predictive maintenance · predictive maintenance - prof. dr. michael bücker professor für data...
TRANSCRIPT
![Page 1: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/1.jpg)
Predictive Maintenance -
Prof. Dr. Michael BückerProfessor für Data Science
Corrensstraße 25 fon +49 (0)251.83 65-615 [email protected] Münster fax +49 (0)251.83 65-502 www.fh-muenster.de
Einblicke in Theorie und Praxis
![Page 2: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/2.jpg)
2
Kurzvorstellung
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Prof. Dr. Michael BückerProfessor für Data Science, Mathematik und WirtschaftsinformatikFachhochschule Münster
§ Seit 12/2019: Vorstand Institut für Prozessmanagement und Digitale Transformation
§ Seit 03/2018: Professor für Data Science, Mathematik und Wirtschafts-informatik an der FH Münster
§ 05/2011 – 02/2018: Expert und Engagement Manager für Marketing und Data Science bei McKinsey & Company, Inc.
§ 04/2011: Promotion in Statistik an der TU Dortmund
§ 06/2008: Diplom in Statistik an der TU Dortmund
www.buecker.ms
![Page 3: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/3.jpg)
3
Das IPD
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
12 engagierte Professoren mit Ihren Doktoranden und Mitarbeitern
Partner der regionalen mittelständischen Wirtschaft in praxisnahen Fragen zu Prozessmanagement
und Digitaler Transformation
Forschung
Transfer
Weiterbildung
Praxisnahe Forschung, Konferenzen, Publikationen
Transferprojekte, Beratung
Weiterbildungsprogramme, Ringvorlesung, Projektstudium
fh-muenster.de/ipd
![Page 4: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/4.jpg)
4
Datengestützte EntscheidungsprozesseDaten als Grundlage – nicht als Ersatz für Expertise
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Without Big Data you are blind and deaf in the middle of a freeway.
Geoffrey Moore
![Page 5: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/5.jpg)
5
Was ist Predictive Maintenance?
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Prädiktive Instandhaltung
1 2 3 4
Sensoren sammeln Maschinendaten wie Druck, Durchlauf, Temperatur, Helligkeit, Vibration, Lärm
Mit Hilfe von Maschinellem Lernen werden Modelle bestimmt, die Störungen vorhersagen können
Der Algorithmus erkennt frühzeitig einen zukünftigen Ausfall und schlägt Alarm
Die Instandhaltungsarbeiten können geplant werden; es kommt zu keinem Ausfall
![Page 6: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/6.jpg)
6
Was ist Predictive Maintenance?
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Abgrenzung zu reaktiver und präventiver Instandhaltung
Instandhaltung
Reaktiv Proaktiv
Präventiv Prädiktiv
altersbasiert zustandsbasiertfehlerbasiert
zu früh! genau richtig!zu spät!
![Page 7: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/7.jpg)
7
Was ist Predictive Maintenance?
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Abgrenzung zu reaktiver und präventiver Instandhaltung
Reaktiv
Präventiv
Prädiktiv
lange, teure Ausfallzeit
ineffiziente Nutzung durch viel zu frühen Austausch
![Page 8: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/8.jpg)
8
Funktionsweise: Vorhersagemodelle
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Training und Vorhersage
Training
Trainingszeitraum Störung/Ausfall
Vorhersage
Training: Modell bildedZusammenhang ab
heute
Beobachtungszeitraum Ausfall?
Vorhersage: Kenntnisse über Zusammenhang werden genutzt
heute
![Page 9: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/9.jpg)
9
Funktionsweise: Vorhersagemodelle
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Training und Vorhersage
Training
Trainingszeitraum Störung/Ausfall
Vorhersage
Training: Modell bildedZusammenhang ab
heute
Beobachtungszeitraum Ausfall?
Vorhersage: Kenntnisse über Zusammenhang werden genutzt
heute
Reaktionszeit
![Page 10: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/10.jpg)
10
Datengrundlage: Sensordaten
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Arten von Sensoren, Struktur der Daten
§ Es gibt viele verschiedene Arten von Sensoren, die in den Maschinen Informationen erfassen können: Temperatur, Feuchtigkeit, Druck, Vibration, ...
§ Alle haben gemeinsam, dass sie die Information (fast) kontinuierlich erfassen (Frequenz kann in der Regel festgelegt werden)
§ Datenqualität ist in der Regel gut, da Daten automatisch (ohne mensch-liches Zutun) erfasst werden
![Page 11: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/11.jpg)
11
Datengrundlage: Störungen, Ausfälle
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Besonderheiten
Die Datengrundlage für das vorherzusagende Ereignis (Störung) häufig problematisch, denn:
§ Störungen werden in der Regel händisch erfasst, dadurch sehr ungenau (z.B. exakter Zeitpunkt)
§ Störungen werden nur erfasst, wenn sie tatsächlich auftreten, d.h. vor dem typischen Wartungszyklus
§ Die Störungsursache ist häufig nicht eindeutig identifizierbar
![Page 12: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/12.jpg)
12
Verwendung von Sensordaten
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Extraktion der nützlichen Informationen
Reaktionszeit
Störung
Trainingszeitraum
Für jeden Sensor werden für variierende Zeitfenster bestimmte Verhaltensmuster untersucht: § Durchschnittswert§ Extremwerte§ Volatilität§ Trend/Steigung§ Amplitude§ …
... außerdem betrachtet man Zusammenhänge zwischen verschiedenen Sensoren!
![Page 13: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/13.jpg)
13
Funktionsweise von Vorhersagemodellen
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Beispiel Entscheidungsbaum
§ Die aus den Sensordaten erzeugten Informationen werden genutzt, um über einen Algorithmus Regeln zu generieren, die Auskunft darüber geben, unter welchen Voraussetzungen mit einem Ausfall zu rechnen ist
§ Diese Regeln können sehr komplexwerden
§ Es werden sehr viele unterschiedliche Regeln erzeugt
§ Alle Regeln gemeinsam ergeben ein Modell zur Vorhersage von Störungen
Sensordaten
∅ Temp < 66 ∅ Temp ≥ 66
∅Temp < 66?
Druck ≥ 2,5 Druck < 2,5
Druck ≥ 2,5?
ja nein
ja nein
Vibration ≥ 20 Vibration < 20ja nein
Vibration ≥ 20?
Temp < 90 Temp ≥ 90ja nein
Temp < 90
![Page 14: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/14.jpg)
14
Vorhersagehorizont und -genauigkeit
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Möglicher Zielkonflikt
Reaktionszeit
Vorhersage-genauigkeit
Kosten-ersparnis
kurz lang
§ Im Idealfall möchten wir eine möglichst lange Reaktionszeit für die Reparatur bei gleichzeitig hoher Vorhersagegenauigkeit erreichen
§ In der Regel lassen sich nicht Aspekte optimieren: je länger die Reaktionszeit, um so geringer die Vorhersagegenauigkeit
§ Daher muss im Einzelfall genau abgewogen werden
![Page 15: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/15.jpg)
15
Ökonomische Überlegungen
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Wann lohnt sich Predictive Maintenance?
Kosten eines Ausfalls sind extrem hoch, so dass sich ein rechtzeitiger (und möglicherweise verfrühter) Austausch lohnt
Kosten der „Downtime“
Kosten der Reparatur
Überlegungen für eine Kosten-Nutzen Abwägung:
Kosten einer Reparatur sind nicht so hoch, so dass es möglicherweise profitabler ist, bis zum tatsächlichen Ausfall abzuwarten
![Page 16: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/16.jpg)
16
Predictive MaintenanceIndustrieexpertise unerlässlich
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Daten Analysen Fachwissen
![Page 17: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/17.jpg)
17
Ausblick
Prof. Dr. Michael Bücker Innovationsforum PredictiveMaintenance@KMU WFG Kreis Borken 13.02.2020
Weitere Themenfelder im Bereich IoT Analytics
Energie-effizienz
Einstellung von Produktionsprozessen zur Maximierung des Ertrags bzw. der Reinheit oder Qualität der Endprodukte
YieldOptimization
Prozess-optimierung
Anpassung von Prozessabläufen zur Maximierung der Kapazität bzw. Minimierung der Produktionsdauer bei gleichbleibender Qualität
Änderung von Produktionsprozessen zur Minimierung des Energieverbrauchs bei gleichbleibender Qualität und Geschwindigkeit
![Page 18: Predictive Maintenance · Predictive Maintenance - Prof. Dr. Michael Bücker Professor für Data Science Corrensstraße 25 fon +49 (0)251.83 65-615 michael.buecker@fh-muenster.de](https://reader034.vdocument.in/reader034/viewer/2022042709/5f48bc17d803f42f38629821/html5/thumbnails/18.jpg)
Ich freue mich auf Ihre Fragen und eine gute Diskussion!
Prof. Dr. Michael BückerProfessor für Data Science
Corrensstraße 25 fon +49 (0)251.83 65-615 [email protected] Münster fax +49 (0)251.83 65-502 www.fh-muenster.de