Workshopdokumentation von Falk Pagel bzgl. intelligentes Datenmanagement als Grundlage für Smart Maintenance. Erwartungen der Teilnehmer, Definition von Smart Data und Data Analytics. Gegenüberstellung analoger und digitaler Prozesse von Störmeldungen in der Anlageninstandhaltung. Wirtschaftliche Betrachtung des Einsatzes digitaler Lösungen mit Einsparpotentialen, ROI-Berechnung und Smart Analytics.

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