Laut Forbes und mehreren kürzlich veröffentlichten ähnlichen Berichten über die nahe Zukunft der Fertigung ist die vorausschauende Wartung einer der unbestrittenen Top-Trends für 2022, wenn es um Industrie 4.0 geht – die steigende Nachfrage nach fortschrittlichen Analysen und KI-gestützten Prognosen ist bereits zu beobachten. Trotz des unbestreitbaren Wertes, der dahintersteht, entscheiden sich nicht viele Unternehmen, endgültig in diese Technologie zu investieren, oder sie geben bereits in einem frühen Stadium auf, weil die erwarteten Ergebnisse ausbleiben.
In diesem Artikel versuche ich, die realistischste Form der Predictive Maintenance zu definieren, gehe auf die Gründe für die geringe Erfolgsquote ein und gebe schließlich Tipps, wie die Chancen für die Einführung dieser aufregenden Technologie so erhöht werden können, dass sie für Unternehmen wertvolle Gewinne bringt.
Was ist Predictive Maintenance (vorausschauende Wartung)
Es gibt so viele Meinungen wie Menschen, wenn es darum geht, Predictive Maintenance zu definieren. Für den einen mag es darum gehen, den Ausfall einer Maschine im Voraus zu prognostizieren, für den anderen geht es eher um die Erkennung von Anomalien seiner Ausrüstung. Ich habe sogar einmal gehört, dass jemand glaubte, es gehe um die Optimierung der gesamten Produktionsanlage. Solche Kleinigkeiten wie das allgemeine Verständnis dessen, was sich dahinter verbirgt, führen jedoch oft zu großen Missverständnissen und falschen Erwartungen, die letztlich weitere Fortschritte bei der Einführung der Technologie verhindern.
Ein guter Ausgangspunkt für ein tiefgreifendes Verständnis des Themas ist die unten dargestellte allgemeine Klassifizierung der Analytik.
Wie wir sehen können, gibt es vier Haupttypen von Analysen:
1) Erklärende Analytik – sie ermöglicht ein besseres Verständnis der Daten. Sie beantwortet Fragen darüber, was, wann und warum in der Vergangenheit geschehen ist. Sie konzentriert sich auf den Wert, der direkt aus den historischen Daten extrahiert werden kann, ohne aufwendige Berechnungen durchzuführen:
a) Datenvisualisierung
b) Erweiterte Berichterstattung (Business Intelligence)
c) Statistische Analyse (Entdeckung versteckter Korrelationen, Auffinden von Anomalien innerhalb einzelner Signale)
2) Predictive Analytik – ermöglicht die Vorhersage zukünftiger Ergebnisse. Beantwortet Fragen darüber, was, wann und warum in der Zukunft geschehen wird. Sie konzentriert sich auf den Wert, der aus den historischen Daten abgeleitet werden kann (in der Regel mit Hilfe von maschinellem Lernen). Im Wesentlichen umfasst sie die Bemühungen der Datenwissenschaft in Bezug auf:
a) Tiefgreifende Analyse und Aufbereitung der historischen Daten zum Zweck der Modellierung durch maschinelles Lernen
b) Suche nach einem geeigneten Modell und dessen Training im Kontext des Anwendungsfalls, den wir zu lösen versuchen
3) Prescriptive Analytik – ermöglicht die Optimierung zukünftiger Ergebnisse, beantwortet Fragen darüber, was und wann getan werden sollte. Sie konzentriert sich auf den Wert, der aus den vorhandenen Vorhersagemodellen abgeleitet werden kann, um das erwartete Ergebnis zu maximieren oder zu minimieren.
4) Kognitive Analytik – ermöglicht es, Entscheidungen in Echtzeit auf der Grundlage des aktuellen Zustands der Umgebung zu treffen. Im Gegensatz zu den vorherigen Typen werden hier historische Daten nicht analysiert, um Muster oder versteckte Korrelationen zu entdecken, sondern als Quelle von Simulationsdaten während des Trainings des Modells verwendet. Das Ziel der kognitiven Analytik ist es, Wissen und Kenntnisee zu sammeln, um bestimmte Maßnahmen zu ergreifen, die die künstliche Umgebung verändern und auf der Grundlage von Rückmeldungen die Entscheidungen im Laufe der Zeit verbessern – dieses Thema verdient auf jeden Fall einen eigenen Artikel.
Kaum jemand wird Predictive Maintenance in eine andere Kategorie als Predictive Analytics einordnen (hoffentlich nicht nur wegen der Namensähnlichkeit). Daher können einige Schlussfolgerungen gezogen werden – es geht nicht um das Aufspüren von Anomalien (was eher in den erklärenden Cluster passt) und es geht auch nicht um irgendeine Art von Optimierung (denn dann sprechen wir von präskriptiver Wartung) oder um die Vermeidung von Ausfällen (was übrigens präventive Wartung wäre).
Wenn Sie mich bitten würden, die Predictive Maintenance in einem Satz zu beschreiben, würde ich wahrscheinlich sagen, dass es sich dabei um die Nutzung künstlicher Intelligenz (KI) auf der Grundlage historischer Daten von Produktionslinien handelt, um Muster im Fertigungsprozess zu erkennen und die Wahrscheinlichkeit, den Ort und die Zeit von Ausfällen vorherzusagen, die genutzt werden können, um die Wartung der Anlagen rechtzeitig vor einem Ausfall zu planen.
Dennoch geht es nicht wirklich um die Ausarbeitung einer idealen Definition, sondern vielmehr darum, ein gemeinsames Verständnis zu schaffen, damit alle an einem potenziellen Projekt beteiligten Parteien in derselben „Sprache“ kommunizieren und sich auf die geschäftlichen Probleme sowie auf vernünftige und erreichbare Ergebnisse konzentrieren können.
Warum ist es so schwierig?
Das Hauptunterscheidungsmerkmal (und gleichzeitig eine enorme Herausforderung) der Predictive Maintenance und der gesamten industriellen KI-Analytik im Allgemeinen ist die Tatsache, dass sie nicht sehr wiederholbar ist. Jeder einzelne Fertigungsprozess ist in gewisser Weise einzigartig. Selbst derselbe Anlagentyp, der in mehreren Produktionslinien eingesetzt wird – sagen wir Kompressoren oder Pumpen – mag auf den ersten Blick ähnlich aussehen, aber sie unterscheiden sich in der Regel auch in Bezug auf die interne Physik und die Details der Mechanik, so dass buchstäblich alle vorausschauenden Wartungsprojekte ein umfassendes Fachwissen über die Art des zu behandelnden Prozesses erfordern.
Im Idealfall verfügen Datenwissenschaftler, die gleichzeitig Kenntnisse in Informatik und der für die Modellierung eines bestimmten Problems erforderlichen Mathematik besitzen, über die notwendige Erfahrung in diesem Bereich und wissen, auf welche Schlüsselelemente von Maschinen oder Prozessen sie sich konzentrieren sollten. Aber die Welt ist nicht perfekt, und es ist natürlich unmöglich, in jedem Bereich ein Experte zu sein. Natürlich können Datenwissenschaftler durch die kontinuierliche Arbeit an ähnlichen Geschäftsproblemen (z. B. an den bereits erwähnten Kompressoren oder Pumpen) Wissen erwerben und sich auf einige enge Bereiche spezialisieren, aber diese Erfahrung wird wahrscheinlich wertlos sein, wenn sie mit einem anderen Prognoseproblem konfrontiert werden, das andere Prozesse oder Ausrüstungsarten betrifft. Das Verständnis des Prozesses und der beteiligten Maschinen ist einfach entscheidend.
Wie lässt sich die Herausforderung bewältigen?
Die einzige Möglichkeit, diese besondere Herausforderung zu meistern, ist die Einbindung von jemandem, der nahe am Prozess dran ist – einem Experten, der direkt aus der Werkstatt kommt und das Verhalten der Maschinen genau kennt, und der das nötige Wissen mit dem Datenwissenschaftler teilen kann.
Ein weiterer wichtiger Faktor für ein erfolgreiches Predictive-Maintenance-Projekt ist die sorgfältige Definition des zu lösenden Geschäftsproblems und die Ermittlung des messbaren Werts, den die Lösung bringen soll. Unternehmen, die bereit sind, in fortschrittliche Analytik zu investieren, müssen von den Dienstleistern darüber aufgeklärt werden, dass dieser erste Schritt für ihren Erfolg absolut entscheidend ist. „Wir möchten in unserer Fabrik eine vorausschauende Instandhaltung einführen“ ist wirklich nicht genug an Details.
Eile mit Weile bringt Risiko
Sobald der Anwendungsfall für die vorausschauende Instandhaltung definiert ist (idealerweise durch eine Art Workshop mit dem Kunden), kommt ein weiterer häufiger Fehler hinzu – die überstürzte Einführung von Modellen für das maschinelle Lernen ohne angemessene Datenanalyse. Es lohnt sich immer, etwas Zeit darauf zu verwenden, mehr Erkenntnisse zu sammeln, Business Intelligence und Statistiken zu nutzen, um nach Trends oder Korrelationen zu suchen, damit wir entscheiden können, auf welche Merkmale wir uns beim Training unserer Modelle konzentrieren wollen. In diesem frühen Stadium ist noch Zeit, um zu beurteilen, ob wir über eine ausreichende Menge an Daten von guter Qualität verfügen und eine Machbarkeitsstudie durchführen können, ob das ausgewählte Geschäftsproblem überhaupt lösbar ist.
Wann sollten Sie über Predictive Maintenance nachdenken?
Um über Predictive Maintenance nachzudenken, müssen Unternehmen Daten sammeln, und zwar riesige Mengen historischer Daten. Die erfolgreiche IIoT-Implementierung und Digitalisierung von Betriebsdaten in Fabriken ist daher in der Regel der erste Schritt auf dem Weg zu fortschrittlicher Analytik.
Außerdem müssen Fabriken mit einer Art von wiederholbaren Situationen zu tun haben (wie z. B. gelegentliche unerwartete Ausfälle einer bestimmten Maschine), für die es eine ausreichende Menge an historischen Erkenntnissen gibt (wenn wir den Ausfall einer Anlage vorhersagen wollen, die in den letzten zwei oder drei Jahren einmal ausgefallen ist, verfügen wir wahrscheinlich nicht über die erforderliche Menge an Informationen, um das Muster zu modellieren, das zu einer solchen Situation geführt hat, so dass es in diesem Fall keine Möglichkeit für die Implementierung einer vorausschauenden Wartung gibt).
Entdecken Sie die Möglichkeiten der vorausschauenden Wartung mit unserer Industrial Analytics Accelerator-Lösung.
Sehen Sie eine Demo.
Schließlich sollten Unternehmen, die die Möglichkeiten der vorausschauenden Wartung nutzen wollen, nicht dem „Einhorn“ hinterherjagen, sondern bereit sein, Zeit und Geld in die anfängliche Erforschung des Problembereichs zu investieren, den sie lösen wollen. Dies bringt vielleicht keinen unmittelbaren Wert für ihr Unternehmen, aber es ist ein notwendiger Schritt, um den endgültigen Erfolg zu erreichen.
