Predictive Maintenance & Quality: Qualitätssteigerung in der Produktion

Gerade im Umfeld umfangreicher Maschinenparks und automatisierter Produktionssysteme, wie sie beispielsweise in der Serienfertigung weit verbreitet sind, kommt es auf optimierte Auslastung und hohe Verfügbarkeit der Technik an.

Stillstandszeiten von Maschinen und Anlagen haben naturgemäß einen direkten Einfluss auf die Auslastung (und damit auf die Overall Equipment Effectiveness bzw. OEE) und somit auch auf die Produktionskosten. Ungeplante Störungen spielen dabei eine herausragende Rolle.

Daher werden oftmals zyklische und vorbeugende Wartungsmaßnahmen ergriffen, um solchen Störungen des Produktionsflusses aus dem Weg zu gehen. Diese Maßnahmen verursachen potentiell unnötige Kosten durch Stillstände oder Ersatzteilverbrauch und daraus abgeleitet höhere Bestände an „kritischen“ Teilen.

Neben den klassischen Methoden der Wartung und Instandsetzung (reaktiv, geplant, vorbeugend) entstehen mit der Verfügbarkeit vom immer mehr Daten aus dem Produktionsprozess und seinem Umfeld weitere Möglichkeiten. Die vorhandene Datenbasis kann verwendet werden, um mit Hilfe von Anwendungen auf der Basis künstlicher Intelligenz Vorhersagen über Instandhaltungsereignisse in der Zukunft zu machen. Die technologischen Voraussetzungen (Datenerfassung, Rechentechnik) dazu haben sich in den letzten Jahren dramatisch verbessert. Heute stehen in vielen Fällen genügend und belastbare zeitsynchrone Daten für KI-Anwendungen zur Verfügung.

Die vorhandene Datenbasis kann verwendet werden, um mit Hilfe von Anwendungen auf der Basis künstlicher Intelligenz Vorhersagen über Instandhaltungsereignisse in der Zukunft zu machen.

Kosten durch Stillstand vermeiden

Die Maschinenstillstände haben einen direkten Einfluss auf die Auslastung und Kostenstruktur und werden oft planerisch nicht berücksichtigt. Herausragend als Störungen in der Fertigung sind ungeplante Stillstände. In der Vergangenheit wurden zyklische Wartungen „zur Sicherheit“ (vorbeugend) durchgeführt, um dieser Art von Ausfällen zu begegnen. Diese Wartungen sind kostenintensiv und erhöhen den Bedarf an Ersatzteilen und/oder verursachen Kosten durch externe Wartungspartner – abgesehen von den Unterbrechungen im Produktionsfluss.

Ein zusätzlicher Aspekt ist die Qualität der hergestellten Produkte. Der Wartungszustand von Anlagen und Werkzeugen hat einen direkten Einfluss darauf. Auch hier ergeben sich Möglichkeiten für den Einsatz von vorausschauender Wartung. Beispielhaft genannt sei hier das Driftverhalten von Produktionstechnik durch Abnutzung oder nicht-optimale Betriebsbedingungen. Qualitätsdaten werden zwar erfasst  – konnten aber vielfach nicht mit den Maschinendaten in Beziehung gesetzt werden. Heute können alle diese Betriebsparameter ausgewertet und analysiert werden. Auch verdeckte Zusammenhänge lassen sich durch KI-gestützte vorausschauende Wartung entdecken. Auf diese Weise werden auch Hinweise zur Verbesserung der Prozesse oder dem Setup der Produktionstechnik gegeben. Instandhaltungsmaßnahmen werden planbar und Qualitätsabweichungen minimiert.

Driftverhalten bei der Qualität von Produkten

Ein weiterer Aspekt ist die Qualität der hergestellten Produkte oder Baugruppen. Der Wartungszustand der Ausrüstung und Werkzeuge hat einen direkten Einfluss auf die Qualität (und damit ebenfalls auf die OEE). Insbesondere automatisierte Produktionssysteme zeigen ein Driftverhalten bei der Qualität der produzierten Güter. Dies kann an Abnutzung oder ungünstigen Betriebsbedingungen liegen.

Daten aus ERP und MES nutzen

Es kommt nun darauf an, nicht nur die reinen maschinenbezogenen Betriebsdaten (z.B. Druck, Temperatur, Drehzahl) zu berücksichtigen, sondern auch die erfassten (oder erfassbaren) Qualitätsdaten (z.B. Toleranzen, Oberflächengüte, Funktion).

Dazu müssen diese Daten zueinander in Beziehung gesetzt und bewertet werden. Alle diese Daten sind im Verbund von ERP, Qualitätsmanagement und MES, je nach Konfiguration der Anwendungen und Systemstruktur, verfügbar.

KI ermittelt Wartungstermine

Die PSI bietet auf der Grundlage von relevanten und gelabelten Maschinendaten KI-basierte Werkzeuge zur Ermittlung von sinnvollen Wartungsterminen als Ergänzung zu den PSI-eigenen ERP und MES-Lösungen an. Neben den Maschinendaten fließen auch Daten aus Aufträgen, Materialien, Qualitätsdaten oder auch der Wartungshistorie ein. Ebenso finden auch erwartete Nutzungsdaten aus bereits eingeplanten Aufträgen Eingang in die Terminierung von Wartungsaktivitäten.

Zur Anwendung kommen Methoden des Deep Learning und der erweiterten Fuzzy-Logik (Deep Qualicision Technologie). Die Bewertung der Daten erfolgt durch ein sogenanntes qualitatives Labeln. Wechselwirkungen zwischen bestimmten Daten werden identifizierbar und können berücksichtigt werden. Unternehmerische Aspekte wie die Kritikalität einer Anlage können durch unterschiedliche Gewichtung einzelner Kriterien ebenfalls betrachtet werden.

In der Verbindung mit dem PSI Instandhaltungsmanagement wird die Durchführung und Dokumentation aller Aktivitäten abgesichert. Die Wartungsdaten fließen wieder in den Prozess ein und verbessern kontinuierlich die Vorhersagen zu notwendigen Wartungsaktivitäten.

Mit Predictive Maintenance & Quality schnell Ergebnisse erzielen

Die Einführung einer solchen Methodik kann, abhängig vom Umfang des Maschinenparks oder dem Fokus auf kritische Anlagen oder Engpässe, kurzfristig erfolgen. Voraussetzung ist natürlich die Vernetzung der Anlagen und vorhandene Sensorik. Neben der kontinuierlichen Vergrößerung der Datenbasis kann auch Erfahrungswissen aus der Auftragsabwicklung einbezogen werden. Gerade am Beginn der Einführung können so noch schneller Ergebnisse erzielt werden.