Lösungsansätze für die Umsetzung von Predictive Maintenance in der Fabrik (Teil 2)

[Blogtitel] Lösungsansätze für die Umsetzung von Predictive Maintenance (2) [Beschreibung] In der 2-teiligen Artikelserie zum Thema Predictive Maintenance werden im zweiten Teil konkrete Lösungsansätze genannt. [Bildquelle] iStock 1150853659 [Bildbeschreibung] Das Bild zeigt einen virtuellen Kopf in der der digtialen Welt von KI
[Bildquelle] iStock 1150853659

In der 2-teiligen Artikelserie zum Thema Predictive Maintenance wurden im ersten Teil sieben Gründe genannt, die maßgeblich dafür verantwortlich sind, dass sich das Thema in der Industrie nur mit großer Verzögerung durchsetzt. In zweiten Teil werden fünf konkrete Ansätze vorgestellt, mit denen sich die im Teil 1 genannten Barrieren umschiffen lassen.

Transparentes Ausweisen der gesamten Verbesserungspotenziale des Predictive-Maintenance-Einsatzes im Unternehmen

„Transparent“ bedeutet in unserem Zusammenhang, Entscheidern die Vorteile und Nutzen der Predictive Maintenance verständlich, passgenau und zielgerichtet und – wichtig! – in deren Anschauungswelt darzustellen. Es hat sich bewährt, auf technische und methodische Fragen antworten zu können, sie aber nicht als Merkmale in den Vordergrund zu stellen. Um eine wohlwollende Entscheidung herbeizuführen, sollten besonders die organisatorischen, wirtschaftlichen und strategischen Vorteile ins Licht gestellt werden.

Aktives Erkennen der Auswirkungen auf Organisation, Service-Modell und Geschäftsmodell der Instandhaltung

Wie wir bereits im ersten Teil des Artikels gesehen haben, werden Maschinelles Lernen und Predictive Maintenance einen Paradigmenwechsel in der Instandhaltung herbeiführen. Der Anlagenservice wird sich vom Reagierenden, Retrospektiven und Korrigierenden zukünftiger stärker zum Vorausschauenden, Vermeidenden und Optimierenden hin verändern. Dies wird Auswirkungen auf das gesamte Organisations-, Service- und Geschäftsmodell von industriellen Services haben. Betroffen von dieser Veränderung werden sowohl die internen Technikbereiche als auch die externen Serviceunternehmen sein, denn die Anteile der Arbeit werden sich verschieben.

Während ein großer Teil der manuellen Arbeit wahrscheinlich noch viele Jahre gebraucht werden wird, werden der analytische Anteil, die Wissensarbeit und der Informationsfluss zukünftig stark durch Softwareagenten automatisiert oder unterstützt werden. Die durch Predictive Maintenance erwarteten Optimierungen und Effizienzsteigerungen werden diejenigen Unternehmen am besten realisieren, die diese am schnellsten und effektivsten intern organisatorisch umsetzen und extern in Wettbewerbsvorteile ummünzen können.

Nutzen von kombinierten KI-Methoden zur flächendeckenden Durchdringung

Hartnäckig hält sich das Vorurteil, dass man Predictive Maintenance nur dort einsetzen könne, wo es in der Vergangenheit zu ausreichend vielen Ereignisse gekommen sei, denn nur an solchen „gelabelten“ Daten könne eine Maschine das Ausfallverhalten „erlernen“. Dabei ist es ebenso möglich, das Verhalten eines gesunden Equipments zu modellieren und ungesunde Abweichungen von diesem Zustand früh zu erkennen, die früher oder später zu einem Ausfall oder einer Funktionsbeeinträchtigung führen werden. Da Maschinelles Lernen mit mehr Variablen und mehr historischen Daten meistens immer präziser wird, sind häufig nicht zu viele Daten das Problem, sondern zu wenige.

Es können Daten aller Art berücksichtigt werden, also zum Beispiel Zustands-, Prozess- und Qualitätsdaten. Mit mehr Variablen nimmt die Wahrscheinlichkeit zu, wichtige Zusammenhänge abzubilden. Die charakteristischen Werte des Anlageteils sollten sensorisch erfasst werden, also zum Beispiel Schwingungen und Axiallagen bei rotierendem Equipment oder Temperaturen und Durchflüsse bei Wärmeübertragern. Idealerweise bilden die historischen Daten alle saisonalen Zustände der Anlage ab und sollten daher mindestens einige Woche, besser mindestens 12 Monate umfassen.

Festlegen einer klaren Vision und Strategie für Zielbild, Vorgehen und Kommunikation

Nachdem man eine detaillierte Bewertung durchgeführt hat, wie sich Predictive Maintenance auf die Methoden, die Wirtschaftlichkeitsbetrachtung und die strategische Anpassung des Geschäfts auswirkt und wie sich das Unternehmen und seine Produktions- und Technikbereiche diese Potenziale zu nutzen machen können, sollten diese Ergebnisse aufbereitet und für alle Betroffenen und Beteiligten gut sichtbar und verständlich zusammengefasst werden. Dabei ist es von besonderer Bedeutung, dass die einzelnen Zielgruppen sauber definiert und getrennt angesprochen werden. Es leuchtet sofort ein, dass die Kommunikation der Predictive Maintenance-Potenziale gegenüber dem Management mit anderem Schwerpunkt diskutiert werden sollten als gegenüber der Mitarbeiterschaft.

Aus unserer Sicht hat es sich bewährt, bei der Erklärung von Innovation und Transformation mit Chancen und Risiken gleichermaßen und ehrlich umzugehen und diese zwar konsequent und zielgerichtet, aber nicht diktatorisch, mit den Betroffenen zu diskutieren. Wichtig ist es, dass die Transformation in Richtung Predictive Maintenance als eine Leitungsaufgabe der Instandhaltung erkannt wird, die sich unweigerlich durch Phasen der enttäuschten Erwartungen, Rückschritte und der Demotivation bewegen wird, bevor schlussendlich die Zielsituation erreicht wird. Daher ist eine unmissverständliche und sichtbare Identifikation der Führungskräfte mit der Predictive Maintenance-Strategie erforderlich.

Entwickeln eines Fahrplans für die Umsetzung über Pilotierung, Anpassung und Roll-out

Die Pilotierung, die Anpassung und das fabrikweite Ausrollen von Predictive Maintenance wird zumindest anfangs am sinnvollsten in Form von Projekten vorgenommen. Für das Management von Projekten unterscheiden wir zwei grundsätzliche Ansätze: Das Wasserfallmodell des klassischen Projektmanagements und das agile Vorgehen, wie es heute oft für Innovations- und Entwicklungsaufgaben vorgeschlagen wird.

Fazit

Der Einsatz von Maschinellem Lernen und von Softwareagenten in der Predictive Maintenance werden mit hoher Wahrscheinlichkeit das Paradigma in der Instandhaltung verändern. Zukünftig wird Instandhaltung aktiver, vorausschauender und vermeidender werden. Dies wird großen Einfluss auf die Geschäftsmodelle von Serviceunternehmen und auf die Make-or-Buy-Strategien von Anlagenbetreibern haben, nicht zuletzt, weil nun auch verstärkt Technologieunternehmen in den Mark für Asset Management drängen.

Tradierte industrielle Servicebereiche und industrielle Serviceunternehmen werden sich in diesem Wettbewerb nur behaupten können, wenn sie lernen, menschliches Wissen durch maschinelle Analyse zu ersetzen und diese Technologie zur neuen Positionierung zu nutzen, ansonsten laufen sie Gefahr, auf rein handwerkliche Arbeit reduziert zu werden und austauschbar zu sein. Wie in diesem Artikel gezeigt, kann Predictive Maintenance bereits heute flächendeckend in der Fabrik implementiert und eingesetzt werden, so dass das Rennen schon eröffnet ist.

Weiterlesen | Teil 1 – Herausforderungen bei der Umsetzung

Dieser Gastartikel von Ahorner & Innovators ist am 19.09.2020 im Rahmen der Blogparade #TheAIFactory erschienen.

Weitere Artikel nach Kategorien:

Meine Daten sollen nicht in Google Analytics erfasst werden.
Summary
Lösungsansätze für die Umsetzung von Predictive Maintenance (2)
Titel
Lösungsansätze für die Umsetzung von Predictive Maintenance (2)
Beschreibung
In der 2-teiligen Artikelserie zum Thema Predictive Maintenance werden im zweiten Teil konkrete Lösungsansätze genannt.
Autor
Veröffentlicht durch
Ingenieurversteher
Logo
Vorheriger ArtikelHerausforderungen bei der Umsetzung von Predictive Maintenance in der Fabrik (Teil 1)
Nächster ArtikelDank Retrofit mit alten Maschinen in die neue Welt der Industrie 4.0
//Analyst//Blogger//Keynote Speaker// zu den Fokusthemen #Industrie40, #IoT und #Digitalisierung. Herzlich willkommen auf meinem Ingenieurversteher-Blog. Hier schreibt ein echter, aber nicht ein typischer Ingenieur. Nach einer soliden Ausbildung bei Siemens zum Feinmechaniker habe ich das Abitur nachgeholt und Maschinenbau studiert. Der Schwerpunkt Informatik im Hauptstudium war wohl der ausschlaggebende Grund, dass es mich in die Software-Industrie gezogen hat wo ich heute noch immer aktiv unterwegs bin. Für die Funktionen Vertrieb, Marketing und Produktmanagement habe ich mich meine Leidenschaft entdeckt – sicherlich nicht immer typisch für einen Ingenieur. Im Rahmen meiner Diplomarbeit haben mich Themen wie „Computer Integrated Manufacturing (CIM)“ beschäftigt. Viele Aspekte sind davon heute umgesetzt. Mit der Digitalisierung unserer Gesellschaft allgemein sowie dem Einzug des Internets in die Produktion stehen wir vor großen Herausforderungen, die uns langfristig intensiv beschäftigen werden. Der klassische Ingenieur wird nun mit völlig neuen Themengebieten konfrontiert. Das war u.a. die Motivation für diesen Blog, die Themenbereiche Industrie 4.0 und Digitalisierung aufzugreifen und regelmäßig darüber zu schreiben – leicht verständlich und nicht technisch tief. Gerade aus diesem Zusammenhang hat sich die Marke „Ingenieurversteher“ entwickelt. Ingenieure sind in der Regel Künstler mit einem sehr tiefen technischen Verständnis. Oft sind sie allerdings nicht in der Lage, technisch komplexe Zusammenhänge leicht verständlich einer Zielgruppe zu vermitteln, die nicht über dieses tiefe technische Wissen verfügt. Um Ideen und Innovationen zu vermarkten, müssen diese in eine leicht verständliche Sprache übersetzt werden. Mit einer Vorliebe für analytisches und strukturiertes Recherchieren , der Leidenschaft für das Schreiben und der Freude am Präsentieren ist die Idee vom „Ingenieurversteher“ entstanden.