Repa­ra­tur- und Instand­set­zungs­maß­nah­men kön­nen zu kost­spie­li­gen Unter­bre­chun­gen der Pro­duk­ti­on füh­ren. Durch Pre­dic­ti­ve Main­ten­an­ce (prä­dik­ti­ve Instand­hal­tung) kön­nen War­tungs­ar­bei­ten so geplant wer­den, dass sie exakt zu den erwar­te­ten Aus­fäl­len pas­sen.

Unser Ansatz bei der Betreu­ung von Kun­den in die­sem Feld ist der fol­gen­de: Pre­dic­ti­ve Main­ten­an­ce ist Instand­hal­tung, die durch die Metho­den des Data Science ver­bes­sert und opti­miert wird.

Vor­tei­le
Mit hoher Wahr­schein­lich­keit sind die Vor­tei­le unse­ren Kun­den deut­lich sicht­ba­rer, als sie es für uns sind, aber es steht zu erwar­ten, dass Ver­bes­se­run­gen bei der Instand­hal­tungs­stra­te­gie zu kür­ze­ren Pro­duk­ti­ons­un­ter­bre­chun­gen (Down­ti­me), gerin­ge­ren Instand­hal­tungs­kos­ten einem bes­se­ren Ver­ständ­nis von Zuver­läs­sig­keit und gerin­ge­ren Garan­tie­kos­ten führt.

Was ist die aktu­el­le Instand­hal­tungs-Stra­te­gie?
Um zu ver­ste­hen, wie eine Ver­bes­se­rung der aktu­el­len Stra­te­gie aus­se­hen kann, ist es wich­tig sich zu ver­ge­gen­wär­ti­gen, was die aktu­el­le Stra­te­gie aus­macht. Die ver­schie­de­nen Niveaus von Instand­hal­tungs­stra­te­gien sehen wie folgt aus:

1. Reak­tiv / Heu­ris­tisch → Ohne Infor­ma­tio­nen, man arbei­tet bis Defekt ein­tritt
2. Prä­ven­tiv / Geplant → Geplan­te Instand­hal­tung (aus­schließ­lich auf Zeit- oder Nut­zen-Basis)
3. Regel- / Sta­tis­tik-basiert → Über­wa­chung des Zustands (per Sen­so­rik)
4. Pro­ak­tiv → Ursa­chen­ana­ly­se zur Feh­ler­ver­mei­dung
5. Prä­dik­tiv → Pro­gno­se von Aus­fäl­len bevor sie auf­tre­ten
6. Selbst­op­ti­mie­rend

Nach Beur­tei­lung der eige­nen Stra­te­gie ist nor­ma­ler­wei­se auch gleich erfasst, wel­che Daten ver­wen­det wer­den und wel­che Tools ver­füg­bar sind.

Was ist der nächs­te Schritt?
Nun kann geplant wer­den, wie man die Stra­te­gie auf das nächs­te Niveau heben kann. Dies kann zusätz­li­che Daten erfor­dern, neue Tools und neue Metho­den.

In vie­len Fäl­len sind ein­fa­che Data-Science-Metho­den der sinn­volls­te nächs­te Schritt. Sol­che Metho­den haben den Vor­teil, dass sie leicht anzu­wen­den und grund­sätz­lich sehr gut ver­füg­bar sind. Unse­re Emp­feh­lung ist es die „nied­rig hän­gen­den Früch­te zuerst zu ern­ten“.

Was ist Data Science?
Data Science ist eine Samm­lung von Metho­den der Sta­tis­tik, des Machi­ne Lear­ning, AI und mehr, die uns hel­fen eine Instand­hal­tungs­stra­te­gie zu ver­bes­sern. Die benö­tig­ten Metho­den kön­nen auf ein­fa­chem Niveau sein, wir z.B. Daten­be­rei­ni­gung, Inte­gra­ti­on, Visua­li­sie­rung, Regel­wer­ke, grund­le­gen­de Sta­tis­tik oder Über­wa­chung oder auch kom­ple­xer sein, wie z.B. fort­schritt­li­che Sta­tis­tik, Data Mining, Machi­ne Lear­ning, AI, inklu­si­ve Modell­ver­wal­tung.

Wel­che Metho­den pas­sen zur Stra­te­gie?
In jedem Fall soll­ten Tools ver­füg­bar sein, um die Daten zusam­men­zu­füh­ren, auf­zu­be­rei­ten und adäquat dar­zu­stel­len.
Für die ver­schie­de­nen stra­te­gi­schen Niveaus pas­sen unter­schied­li­che Metho­den bes­ser als ande­re. Die­se Lis­te soll dazu einen ers­ten Dis­kus­si­ons­an­satz bie­ten:

1. Reak­tiv / Heu­ris­tisch

• Kos­ten Ana­ly­se (Ver­gleich von Stra­te­gien)
• Kon­sis­ten­te Über­wa­chung von Ereig­nis­sen, Reak­tio­nen und Grün­den

2. Prä­ven­tiv / Geplant

• Regel­ba­sier­te Auto­ma­ti­sie­rung
• Prü­fung und Opti­mie­rung der bestehen­den Plä­ne als Basis für zukünf­ti­ge Ver­bes­se­rung
• Relia­bi­li­ty bzw. Über­le­bens­ana­ly­se, Wei­bull, Cox Regres­si­on

3. Regel- / Sta­tis­tik-basiert

• Echt­zeit­über­wa­chung, Alar­mie­rung und Benach­rich­ti­gun­gen
• Sta­tis­ti­sche Pro­zess­len­kung (SPC)
• Fort­schritt­li­che Daten­vi­sua­li­sie­rung

4. Pro­ak­tiv

• Mul­ti­va­ria­te Ana­ly­se, Haupt­kom­po­nen­ten­ana­ly­se, Clus­ter
• Sta­tis­ti­sche Metho­den: Kor­re­la­ti­on, Zeit­rei­hen, Regres­si­on, Chan­ge­point Ana­ly­se, MASS, Ursa­chen­dia­gno­se
• Merk­mals­aus­wahl, -reduk­ti­on und Fea­ture Engi­nee­ring
• Kom­ple­xe Metho­den aus Machi­ne Lear­ning und AI um unbe­kann­te Zusam­men­hän­ge auf­zu­de­cken

5. Prä­dik­tiv

• Prä­dik­ti­ve Model­lie­rung mit­tels Machi­ne Lear­ning und AI
• Modell­ver­tei­lung: Deploy­ment, Aktua­li­sie­rung, Aus­füh­rung auf End­ge­rä­ten, per Ser­vice oder Batch-ori­en­tiert
• Modell­ver­wal­tung

6. Selbst­op­ti­mie­rend

• Über­wa­chung des prä­dik­ti­ven Sys­tems
• Auto­ma­ti­sche und per­ma­nen­te Modell­über­wa­chung und -opti­mie­rung

Das Pro­jekt
Geht man Schritt für Schritt vor, ist es in der Regel sehr ein­fach mit einem Pre­dic­ti­ve Main­ten­an­ce Pro­jekt zu begin­nen. Ein ein­fa­cher Start gelingt mit einer Über­prü­fung und Beur­tei­lung der aktu­el­len Situa­ti­on und der Iden­ti­fi­ka­ti­on aller rele­van­ten Kom­po­nen­ten. Dann kann ent­schie­den wer­den, was die sinn­volls­ten Schrit­te sind, um das Niveau der Stra­te­gie zu erhö­hen und die Instand­hal­tung nach­hal­tig zu ver­bes­sern.