Dr. Matthias Nagel, Prof. Dr.-Ing. Ralph Riedel
Ein Hersteller von Maschinen hat n Typen seiner Maschinen an k seiner Kunden geliefert. Alle Daten zu den Kunden, den Maschinen sowie die jeweiligen Lieferanten von Baugruppen sind in seinem Customer-Relationship-Management-System (CRM) erfasst. Bei notwendigen Reparaturen und Wartungen erfassen die Servicemechaniker in Serviceberichten Kunde, Maschine, Zeitpunkt und Art des Service, Ursachen einer Störung, die ersetzten Teile und Kosten ihres Einsatzes sowie des Zeitpunktes, ab dem die Maschine wiederhergestellt ist.
Semantische Analyse von Dokumenten
Durch eine semantische Analyse der Serviceberichte lassen sich deren Daten mit denen aus dem CRM verknüpfen, um damit eine deskriptive Analyse nach der Klassifikation von Gartner durchzuführen, wie die Ausfallzeiten bzw. Ausfallklassen auf die Maschinen verteilt sind (s. Abb. 4). Punkt 1 zeigt die Bildschirmansicht der Anwendung. 2 sind die Maschinen, die man nach Ausfallklassen gefärbt in der Karte von 3 bei den Kunden vorfindet. 4 und 5 sind Details zu Ausfällen und Ursachen, die man in der Anwendung interaktiv analysieren kann.
Durch den Einsatz von Visual Analytics sind die Auswertungen interaktiv, so dass man von den rot gekennzeichneten Ausfallklassen unten links unter Punkt 2 direkt auf die davon betroffenen Chargen, Bauteile und Lieferanten und die Produkte bei den Kunden schließen kann, in denen diese verbaut sind.
Solche Auswertungen gehören nach Gartner bereits zur diagnostischen Analytik und der Maschinenhersteller kann mit Informationen daraus bereits besser planen, welche Baugruppen zu bevorraten oder ob Lieferanten auszutauschen sind, deren Baugruppen häufiger zu Störungen führen.
Abb. 4: Deskriptive Analytik zum Ausfallverhalten
Optimierter Ressourceneinsatz
Der Maschinenhersteller will aber mehr. Zum einen möchte er seinen Kunden einen besseren, proaktiven Service anbieten, um Ausfälle im Betrieb zu vermeiden. Und er möchte anderseits seine Serviceressourcen, Personaleinsatz und Bevorratung mit Ersatzteilen besser planen und außerdem seinen Kunden dafür anbieten, Maschinen durch Sensorik nachzurüsten.
Prozesssicht statt Einzelereignis
Die erforderlichen Daten für dieses Vorhaben hat er mit den Service- und Störungsberichten sogar in seinem Unternehmen. In diesen sollten Informationen zum Kunde und der Maschine, zum Zeitpunkt, und (nach der Reparatur auch recht zuverlässig) die Ursache der Störung, die gewechselten Teile, die Kosten des Einsatzes und der Zeitpunkt der Wiederaufnahme der Funktion enthalten sein. Aus diesen Angaben der Störberichte lässt sich eine Prozesssicht wie in Abb. 5 schematisch dargestellt erstellen. Statt auf lediglich einen einzelnen Störfall zu fokussieren, wird stattdessen die Maschinennutzung als Prozess betrachtet, der von Inbetriebnahme bis zur ersten Unterbrechung ungestört andauert. Durch eine Störung wird dieser Prozess beendet. Die Maschine wird repariert oder gewartet, die Zeitdauer und Ursache dafür sind bekannt. Danach geht die Maschine wieder in Betrieb und bildet damit einen neuen Prozess – bis zur nächsten Unterbrechung.
Abb. 5: Ableitung von Prozessdaten aus Störungsberichten und dem CRM
Wir haben es also mit 2 Prozesstypen {Startzeit; Fehler} und {Startzeit; Maschine up} zu tun, die Daten für eine empirische Ereigniszeitanalyse liefern, bei der nunmehr sowohl Prozesse, die mit einem Ereignis ("Störung", Unterbrechung und weitere Informationen dazu) enden, als auch Prozesse noch ohne dieses Ereignis berücksichtigt werden. Daraus wird zunächst mittels empirischer Modelle die Wahrscheinlichkeit dafür ermittelt, dass die Maschine funktioniert P(OK) oder alternativ dazu ausfällt: 1-P(OK).
Parametrische Ausfallmodelle
Anschließend werden daraus parametrische Modelle abgeleitet, deren Vorteil darin besteht, dass bei bekannten Verteilungen auch umfangreiche Eigenschaften der Daten bekannt sind. Lebensdauer und Ausfallhäufigkeit von Bauteilen oder (spröden) Werkstoffen lassen sich sehr gut durch eine Weibull-Verteilung beschreiben, da sie auch die Vorgeschichte eines Bauteils berücksichtigt und gedächtnisbehaftet ist. Damit kann nicht nur die Alterung eines Bauteils mit der Zeit, sondern auch in Abhängigkeit von dessen Beanspruchung beschrieben werden.
Der Maschinenhersteller berechnet Weibull-Parameter je Typ und Maschine und sogar für Baugruppen und wendet diese Parameter auf Maschinendaten im CRM an (Abb. 6). Punkt 1 zeigt die Wahrscheinlichkeiten für einen Ausfall je Maschinentyp. Diese Kurven sind in 2 vergrößert dargestellt. Zoomt man in den rot eingerahmten Bereich hinein, erhält man die Maschinen mit hoher Ausfallwahrscheinlichkeit bzw. nur noch geringe Lebensdauer (Ausschnitt 3). Diese Maschinen befinden sich bei den Kunden in der Karte von Punkt 4.
Abb. 6: Vorhersage von Ausfallwahrscheinlichkeiten bei Maschinen
Ausfallwahrscheinlichkeit und Restlebensdauer
Als Ergebnis erhält der Hersteller je Maschine oder sogar Baugruppen Kurven wie in der Abb. 5 in der Mitte, mit denen für die Maschinen bei Kunden mittels Wahrs...