Nutzenorientierter Einsatz digitaler Systeme zur Prozessüberwachung
Implementierungsansatz zur Umsetzung „digitaler Services“ in der Instandhaltung mit Hilfe maschinellen Lernens

Alexander Busse, Jonas Lauer und Joachim Metternich

Maschinelles Lernen ermöglicht es, Gesetzmäßigkeiten in Daten zu „erlernen“ und zur Maschinenzustandserkennung und –prognose zu nutzen. Dies kann in der Produktion zur Prozessstabilisierung genutzt werden, indem Ergebnisse der Daten- analysen in Planung und Steuerung von Instandhaltungsaufträgen verwendet werden. Im folgenden Beitrag wird ein strukturierter Implementierungsansatz zur zielgerichteten Auswahl digitaler Anwendungsfälle vorgestellt.

Die fortschreitende Vernetzung von Maschinen durch günstigere Sensorik sowie leistungsfähige Informations- und Kommunikationstechnik ebnen den Weg für eine datengetriebene Maschinenzustandsüberwachung. Verfahren der Datenanalyse – unter anderem im Bereich des Maschinellen Lernens – ermöglichen es, aus den meist mehrdimensionalen Maschinendaten Aussagen über den gegenwärtigen bzw. Prognosen zum zukünftigen Gesundheitszustand von Komponenten abzuleiten. In der Instandhaltung von Maschinen kann dieses Wissen vorbeugend genutzt werden: Die Zustandserkennung beantwortet die Frage, welchen Abnutzungszustand eine Maschinenkomponente erreicht hat und ermöglicht es, auf entsprechende Zustandsveränderungen zu reagieren. Während die
Zustandserkennung lediglich ein Reagieren auf Zustandsveränderungen ermöglicht, versucht die Zustandsprognose zukünftig eintretende Maschinenzustände vorherzusagen und in Form der sogenannten Restlebensdauer (engl. Rest of useful life - RUL) einen Indikator über die verbleibende Nutzungszeit bis zum Komponenten- bzw. Maschinenausfall zur Verfügung zu stellen. Dies ermöglicht ein proaktives Planen von Instandhaltungstätigkeiten und stellt die Grundlage der voraussagenden Instandhaltung dar, durch die Ausfälle und korrespondierende Ausfallfolgekosten (z. B. Produktionsausfall) verhindert werden können [1]. 

Grundlage der Zustandsprognosen sind historische Datenreihen mehrerer Schadensverläufe, bei denen letztlich das physikalische Abnutzungsverhalten (z. B. Rissausbildung) mit Hilfe mathematischer Verfahren modelliert und zur Abbildung des Zustandsverlaufs genutzt wird. Nach erfolgreicher Modell-
erstellung werden aktuelle Messdaten mit Messdaten angelernter Fehler verglichen. So können ein auftretender Fehler (z. B. fortgeschrittener Lagerschaden) klassifiziert und ein Gesundheitszustand bestimmt werden. Basierend auf dem bisherigen Zustandsverlauf wird anschließend eine Prognose erstellt, welche zusätzlich auch weitere Faktoren (bspw. Maschinenbeanspruchung) berücksichtigen kann. Die prognostizierte Restlebensdauerschätzung kann nun zur Planung und Durchführung von Instandhaltungstätigkeiten (im Folgenden als Services bezeichnet) genutzt werden, so dass die gesetzten Produktionsziele möglichst gut erfüllt werden [2]. 


Bild 1: Beispielhafte Handlungsoptionen in Abhängigkeit
der RUL (Quelle: eigene Darstellung)

Die Prognose des Zeitpunkts eines (möglichen) Maschinenausfalls eröffnet also einen planerischen Spielraum, um die innerhalb der RUL verfügbaren Handlungsoptionen optimal auf das Produktionsprogramm abzustimmen [3]. Diverse Forschungsbeiträge weisen den Mehrwert der Maschinenzustandsprognose als Grundlage einer Optimierung der Instandhaltungszeitpunkte nach, basieren dabei jedoch meist auf der Annahme, dass die Restlebensdauer über das gesamte Komponentenleben bekannt und eine vollständige Planung der Instandhaltungstätigkeiten stets möglich sind. Plötzlich auftretende Fehler mit kurzer Zeit bis zum Defekt führen jedoch dazu, dass nicht für alle Zustandsprognosen eine großzügige Vorlaufzeit erzielbar ist. Dies reduziert in Verbindung mit eingeschränkter Planungs- bzw. Reaktionsflexibilität die Handlungssmöglichkeiten: Beispielsweise kann eine RUL-Prognose von wenigen Stunden unter Umständen nicht mehr im Rahmen einer Instandhaltungsplanung berücksichtigt werden, die nur einmal zum Wochenbeginn durchgeführt wird. Andererseits sind andere, kurzfristige Services denkbar, wie beispielsweise die proaktive Materialversorgung mit Ersatzteilen aus dem Zentrallager.

Daraus folgt, dass der Lösungsraum möglicher Servicefälle durch die erzielbare RUL-Prognose und damit letztlich durch das physikalische Abnutzungs- bzw. Ausfallverhalten bestimmt wird. Im Zuge der Bestimmung möglicher Nutzenszenarien sind daher die Kenntnis über auftretende Ausfallarten sowie ihre Ursachen und zeitlichen Verläufe nötig. Ein Beispiel möglicher RUL-bedingter Servicefälle kann Bild 1 entnommen werden.
 

[Wenn Sie weiterlesen möchten, klicken Sie hier]