Vorher wissen, was kaputt geht

Feature | 4. März 2014 von M. Matzer 0

Foto: Shutterstock

Foto: Shutterstock

Das “Internet der Dinge” erzeugt bekanntlich große Mengen von Nutzungs- und Sensordaten. Doch nur wenn sie möglichst schnell ausgewertet werden können, nutzen sie Unternehmen, beispielsweise in der Logistik oder der Wartung. Diese Massendaten liegen sowohl in strukturierter wie auch in unstrukturierter Form vor, also etwa als Datenbanktabelle ebenso wie als Blog, Logfile oder Email. Führt man all diese unterschiedlichen Datentypen effizient zusammen und wendet entsprechende Algorithmen aus Statistik und Business Intelligence auf sie an, können diese Massendaten wertvolle Informationen liefern. So etwa darüber, wann ein bestimmtes Bauteil ausgewechselt werden sollte, weil es nach aller Erfahrung und handfesten Daten aus der Vergangenheit wahrscheinlich ist, dass eine Störung auftreten wird.

In Verbindung mit Asset Management und anderen Lösungen lassen sich solche und ähnliche Vorhersagen auf vorhandene Maschineninstallationen und Produkte, die gerade hergestellt werden oder schon beim Kunden sind, anwenden. „Das Ausschussvolumen verringert sich um 40 Prozent, wenn ein Qualitätssystem die Lieferkettenplanung, Ursachenanalyse, Qualitätsmeldungen und komplexe Produktqualitätsplanung unterstützt”, behauptet SAP-Vice-President Scott Bolick in einem neuen SAP-Whitepaper über SAP Performance Benchmarking. Ein solches Qualitätssystem umfasst etwa beim deutschen Autohersteller Audi AG bereits Predictive Maintenance.

Produktionsplanung über gezielte Prognosen optimieren

„Die Eigenwartung von Produktionsmaschinen wie etwa Drehmaschinen gehört zur künftigen Instandhaltung”, erläutert Rüdiger Spies, Analyst beim Marktforschungsunternehmen Pierre Audoin Consultants (PAC). „Diese Drehmaschinen messen ihre Bearbeitungsläufe während der Bearbeitung von Werkstücken.” Anhand einer Frequenzanalyse lasse sich dann entscheiden, ob ein Werkzeug demnächst brechen wird. „Es wird also sowohl ein Werkzeugwechsel erforderlich als auch die Einbeziehung in die Produktionsplanungsoptimierung.”

Lesen Sie auf der nächsten Seite: Knapp 30 Prozent weniger Kosten für Service und Instandhaltung

Mit statistischen Methoden wie der für die so genannte multivariaten Ausreißererkennung lassen sich Anomalien etwa im Turbinenlauf eines Kraftwerks oder in der Logistikkette eines Retailers frühzeitig erkennen. Der israelische Energiekonzern Israel Electric etwa konnte seine Vorwarnzeit von 30 Minuten auf 30 Stunden verzehnfachen und eine Leichtmetallgießerei ihren Ausschuss um 80 bis 90 Prozent verringern. Die Automatisierung dieser Methoden zu Analyse und Vorhersage sowie ihre Prozessintegration sorgt für Reaktionsfähigkeit im Millisekundenbereich. “Der Dreiklang aus standardisiertem Datenmodell, der durchgängigen Integration aller Prozesse und Anlagen sowie dem Einsatz entsprechender Analysewerkzeuge für eine vorausschauende Instandhaltung schafft die nötigen Voraussetzungen für ein weiteres Wachstum mit einem wirtschaftlich tragfähigen und transparenten Betriebsmodell”, erklärt Ralf Thiemann, Senior Managing Consultant im Bereich Energy & Utilities in der Unternehmensberatung IBM Global Business Services.

Im Zuge der ‘vollvernetzten Produktion der Zukunft’, der so genannten Fabrik 4.0, werden weitere Formen von Predictive Maintenance möglich sein, sagen Experten wie PAC-Experte Spies. So werden beispielsweise Fahrzeugkomponenten wie Motoren, Getriebe und Kupplungen eigene Intelligenz mitbringen und Eigendiagnosen erstellen. Den Mitarbeitern in Produktion und Instandhaltung würden damit neue Möglichkeiten an Frühwarnsystemen und Prävention an die Hand gegeben.

Knapp 30 Prozent weniger Kosten für Service und Instandhaltung

Integration und Analyse sind die Schlüssel zum Erfolg. „Die für die Erstellung des SAP-Whitepapers “Idea to Performance” befragten Unternehmen beobachten eine um 19,7 Prozent höhere Einhaltung von Produktionsplänen, wenn Liefertermine für Kunden mit Materialverfügbarkeits- und Echtzeit-Herstellungsbedingungen integriert werden”, berichtet SAP-Manager Bolick. „Unternehmen, die an allen ihren Standorten Kennzahlen für standardisiertes Anlagenmanagement erheben und analysieren, haben um 29 Prozent geringere Service- und Instandhaltungskosten als Unternehmen, die dies nicht tun.”

Lesen Sie auf der nächsten Seite: Enge Zusammenarbeit von Unternehmens-IT und cyberphysischer Welt

Die Unternehmens-IT muss bei Industrie 4.0 eng mit der cyber-physischen Welt zusammenarbeiten. Die dazu benötigten Schlüsselkomponenten sind bereits vorhanden: Sensoren, die Leistung und Zustand der Maschinen überwachen, Funkerkennung (RFID), Funknetzanbindung (mSIM) und Hochleistungssoftware für die Interpretation von Daten, Entwicklung von Empfehlungen oder automatische Ausführung von Aktionen. Für Predictive Maintenance müssen Unternehmen Wartungs-Logs, Konfigurationsdaten, Sensor- und Telemetriedaten aus den cyber-physischen und anderen Systemen miteinander integrieren. Eine potenzielle Plattform dafür ist SAP BusinessObjects Predictive Analysis. Deren Predictive Analysis Library kann auf der Plattform SAP HANA mit den statischen Methoden der Bibliothek R und Daten aus einem Hadoop-Datenbankcluster integriert werden. HANA führt die Berechnungen dann performant aus und stellt die Ergebnisse in Predictive Analytics bereit.

Tags: , ,

Leave a Reply