Smart Data Analytics Instandhaltung Workshop 2018
1 gefällt mir34 aufrufe
Der Workshop zum intelligenten Datenmanagement befasste sich mit der Erhebung und Analyse von Daten in der Instandhaltung und Technik, um von Big Data zu Smart Data zu gelangen. Erörterte Themen umfassten Datenqualität, verschiedene Datenarten sowie die Bedeutung von Smart Data und Data Analytics zur Verbesserung von Entscheidungsprozessen und Effizienz. Ziel war es, den Teilnehmern Strategien und Werkzeuge an die Hand zu geben, um Smart Data effektiv zu nutzen und die Wartungskosten zu senken.
Smart Data Analytics Instandhaltung Workshop 2018
- 1. Dokumentation zum Workshop Intelligentes Datenmanagement als Grundlage für Smart Maintenance Smart Data und Data Analytics in Instandhaltung und Technik
- 2. Workshop Kapitel 1 09:00 bis 09:20 Uhr: Vorstellungsrunde und Erwartungsabfrage der Teilnehmer Die Workshopteilnehmer trugen folgende Erwartungen und Themen vor: o Wie werden Daten erhoben? Daten z.T. schwer nutzbar o Wissen auffrischen. Alte Assets > kaum Daten vorhanden o Predictive Maintenance, Quick wins o Datenqualität o Data Mining, Anwendungsfälle, Schnittstellen o Daten erfassen und bündeln o Thema Mitarbeiter o Sensordaten o Daten, SPS, KPIs o Wie kommt man von Big Data zu Smart Data o IKEA-Ansatz: suchen Sie noch, oder finden Sie schon? o Nutzen für das Unternehmen o Verfügbarkeit gut, aber Kosten sollen optimiert werden (HR) o Viel investiert, aber die Ergebnisse sind suboptimal
- 3. Workshop Kapitel 2 09:20 bis 09:30 Uhr: Thema, Sinn und Ziel des Workshops Kurzer Impulsvortrag mit zwei provokante Thesen ▪ die meisten erhobenen Daten sind sinnlos und nicht zielführend ▪ bei ausreichend Sensortechnik und tollen Algorithmen ist die IH safe und finale Zielvorgabe. o Smart Data und Data Analytics in Instandhaltung und Technik o Begriffsdefinition und Verständnis von Smart Data und Data Analytics o Ziel: wie können Smart Data und Data Analytics einen Nutzen in der Instandhaltung, der Technik und dem Unternehmen stiften? (Sicherstellung des gleichen Wissenstands und der gleichen Zielen)
- 4. Begriffsdefinitionen zu Kapitel 2 Begriffsdefinition Smart Data: Smart Data sind Datenbestände, die mittels Algorithmen nach bestimmten Strukturen aus größeren Datenmengen (Big Data) extrahiert wurden und sinnvolle Informationen erhalten. Diese Daten wurden bereits vorher gesammelt, geordnet und analysiert und für den Endverbraucher vorbereitet. Dabei müssen die Daten auch von dem Nutzer verstanden werden können, um ein sinnvolles Ergebnis erzielen zu können. Zu beachten sind dabei die Semantik der Daten, die Datenqualität, die Datensicherheit und der Datenschutz. Smart Data kann sowohl benutzt werden, um unter Nutzung von Rohdaten neue Erkenntnisse zu gewinnen, als auch um Modelle zu schaffen, die für die Analyse von Daten genutzt werden können.
- 5. Begriffsdefinitionen zu Kapitel 2 Begriffsdefinition Data Analytics: Die Datenanalyse verwendet statistische Methoden, um aus erhobenen Daten Information zu gewinnen. Die deskriptive Datenanalyse: (beschreibt die Daten einer ausgewählten Stichprobe oder bei Totalerhebung die Daten der Grundgesamtheit durch Kennzahlen oder grafische Darstellung) Die inferenzielle Datenanalyse: (schließt von der erhobenen Stichprobe auf die Eigenschaften der nicht erhobenen Grundgesamtheit) Die explorative Datenanalyse: (dient dem Entdecken von Zusammenhängen zwischen verschiedenen Variablen) Die kontextbasierte Datenanalyse: (dient dem Entdecken von Konstellationen in inhaltlich zusammenhängenden Daten) Statistische Datenanalysen sind ein fester Bestandteil in vielen Bereichen des täglichen Lebens. Das reicht von der Umfrageforschung über prospektive klinische Studien bis hin zu Analysen von latenten Zusammenhängen in sehr großen Datenbeständen (data mining). Oftmals und zunehmend wird mit Prozentzahlen argumentiert und einschlägiges Datenmaterial präsentiert, das nicht immer den Kriterien einer profunden und zuverlässigen Datenanalyse genügt. Hier werden immer wieder auch einfache handwerkliche Fehler gemacht.
- 6. Workshop Kapitel 3 09:30 bis 10:15 Uhr: Vierer-Übung in der Gruppe - Datenarten (20:10:15 Minuten) Die 15 Teilnehmer wurden in 3 Gruppen eingeteilt und erhielten je ein Flipchart. Die Aufgabe bestand darin, durch Brainstorming alle Datenarten (in Kategorien und dazugehörigen Aspekten) zu erarbeiten. Ergebnisse der Gruppe 1: o Sensordaten o Prozessdaten o Ist-Kosten o „Logbuch“-Daten o Daten der Instandhaltungstätigkeiten o Statistische Daten o Qualitätsdaten (Produktdaten) o Stammdaten o Störungsdaten o Chargendaten o Zeit (konti/diskonti) o Rohdaten/verarbeitete Daten o Automatisch/manuell
- 7. Workshop Kapitel 3 09:30 bis 10:15 Uhr: Vierer-Übung in der Gruppe - Datenarten (20:10:15 Minuten) Die 15 Teilnehmer wurden in 3 Gruppen eingeteilt und erhielten je ein Flipchart. Die Aufgabe bestand darin, durch Brainstorming alle Datenarten (in Kategorien und dazugehörigen Aspekten) zu erarbeiten. Ergebnisse der Gruppe 2: o Sensordaten (rpm, bar, °C) o Prozessdaten (Materialdaten) o Produktionsdaten o Lagerhaltung o Verbrauchsdaten o Instandhaltungsdaten o Verfügbarkeitsdaten o Umgebungsdaten (Wetter, etc.) o Logistikdaten o Auslegungsdaten Eigenschaften: o Text o Zahlen o strukturiert/unstrukturiert
- 8. Workshop Kapitel 3 09:30 bis 10:15 Uhr: Vierer-Übung in der Gruppe - Datenarten (20:10:15 Minuten) Die 15 Teilnehmer wurden in 3 Gruppen eingeteilt und erhielten je ein Flipchart. Die Aufgabe bestand darin, durch Brainstorming alle Datenarten (in Kategorien und dazugehörigen Aspekten) zu erarbeiten. Ergebnisse der Gruppe 3: o Stammdaten o Prozessdaten o Störmeldungen o Betriebsmeldungen o Wartungsdaten o Umgebungsdaten (Temp., Luftfeuchte, etc.) o Ersatzteildaten o Condition Monitoring o Anlagedaten o Qualitätsdaten o KPI
- 9. Workshop Kapitel 3 09:30 bis 10:15 Uhr: Vierer-Übung in der Gruppe - Datenarten Nachdem die 3 Gruppen die Ergebnisse ihrer Gruppenarbeit vorgestellt hatten, trug der Workshopleiter mögliche Kategorien und Aspekte von Datenarten vor. ▪ Funktionsdaten Daten, die das Gesamtverhalten von Anlagen widerspiegeln. - gemeinsame Daten (Leistung, Taktzeit, Output) - spezielle Daten (Pufferzeit, Stillstandzeit) - Verfügbarkeit, Zuverlässigkeit, Ausfallwahrscheinlichkeit ▪ Technische Daten Daten, die die Konstruktion und ihre Systeme charakterisieren - mechanische Daten - elektrische/elektronische Daten - pneumatische Daten - hydraulische Daten
- 10. Workshop Kapitel 3 ▪ Physikalische Daten Besonderheit: meß- und anzeigbar. Können den Beginn einer Störung anzeigen. - ohne Maschinenbezug (Temperatur, Druck, Viskosität, Durchflussmenge) - mit Maschinenbezug (Motortemperatur, Öldruck, Stromaufnahme der Maschine) ▪ Instandhaltungsdaten Wichtige Daten, da sie in der Praxis von verschiedenen Einflüssen beeinflusst werden. Häufig falsch, fehlerbehaftet, lückenhaft, unzweckmäßig oder manipuliert - IH-Stellen-Daten (Anzahl, Art, Zugänglichkeit) - Wartungsdaten (Art, Häufigkeit, Umfang, Folge, Verfahren) - Inspektionsdaten (Art, Häufigkeit, Umfang, Intervalle, Verfahren) - Instandhaltungsdaten (Art, Umfang, Verfahren (aktiv/reaktiv)) - Kostendaten (Arbeitszeit (intern/extern), Verbrauchs- und Ersatzteile)
- 11. Workshop Kapitel 3 ▪ Produktionsdaten Hierbei sind folgende Einflussfaktoren zu beurteilen und zu gewichten: - Maschinendaten (technische-, IH-, Ausfall- und Stördaten) - Personaldaten (Arbeits-, Einsatz-, Positions- und Besetzungsdaten) - Produktdaten (Artikel, Variationen, Inhalt, Gebinde, Abfall) - Verpackungsdaten (Art, Menge, Artikel in welchem Umfang) - Qualitätsdaten (Ausschuss, Hygiene, Nachhaltigkeit) ▪ Konstruktionsdaten Vergleich von Konstruktionsdaten mit Produktaufnahmen ▪ Ergonomische Daten - Mensch-Maschinen-Schnittstelle (Arbeitsbedingungen, -ablauf) - physiologische Aspekte (Exo-Skelette, Sonderstühle, etc.) - Software Ergonomie (User Interface, User Experience)
- 12. Workshop Kapitel 4 10:30 bis 11:00 Uhr: Vierer-Übung in der Gruppe - Arten der Datenerfassung Die 15 Teilnehmer wurden in 3 Gruppen eingeteilt und erhielten je ein Flipchart. Die Aufgabe bestand darin, durch Brainstorming alle Arten der Datenerfassung zu erarbeiten. (Vor- und Nachteile erarbeiten) Ergebnisse der neuen Gruppe 1: Manuelle Datenerfassung - hohe Fehlerhäufigkeit - zeitliche Zuordnung +/- Subjektivität - hoher Aufwand (personell) + Flexibilität + günstig (kein teures Messequipm.) + hohe Identifikation Automatische Datenerfassung +/- Datenmenge -/+ nur die projektierten Daten - höherer Anfangsinvest + kontinuierliche Daten + begrenzbarer + bessere Auswertbarkeit
- 13. Workshop Kapitel 4 10:30 bis 11:00 Uhr: Vierer-Übung in der Gruppe - Arten der Datenerfassung Die 15 Teilnehmer wurden in 3 Gruppen eingeteilt und erhielten je ein Flipchart. Die Aufgabe bestand darin, durch Brainstorming alle Arten der Datenerfassung zu erarbeiten. (Vor- und Nachteile erarbeiten) Ergebnisse der neuen Gruppe 2: automatisch + Qualität + Datenmenge manuell Freitext + Detaillierungsgrad - Auswertbarkeit Dropdown + Auswertbarkeit / Standardisierung - Detailgrad Fotos - Auswertbarkeit semiautomatisch Stammdaten werden vom Lieferant automatisch ins System gespeist + Eindeutigkeit der Daten
- 15. Unser Ansatz Wie können Smart Data und Data Analytics einen Nutzen in der Instandhaltung, der Technik und dem Unternehmen stiften? Wir sind überzeugt, dass Smart Data und Data Analytics in der Instandhaltung und im Unternehmen direkte, positive Effekte bringt, wenn man sicherstellt dass: o der Mensch weiterhin Mittelpunkt des Mensch-Maschinen-System bleibt o Instandhaltungssysteme einen technischen Ansatz haben o eine ausreichend große, empirische validierte Datenbasis vorliegt o ein holistischer Ansatz verfolgt wird o Systeme den Anforderungen des lebenslangen Lernens entsprechen o Algorithmen und Analyseergebnisse proaktive Entscheidungen herbeiführen o Algorithmen und Analyseergebnisse klare Entscheidungshilfen liefern o Systeme messbare wirtschaftliche Ergebnisse liefern o Systeme leicht bedienbar sind und derart akzeptiert werden Steigerung des OEE
- 16. Smart Maintenance nach DIVA ® DYNAMICS 2 3 4 5 6 Digital Twin: Strukturierung der Produktionsanlagen Festlegung der gewünschten Verfügbarkeit Algorithmen bestimmen Ihre IH-Intervalle A) Komponenteneigenschaften B) Betriebszeit C) Umweltparameter DIVA‘s Expertensystem (Bauteilebibliothek) Algorithmen optimierten IH-Intervalle 1 Festlegen der gewünschten IH-Strategien
- 17. Smart Data und Data Analytics WISSENSDATENBANK „Bauteilbibliothek“ Know-how aus 40 Jahren Forschung INTELLIGENTE DYNAMIK Intervalloptimierung und Verfügbarkeitssteuerung durch eigene Algorithmen ERSATZTEIL- OPTIMIERUNG Reduktion der Ersatzteile auf betriebsspezifisches, real notwendiges Maß SMART DATA AUS BIG DATA Lebenslang lernende, automatisierte Wissensarbeit mit Schwachstellenanalysen UI / UX Einfache Bedienung durch den „Mensch im Mittelpunkt“ Kostenoptimierte Zyklen für jedes Bauteil Bestandsvorhersage Algorithmen und Analytics Ergonomie empirisch belegte, valide Daten zu Bauteilen
- 18. Proof of Concept Use Case: Bei mehreren Kunden, z.B. Daimler und Osram, konnten folgende Ergebnisse erzielt werden: o Reduktion der Reparaturkosten bis zu 50 % o Steigerung der Produktivität bis zu 25 % o Einsparung mehrerer 100 Manntage durch die dynamische Komponente o Einsparpotenzial bei der ET-Lagerhaltung bis zu 80 % o Reduktion des administrativen Aufwands bis zu 80 % o Vermeidung mehrerer 100 Stunden Stillstand durch Schwachstellenanalyse o durchschnittliche Pay-back-Zeit unter einem Jahr
- 19. Vielen Dank für Ihre Aufmerksamkeit Im Zollhof 1 D-67061 Ludwigshafen Tel.: 00 49 621 58 71 04-70 info@ias-mexis.com www.ias-mexis.de
- 20. Agenda des Workshops Probleme beim Arbeiten mit Daten: - nur 15 % der Betriebe in der industriellen Fertigung sehen Daten als Teil der Wertschöpfung an - 50 % der Unternehmen arbeiten immer noch ohne CMMS und mit reaktiver IH - 50 % der Unternehmen nutzen Daten für Entscheidungsfindungen gar nicht - fehlender ganzheitlicher Ansatz führt zu Daten-Silos (ERP: Produktionsplanung/-steuerung, MES: Fertigungssteuerung, PLM: Produktdaten, Business- Intelligence-Systeme: Auswertung betrieblicher Daten) - Verschiedene Anwendungsfälle erfordern eine unterschiedliche Herangehensweise bei der Datenauswertung
- 21. Agenda des Workshops Smart Data-Strategien müssen flexibel und anpassbar sein. (fünf V): • Volume (Datenvolumen) • Variety (Datentypen u. -quellen) • Velocity (Änderungsgeschwindigkeit) • Validity (Datenqualität: unpräzise, unstrukturiert, subjektiv) • Value (unternehmerischer Wert i.S.v. Kosten/Nutzen)
- 22. Prognostics Die Eintrittsvorhersage eines bestimmten Ereignisses innerhalb eines Systems Solche Ereignisse könnten sein: ▪ Bauteilversagen ▪ Nichteinhaltung von Funktionen und/oder Performanz ▪ Erreichen einer Systemfunktion (Vibration) ▪ Ende des Einsatzes/Auftrages und ist Der Schlüssel zu CBM (condition based maintenance) ▪ Ungeplante IH-Maßnahmen reduzieren ▪ Anlagensicherheit steigern ▪ Stillstände vermeiden ▪ Operative Effizienz steigern Herausforderung und größtes Problem: Beispiele der Fehlerentwicklung sind schwer zu finden aufgrund periodischer Wartung und Bauteiltausch
- 23. Prognostics Schlüsselzutaten für Prognostics: Fehlverhaltens- und Ausfalldaten ▪ Messdaten ▪ Referenzdaten ▪ Betriebsdaten o Belastungsparameter o Umweltbedingungen ▪ Fehlerschwellen Modelle von Ausfallmechanismen ▪ für jeden Fehler im Fehlerkatalog Unsicherheitsinformationen
- 24. Prognostische Algorithmen Datengetriebene Algorithmen bauen auf großen Datensätzen von Fehlverhaltens- und Ausfalldaten auf. ▪ lernen Gesundheitszustände anhand von Fällen ▪ große Sets von Ausfallkurven nötig, um Algorithmen korrekt zu trainieren ▪ zwingende Auseinandersetzung von Datenverlusten (Fehlfunktion oder gänzliches Fehlen von Sensoren) Modellbasierte Ansätze extrahieren Fachwissen in Form eines Modells ▪ Anwendung von Bauteilverhalten und deren Ausfallverhalten ▪ tragfähiger Ansatz, wenn keine großen Datensätze oder Sensoren vorhanden
- 25. Ziel von Prognostics Man wünscht sich Vorhersagen wie diese, Wie komme ich von hier nach da?aber was ich habe sieht so aus:
- 26. Dinge, die man beachten muss Legen Sie verborgene Informationen frei ▪ Betriebsparameter ▪ Umweltparameter Verwenden Sie Systemwissen ▪ Grund- und Ausgangsdaten - passen Sie diese Daten auf Betriebs- und Umweltparameter an ▪ Daten normalisieren - korrigieren Sie um Initialverschleiß und Variabilität Suchen Sie das Eintrittsmoment von Störungen
- 27. Erfolgreiche datengetriebene Prognose-Algorithmen Neuronale Netzwerkansätze haben typischerweise wiederkehrende Attribute ▪ Echo-State-Netzwerke ▪ Unterschiedliche Richtungen/Ausprägungen wiederkehrender Netzwerke Fallgestützte Ansätze ▪ RUL (remaining useful life) einer Test-Unit (Prototyp) kann Prognosen liefern (Performanzvergleich)
- 28. Wenn keine Daten vorliegen? Modellbasierte Prognosen Fallbeispiel: Verpackungsanlage ▪ leichter Karton ▪ kalte und feuchte Umgebung ▪ ältere Maschine Physikbasierte Modellierung: Zustand der Klebeeinheit definiert durch: ▪ Position der Klebeeinheit ▪ Geschwindigkeit der Klebeeinheit ▪ Alter der Klebeeinheit Zustandsentwicklung definiert durch: ▪ Gewünschten Output ▪ Betriebszeit ▪ Stress- und Umweltparameter Zusatzinput ▪ MTBF und RUL ▪ Klebekraft des Klebebands
- 29. Schlussgedanken Prognostics ist ein Schlüsselelement für Predictive Maintenance ABER: ✓ es gibt keinen einheitlichen Ansatz zur Problemlösung ✓ wählen Sie keinen Ansatz bevor Sie nicht genau Ihr Problem kennen ✓ lösen Sie ein Problem immer mit dem besten Ansatz Schlüsselfragen: ✓ Was sind die Pain Points in Ihrer Instandhaltung? ✓ Haben Sie ausreichend Daten und Know-how für einen Lösungsansatz? ✓ Wurde eine Kosten-Nutzen-Analyse durchgeführt?
- 30. Workshop-Referent Falk Pagel Co-Founder und Geschäftsführer IAS MEXIS GmbH und cySmart GmbH Dozent für Schwachstellenanalyse an der DHBW Mannheim
- 31. Workshop-Referent Kontaktdaten IAS MEXIS GmbH Im Zollhof 1 67061 Ludwigshafen Fon +49 (0) 621 587104-70 www.ias-instandhaltungssoftware.de falk.pagel@ias-mexis.com