Embed Size (px)
Citation preview
PREDICTIVE MAINTENANCEAS A SERVICE
EIN FALLBEISPIEL AUS DER LEBENSMITTELINDUSTRIE
THOMAS FRITZ & MARC BRANDNERBÖBLINGEN, 22. JUNI 2017
AGENDA
ÜBERBLICK
FALLBEISPIEL
PREDICTIVE MAINTENANCE AS A SERVICE
ÜBERBLICK
Predictive Maintenance as a Service – Ein Fallbeispiel aus der Lebensmittelindustrie
22.06.2017 CENIT EIM Innovationstag 4
ÜBERBLICKPREDICTIVE MAINTENANCE & QUALITY
• Analyse der Produktionsdaten von Industrieanlagen• Defekte von Maschinen und Bauteilen vorhersehen• Ungeplante Ausfälle rechtzeitig verhindern• Ausschuss durch gezielte Veränderungen messbar verringern• Abläufe in der Instandhaltung optimieren
Predictive Maintenance Quality
VorausschauendAusfälle
prognostizieren
WartungWartungsplanung
optimieren
QualitätAusschussverringern
&
22.06.2017 CENIT EIM Innovationstag 5
ÜBERBLICKINSTANDHALTUNGSMODELLE
REAGIERENDREACTIVE
Ausschließlich ungeplante Wartungen nach dem Eintritt von Defekten.
VORBEUGENDPREVENTIVE
In festen Abständen erneuern, auch dann, wenn noch kein Defekt eingetreten ist.
REPARIERENVORBEUGEN
ÜBERWACHENDCONDITION-BASED
Defekte werden kurzfristig erkannt und werden dadurch frühzeitig behoben.
ERKENNEN
VORAUSSCHAUENDPREDICTIVE
Defekte werden frühzeitig prognostiziert, um die Auswirkungen der Instandhaltung zu minimieren.
VORHERSAGEN
FEUERWEHR
VORSORGE
OPTIMIERUNG
KONTROLLE
22.06.2017 CENIT EIM Innovationstag 6
ÜBERBLICKBEISPIELARCHITEKTUR
Produktions-schritt
Produktions-schritt
Sensorik
MESSystem
Produktions-linie
ERPSystem
Produktionsdaten Transfer Analyse
MessagingClient
MessagingBroker
LANWAN
DataflowProcessing Predictive
AnalyticsEngine
AnalyticsDatabase
DashboardsBerichte
Alarmierungen
ETL
?
22.06.2017 CENIT EIM Innovationstag 7
PREDICTIVE MAINTENANCE IN DER PRAXISDER RICHTIGE EINSTIEG (I)
Aus kleinem Anfangentspringen alle Dinge.
CICERO (106 - 43 v. Chr.)
ANALYSE-VORBEREITUNG
EXPLORATIVEANALYSE
DETAIL-ANALYSE
ERGEBNIS-QUALIFIKATION
PRÄSENTATION &ANWENDUNG
?
PILOTANALYSE
?
?
?
Welche Probleme möchte ich lösen?Welche Abläufe möchte ich optimieren?Welche Analysen kann ich ohne Upfront-Investionen fahren?Welche Analyseergebnisse könnten wir heute schon gewinnbringend einsetzen?
?
?
?
?
Haben wir genug Daten für „Big Data Analytics“?Wie kommen wir an all die überall verteilten Daten?Wie teuer werden die nötigen Spark-Cluster und Hadoop-Systeme?Nach wie vielen Monaten haben wir die ersten Ergebnisse?Wie schütze ich mich vor Fehlinvestitionen?
FALLBEISPIEL
Predictive Maintenance as a Service – Ein Fallbeispiel aus der Lebensmittelindustrie
22.06.2017 CENIT EIM Innovationstag 9
FALLBEISPIELEINE TYPISCHE PILOTANALYSE
• Das untersuchte Problem … … ist in unter 5 Minuten erklärbar … hat wenige Abhängigkeiten zu anderen Produktionsschritten … verursacht vergleichsweise hohe Instandhaltungskosten
• Zu große Datenmengen in der Ursachenanalyse … … führen zur Entdeckung von Mustern, die keine sind … lenken von den eigentlichen Ursachen ab
• Kennzahlen und Visualisierungen sind … … leicht verständlich … transparent … aussagekräftig
• Mitarbeiter aus der Instandhaltung werden einbezogen in … … die Erarbeitung von Berichten und Kennzahlen … die Qualifizierung von Ergebnissen … die Integration der Ergebnisse in Planungsprozesse
22.06.2017 CENIT EIM Innovationstag 10
FALLBEISPIELAUSGANGSLAGE
ABFÜLLUNG GASHALTIGER GETRÄNKE AUTOMATISIERTE GEGENDRUCKBEFÜLLUNG
1 2EvakuierungVakuum in der Glasflascheherstellen, um Sauerstoffzu reduzieren
Spülenmit Kohlenstoffdioxid-Gemisch
3 4 BefüllungKohlenstoffdioxidentweicht beiBefüllung mit Bier
VorspannenPassenden Abfülldruckmit Kohlenstoffdioxidherstellen
Bei Befüllung die Bindung von Sauerstoff und das Überschäumen beim Abfüllvorgang durch Überdruck in der Glasflasche verhindern.
22.06.2017 CENIT EIM Innovationstag 11
FALLBEISPIELPROBLEMSTELLUNG
PROBLEMBESCHREIBUNG
Problem: Tatsächlicher Flascheninnendruck nichtmessbar, da Sensorik nicht vorhanden und zu teuer.
• Zu geringe FüllhöheFlaschen nicht ausreichend gefüllt
• Erhöhter AusschussAussortierung in der Qualitätskontrolle nach Befüllung besonders teuer
• Erhöhter ReinigungsaufwandAbfüller muss öfters gereinigt werden
• Ausweitung des ProblemsUrsächliche Defekte bleiben unerkannt und führen ggf. zu Totalausfall
AUSWIRKUNGEN
Symptom: Überschäumen bei der BefüllungAuslöser: Undichtes Ventil am CO2-Tank
22.06.2017 CENIT EIM Innovationstag 12
FALLBEISPIELMODELLIERUNG
• CHAID-EntscheidungsbaumModell aus 4 Wochen historischer Daten
• ErgebniswertWahrscheinlichkeit für VENTIL UNDICHT
• Abgleich mit TestdatenGesamtgenauigkeit > 95%
PROGNOSE MIT ENTSCHEIDUNGSBAUM
WICHTIGSTE PRÄDIKTOREN
CO2-VerbrauchUnübliche Erhöhung des Verbrauch gegenüber Normalbetrieb
Abgefülltes ProduktUnterschiedliche Abfülldrücke jeProduktart notwendig (Pilsner, Weizen …)
Momentane AbfüllrateRückschluss auf Auslastung und Belastung der Abfüllanlage
Ausschussrate in QualitätskontrolleÜbergeschäumte Flaschen habenniedrigere Füllhöhe und werden aussortiert
ZIEL
1. Undichtigkeit am Ventil vor Eintritt von Auswirkungen erkennen
2. Ventil tauschen
Wie kann die Entstehung eines Lecks trotz fehlender Sensoren prognostiziert werden??
22.06.2017 CENIT EIM Innovationstag 13
FALLBEISPIELERGEBNISSE
OPERATIONALISIERTE ANALYSE
• Minütliche Berechnung eines HealthscoresZustand des Ventils zu jeder Zeit erkennbar
• AlarmierungMomentaner Healthscore (0% — 100%)
• PrognoseZeitliche Veränderung des Healthscores
NUTZEN
71%
HealthscoreDichtung
Ventil Abfülldruck
• Verhinderung ungeplanter AusfälleAusreichend Vorlaufzeit für Wartungsplanung
• Längere VorwarnzeitenPrognose ermöglicht rechtzeitige Bereitstellung von Ersatzteilen
• Effizientere Durchführung der InstandhaltungZusammenlegung bereits geplanter Reparaturen verringert Ausfallzeit
100
80
60
40
20
0
04:00 06:00 08:00 10:00 12:00 14:00 16:00 18:00
PREDICTIVE MAINTENANCE AS A SERVICE
Predictive Maintenance as a Service – Ein Fallbeispiel aus der Lebensmittelindustrie
22.06.2017 CENIT EIM Innovationstag 15
PREDICTIVE MAINTENANCE IN DER PRAXISKRITISCHE ERFOLGSFAKTOREN
KRITISCHE ERFOLGSFAKTOREN
Vorhaben für den Einstieg zu umfangreich
Konkreter Nutzen nicht klar formulierbar
Kosten für Zielerreichung nicht überschaubar
Vision zu detailliert
Sackgassen vermeiden
EMPFEHLUNG
Beginnen mit kleinem, aber sichtbarem Anwendungsfall
Anwendungsfall kommt aus der Produktion oder Instandhaltung
Vorhandene Daten und Infrastruktur nutzen
Mit den Erkenntnissen wachsen
Klein anfangen, groß denken!
Viele Daten ohne konkrete Fragen Betrachtete Datenbasis schrittweise erweitern
22.06.2017 CENIT EIM Innovationstag 16
PREDICTIVE MAINTENANCE AS A SERVICEÜBERBLICK
Daten Domänenexpertise
InfrastrukturAnalyseErkenntnisse
FertigendesUnternehmen
CENIT
Optimierung in der Produktionanstatt zusätzlicher IT-Komplexität
Innovation ohne Upfront-Investitionin Software & Infrastruktur
Technologieunabhängigkeit für den Kunden
22.06.2017 CENIT EIM Innovationstag 17
PREDICTIVE MAINTENANCE AS SERVICEUNSERE PMQ-SERVICES
22.06.2017 CENIT EIM Innovationstag 18
KANN ICH MEINE INSTANDHALTUNG VERBESSERNUND STILLSTANDSZEITEN REDUZIEREN,OHNE IN SOFTWARE, IT-INFRASTRUKTUR UND PERSONAL ZU INVESTIEREN ?
WARUMNICHT?Predictive Maintenance ServiceProduktionsausfälle minimieren, Reparatur- und Wartungsarbeiten optimieren
VIELEN DANK.
MARC BRANDNERConsultant Industries and InnovationEnterprise Information Management
Telefon: +49 (0)711 7825 3298Mobile: +49 (0)151 52745 397E-Mail: [email protected]
CENIT AGIndustriestrasse 52-5470565 Stuttgartwww.cenit.com
THOMAS FRITZSenior Account ManagerEnterprise Information Management
Telefon: +49 (0)69 668018-0Mobile: +49 (0)151 52745 116E-Mail: [email protected]
CENIT AGLyoner Str. 2060528 Frankfurtwww.cenit.com
22.06.2017 CENIT EIM Innovationstag 20
DISCLAIMER
22.06.2017 CENIT EIM Innovationstag 21
ABBILDUNGSQUELLEN & REFERENZEN
Icons from flaticon.com• Icon made by Gregor Cresnar • Icon made by Elegant Themes• Icon made by Freepik• Icon made by Madebyoliver• Icon made by Madebyoliver• Icon made by Freepik• Icon made by Madebyoliver• Icon made by Roundicons• Icon made by Roundicons• Icon made by Freepik• Icon made by Gregor Cresnar• Icon made by Freepik• Icon made by Freepik• Icon made by Freepik• Icon made by Freepik• Icon made by Freepik• Icon made by Freepik• Icon made by Freepik• Icon made by Roundicons• Icon made by Madebyoliver• Icon made by Freepik• Icon made by Freepik• Icon made by SimpleIcon• Icon made by Freepik• Icon made by Freepik• Icon made by DinosoftLabs• Icon made by Madebyoliver• Icon made by Madebyoliver• Icon made by Freepik
• Icon made by Freepik• Icon made by Madebyoliver• Icon made by Vectors Market• Icon made by Madebyoliver• Icon made by Freepik• Icon made by Freepik• Icon made by Madebyoliver• Icon made by Madebyoliver• Icon made by Madebyoliver• Icon made by Madebyoliver• Icon made by Madebyoliver• Icon made by Madebyoliver• Icon made by Vectors Market• Icon made by Madebyoliver• Icon made by Vectors Market• Icon made by Freepik
Acknowledgements
• Conway, Drew - The Data Science Venn Diagram, 2010 (Slide 6)
• Susanne Blüml, Sven Fischer - Handbuch der Fülltechnik: Grundlagen und Praxis für das Abfüllen flüssiger Produkte, 2004
