Herausforderungen und Mehrwerte beim Einsatz von Predictive Maintenance unter Verwendung von Methoden der intelligenten Datenanalyse in der diskreten Fertigung

Abstract

Der Einsatz von voraussagender Instandhaltung (engl. Predictive Maintenance) in der diskreten Fertigung ist, u.a. für die Steigerung des Wettbewerbsvorteils, zielfüh-rend. Dadurch kann die Lebensdauer von Komponenten optimal ausgenutzt, die technische Verfügbarkeit gesteigert und Wartungen können geplant durchgeführt werden. Für die Realisierung von voraussagender Instandhaltung sind Vorhersage-modelle notwendig. Diese werden in der Regel mit Hilfe von Daten eines Fertigungssystems und Methoden des maschinellen Lernens trainiert. Jedoch ist die Umsetzung der voraussagenden Instandhaltung nicht trivial und es sind entsprechend der Literaturrecherche dieser Arbeit bislang keine alles abde-ckenden Software-Werkzeuge am Markt verfügbar. Dies lässt sich sicherlich auch darauf zurückführen, dass es laut einer Umfrage fünf Kernherausforderungen bei der Umsetzung von Predictive Maintenance gibt. Die Herausforderung über eine ausreichend große Datenbasis zu verfügen, ist dabei als einzige nicht messbar. Be-dingt dadurch sind für die Fertigung bisher keine fundierten Kenntnisse über die Größe der für den Einsatz von voraussagender Instandhaltung notwendigen Daten-basis entwickelt, wissenschaftlich analysiert und in unterschiedlichen Szenarien verglichen worden. Einleitend wird in dieser Arbeit auf die Herausforderungen in der Fertigung für die Vorhersage von Komponentenausfälle eingegangen. Durch einen Systementwurf wird die Generierung von Vorhersagemodellen aufgezeigt und somit eine Möglich-keit zur Realisierung der vorausschauenden Instandhaltung gegeben. Allerdings wird dabei erneut deutlich, dass ohne ausreichende Datenbasis kein Vorhersagemo-dell bei einem datengetriebenen Ansatz trainiert werden kann. Im Hauptteil der vorliegenden Promotionsarbeit wird somit eine Methodik zur Be-stimmung der idealisierten Vorhersagegüte entwickelt, um die notwendige Größe einer Datenbasis abschätzen zu können. Anschließend wird die Methode für ein ein-zelnes Fertigungssystem, nämlich einem Bearbeitungszentrum, unter Betrachtung dreier Szenarien demonstriert. Im ersten Szenario wird davon ausgegangen, dass der Beginn der Datenerfassung sowie das Training und die Nutzung des Vorhersage-modells mit dem Start der Betriebsphase zusammenfällt. Das zweite Szenario hingegen geht von einem späteren Beginn der Datenerfassung und somit auch ei-nem verspäteten Einsatz von voraussagender Instandhaltung aus. Ein weiteres drittes Szenario befasst sich mit der Verbesserung der Vorhersagegüte durch die Nutzung von Daten bzw. Vorhersagemodellen aus baugleichen Systemen. Alle Sze-narien basieren dabei auf einem datengetriebenen Ansatz für das Training der Machine-Learning-Modelle. In einem weiteren Schritt wird die Methodik auf eine Stichprobe bestehend aus 34 Produktionssystemen bzw. 536 Komponenten der Motoren-Komponenten-Produk-tion angewandt, wodurch sich allgemeingültige Gütewerte für jegliche Art von Vorhersagemodellen ableiten lassen. Eine Validierung im Anschluss stellt die Güte-werte direkt auf die Probe. Durch die Werte kann die obere Schranke für das bestmögliche Vorhersagemodell abgeleitet und somit der maximalmögliche Nutzen bestimmt werden. Damit kann auch direkt ermittelt werden, ob sich der Einsatz von Predictive Maintenance bzw. von irgendeinem Vorhersagemodell überhaupt rentie-ren kann. Außerdem ergibt sich daraus direkt, wie groß die dafür notwendige Datenbasis sein muss. Abschließend wird basierend auf den bestimmten Gütewerten für eine Klasse von Produktionssystemen noch quantitativ der Mehrwert von Predictive Maintenance in Form von einer gesteigerten technischen Verfügbarkeit bestimmt und mittels ei-nes Kostenvergleich zwischen reaktiver und voraussagender Instandhaltung aufgezeigt. Die in dieser Arbeit entwickelte und vorgestellte Methodik ist dement-sprechend der erste bekannte Ansatz, welcher eine objektive Abschätzung von voraussagender Instandhaltung in der diskreten Fertigung sowie der für Vorher-sagemodelle notwendigen Datenbasis ermöglicht.

The use of predictive maintenance in discrete manufacturing is useful, among other things, for increasing competitive advantage. This allows the lifetime of components to be optimally utilized, technical availability to be increased, and maintenance to be carried out in a planned manner. Predictive models are necessary for the realiza-tion of predictive maintenance. These are usually trained with the help of data from a manufacturing system and machine learning methods. However, the implementation of predictive maintenance is not trivial and, according to the literature research of this thesis, no software tools covering everything are available on the market so far. This can certainly also be attributed to the fact that, according to a survey, there are five core challenges in the implementation of pre-dictive maintenance. The challenge of having a sufficiently large database is the only one that cannot be quantized. As a result, no well-founded knowledge about the size of the database required for the use of predictive maintenance has yet been develo-ped, scientifically analyzed and compared in different scenarios for manufacturing. As an introduction, this thesis discusses the challenges in manufacturing for the pre-diction of component failures. Through a system design the realization of prediction models is described and, thus, a possibility for the realization of predictive mainte-nance is given. However, it becomes clear again that without sufficient data, no predictive model can be trained in a data-driven approach. In the main part of this thesis a methodology for the determination of the idealized prediction power is developed in order to estimate the necessary size of the un-derlying data pool. Subsequently, the methodology is demonstrated for a single manufacturing system, namely a machining center, considering three scenarios. In the first scenario, it is assumed that the start of data collection as well as the training and use of the predictive model coincide with the start of the operational phase. The second scenario, on the other hand, assumes a later start of data collection and, hence, a delayed use of predictive maintenance. A third scenario deals with the im-provement of the prediction power by using data or, more precisely, prediction models from identical systems. All scenarios are based on a data-driven approach for training the machine learning models. In a further step, the methodology is applied to a sample consisting of 34 production systems or 536 components of engine-component production, allowing generally applicable goodness values to be derived for any type of predictive model. A valida-tion afterwards puts these goodness values directly to the test. The values can be used to derive the upper bound for the optimum prediction model and, thus, the maximum possible benefit. This also makes it possible to determine directly, whe-ther the use of predictive maintenance or of any prediction model can be profitable at all. In addition, the size of the necessary data pool can be determined directly. Finally, based on the determined goodness values for a class of production systems, the added value of predictive maintenance in terms of increased technical availabi-lity and cost comparison between reactive and predictive maintenance is determined quantitatively. Accordingly, the methodology developed and presented in this thesis is the first known approach that allows an objective estimation of pre-dictive maintenance in discrete manufacturing as well as of the data pool necessary for predictive models.