Predictive Maintenance and Quality
Kleiner Anfang, große Wirkung
Aus der Praxis
Ein Beispiel: In der Fertigung eines mittelständischen Unternehmens werden verschiedene Metallteile durch Nietvorgänge zusammengefügt. An jeder Station im Produktionsverlauf wird dabei mit mehreren Nietdöppern gefertigt, wobei der Ausfall nur eines Nietdöppers in einer einzelnen Station zu einer Unterbrechung des gesamten Prozesses führt. Zudem führt unerkannter erhöhter Verschleiß eines Nietdöppers zu erhöhtem Ausschuss. Für die Verfügbarkeit der Gesamtanlage und die Qualität des gesamten Prozesses ist es daher von Vorteil, die einzelnen Nietdöpper mittels einer Predictive-Maintenance-Lösung zu analysieren, um Verschleiß und Ausfälle vorherzusagen. Dass das möglich ist, konnte bereits im Rahmen einer explorativen, prototypischen Analyse nachgewiesen werden. Zudem wurde – auch ohne vollständige Erfassung des gesamten Produktionsprozesses – die Einsatzfähigkeit und der Nutzen einer PMQ-Lösung validiert. Durch den Einsatz von Datenanalysen und eines Machine-Learning-Ansatzes war es möglich, Veränderungen im Nietvorgang zu erkennen und deren Folgen zu prognostizieren.
Beispiel Getränkeindustrie
Ein weiteres Beispiel stammt aus der Getränkeindustrie: Dort werden Bierflaschen im sogenannten Gegendruckverfahren befüllt. Stimmen der Vorspanndruck in der Flasche und der Abfülldruck nicht überein, führt dies zu Überschäumen und zu Unterfüllungen der einzelnen Flaschen und letztlich zu ungeplanten Stillstandzeiten bei den Maschinen und entsprechenden Reinigungsarbeiten. Da der Innendruck pro Flasche technisch bedingt nicht gemessen werden kann, werden Prädiktoren aus Umgebungsvariablen ermittelt – u.a. die Menge des verwendeten CO2, die Anzahl abgefüllter Flaschen und die Gesamtmenge der abgefüllten Sorte. Anschließend werden mithilfe eines prädiktiven Modells Korrelationen für positive und negative Fälle generiert. Nach dem Training dieses Modells können über einen ‚Healthscore‘ Zustandsbeschreibungen und Vorhersagen über mögliche Ausfälle getroffen werden.
Iteratives Vorgehensmodell
Cenit hat ein iteratives Vorgehen entwickelt, das sich in unterschiedlichen Situationen anwenden lässt. Um initiale Investitionskosten zu vermeiden, wurde dafür das Pay-per-Use-Modell eingeführt. So wird die Verschmelzung von IT-(Cloud-) Plattformen, Branchen- und Prozessexpertise zu einer individuellen Lösung mit einem pauschalem Abrechnungsmodell möglich. Die damit verbundene Verschiebung von Capex (Capital Expenditure) zu Opex (Operational Expenditure) ist für viele ungewohnt. Es ist daher sinnvoll, sich früh damit zu befassen, um mögliche Fragen zu klären.
Klein anfangen
Der Einstieg in KI-basierte IoT- und/oder Predictive-Maintenance-Lösungen setzt nicht zwingend eine End-to-end-Betrachtung des gesamten Produktionsprozesses voraus. Ein Einstieg über Analyse und Vorhersage in einzelnen relevanten Produktionsschritten ist empfehlenswert und wird durch Managed-Services-Modelle ermöglicht. Der Fokus sollte erfahrungsgemäß nicht auf der IT-technischen Umsetzung liegen, sondern auf der partnerschaftlichen Zusammenarbeit zwischen den Produktions- und Predictive-Experten.
