage nach dem ersten Schritt bei der Einführung von Predictive Maintenance wurde ein klares Bekenntnis der Unternehmensführung, die Überprüfung der Notwendigkeit und Datenlage sowie die Mitarbeiter mit guten Argumenten von der Digitalisierung zu überzeugen, genannt.

Falls Sie die Veranstaltung verpasst haben sollten, schauen Sie sich gerne die Videoaufzeichnung zur Veranstaltung an.