SlideShare ist ein Scribd-Unternehmen logo
Dokumentation zum Workshop
Intelligentes Datenmanagement als Grundlage für Smart Maintenance
Smart Data und Data Analytics
in Instandhaltung und Technik
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
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)
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.
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.
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
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
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
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
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)
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)
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
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
Smart Data Analytics Instandhaltung Workshop 2018
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
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
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
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
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
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
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)
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
Prognostics
Schlüsselzutaten für Prognostics:
Fehlverhaltens- und Ausfalldaten
▪ Messdaten
▪ Referenzdaten
▪ Betriebsdaten
o Belastungsparameter
o Umweltbedingungen
▪ Fehlerschwellen
Modelle von Ausfallmechanismen
▪ für jeden Fehler im Fehlerkatalog
Unsicherheitsinformationen
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
Ziel von Prognostics
Man wünscht sich Vorhersagen wie diese,
Wie komme ich
von hier nach da?aber was ich habe sieht so aus:
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
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)
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
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?
Workshop-Referent
Falk Pagel
Co-Founder und Geschäftsführer IAS MEXIS GmbH und cySmart
GmbH
Dozent für Schwachstellenanalyse an der DHBW Mannheim
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

Weitere ähnliche Inhalte

Ähnlich wie Smart Data Analytics Instandhaltung Workshop 2018

Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...
Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...
Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...
Transferagentur Mitteldeutschland für Kommunales Bildungsmanagement (TransMit)
 
Intelligente Informationen
Intelligente InformationenIntelligente Informationen
Intelligente Informationen
TANNER GmbH
 
DE - Module 3 - Improving your business model using external data
DE - Module 3 - Improving your business model using external dataDE - Module 3 - Improving your business model using external data
DE - Module 3 - Improving your business model using external data
caniceconsulting
 
SDIC'16 - Best Practices für Smart Data Projekte
SDIC'16 - Best Practices für Smart Data ProjekteSDIC'16 - Best Practices für Smart Data Projekte
SDIC'16 - Best Practices für Smart Data Projekte
Smart Data Innovation Lab
 
Market Research Meets Business Intelligence
Market Research Meets Business IntelligenceMarket Research Meets Business Intelligence
Market Research Meets Business Intelligence
DataLion
 
Webcast Security & Data Privacy: Anonymization
Webcast Security & Data Privacy: AnonymizationWebcast Security & Data Privacy: Anonymization
Webcast Security & Data Privacy: Anonymization
Patric Dahse
 
Data Science & Big Data, made in Switzerland
Data Science & Big Data, made in SwitzerlandData Science & Big Data, made in Switzerland
Data Science & Big Data, made in Switzerland
Thilo Stadelmann
 
BITKOM_Präsentation Data Intelligence Hub -Schwarz-Kouril
BITKOM_Präsentation Data Intelligence Hub -Schwarz-KourilBITKOM_Präsentation Data Intelligence Hub -Schwarz-Kouril
BITKOM_Präsentation Data Intelligence Hub -Schwarz-Kouril
Stefan Schwarz
 
[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...
[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...
[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...
PROJECT CONSULT Unternehmensberatung Dr. Ulrich Kampffmeyer GmbH
 
Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...
Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...
Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...
Intelliact AG
 
The Best Business Software in Town - Wie agiles Requirements Engineering die ...
The Best Business Software in Town - Wie agiles Requirements Engineering die ...The Best Business Software in Town - Wie agiles Requirements Engineering die ...
The Best Business Software in Town - Wie agiles Requirements Engineering die ...
Christopher Schulz
 
Wirtschaftsinformatik Basics für Betriebswirte und Ingenieure
Wirtschaftsinformatik Basics für Betriebswirte und IngenieureWirtschaftsinformatik Basics für Betriebswirte und Ingenieure
Wirtschaftsinformatik Basics für Betriebswirte und Ingenieure
Claus Brell
 
Webinar - Predictive ohne Daten - geht das?
Webinar - Predictive ohne Daten - geht das?Webinar - Predictive ohne Daten - geht das?
Webinar - Predictive ohne Daten - geht das?
Trebing & Himstedt Prozeßautomation GmbH & Co. KG
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Praxistage
 
Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Innovation in der Instandhaltung - Motor für die Zukunft
Innovation in der Instandhaltung - Motor für die ZukunftInnovation in der Instandhaltung - Motor für die Zukunft
Innovation in der Instandhaltung - Motor für die Zukunft
Salzburg Research Forschungsgesellschaft mbH
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
DataValueTalk
 
TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"
Marco Geuer
 

Ähnlich wie Smart Data Analytics Instandhaltung Workshop 2018 (20)

Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...
Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...
Das IT-Instrumentarium für das kommunale Bildungsmonitoring – Erfahrungen, An...
 
Intelligente Informationen
Intelligente InformationenIntelligente Informationen
Intelligente Informationen
 
DE - Module 3 - Improving your business model using external data
DE - Module 3 - Improving your business model using external dataDE - Module 3 - Improving your business model using external data
DE - Module 3 - Improving your business model using external data
 
SDIC'16 - Best Practices für Smart Data Projekte
SDIC'16 - Best Practices für Smart Data ProjekteSDIC'16 - Best Practices für Smart Data Projekte
SDIC'16 - Best Practices für Smart Data Projekte
 
Market Research Meets Business Intelligence
Market Research Meets Business IntelligenceMarket Research Meets Business Intelligence
Market Research Meets Business Intelligence
 
Webcast Security & Data Privacy: Anonymization
Webcast Security & Data Privacy: AnonymizationWebcast Security & Data Privacy: Anonymization
Webcast Security & Data Privacy: Anonymization
 
Data Science & Big Data, made in Switzerland
Data Science & Big Data, made in SwitzerlandData Science & Big Data, made in Switzerland
Data Science & Big Data, made in Switzerland
 
BITKOM_Präsentation Data Intelligence Hub -Schwarz-Kouril
BITKOM_Präsentation Data Intelligence Hub -Schwarz-KourilBITKOM_Präsentation Data Intelligence Hub -Schwarz-Kouril
BITKOM_Präsentation Data Intelligence Hub -Schwarz-Kouril
 
[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...
[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...
[DE] DMS: Ist-Analyse und Auswertung von Analysen | Dr. Ulrich Kampffmeyer | ...
 
Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...
Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...
Vom Redakteur zum Informationsmanager - Fachvortrag auf der tekom-Jahrestagun...
 
The Best Business Software in Town - Wie agiles Requirements Engineering die ...
The Best Business Software in Town - Wie agiles Requirements Engineering die ...The Best Business Software in Town - Wie agiles Requirements Engineering die ...
The Best Business Software in Town - Wie agiles Requirements Engineering die ...
 
Wirtschaftsinformatik Basics für Betriebswirte und Ingenieure
Wirtschaftsinformatik Basics für Betriebswirte und IngenieureWirtschaftsinformatik Basics für Betriebswirte und Ingenieure
Wirtschaftsinformatik Basics für Betriebswirte und Ingenieure
 
Webinar - Predictive ohne Daten - geht das?
Webinar - Predictive ohne Daten - geht das?Webinar - Predictive ohne Daten - geht das?
Webinar - Predictive ohne Daten - geht das?
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
 
Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Analytics für Einsteiger
 
Big Data und Business Intelligence
Big Data und Business IntelligenceBig Data und Business Intelligence
Big Data und Business Intelligence
 
2010 09 29 13-30 michael gniffke
2010 09 29 13-30 michael gniffke2010 09 29 13-30 michael gniffke
2010 09 29 13-30 michael gniffke
 
Innovation in der Instandhaltung - Motor für die Zukunft
Innovation in der Instandhaltung - Motor für die ZukunftInnovation in der Instandhaltung - Motor für die Zukunft
Innovation in der Instandhaltung - Motor für die Zukunft
 
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen KannBARC Was Datenmanagement Messbar Dazu Beitragen Kann
BARC Was Datenmanagement Messbar Dazu Beitragen Kann
 
TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"TOC Netzwerktagung - "HiSpeed Data Analytics"
TOC Netzwerktagung - "HiSpeed Data Analytics"
 

Mehr von IAS MEXIS GmbH

IAS MEXIS Firmenpräsentation.pdf
IAS MEXIS Firmenpräsentation.pdfIAS MEXIS Firmenpräsentation.pdf
IAS MEXIS Firmenpräsentation.pdf
IAS MEXIS GmbH
 
Mobile Instandhaltung DIVA GO.pdf
Mobile Instandhaltung DIVA GO.pdfMobile Instandhaltung DIVA GO.pdf
Mobile Instandhaltung DIVA GO.pdf
IAS MEXIS GmbH
 
Instandhaltungssoftware DIVA.pdf
Instandhaltungssoftware DIVA.pdfInstandhaltungssoftware DIVA.pdf
Instandhaltungssoftware DIVA.pdf
IAS MEXIS GmbH
 
KI Maintenance Management
KI Maintenance ManagementKI Maintenance Management
KI Maintenance Management
IAS MEXIS GmbH
 
Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4
Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4
Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4
IAS MEXIS GmbH
 
Digitalisierung in der Instandhaltung IAS MEXIS Webinar3
Digitalisierung in der Instandhaltung IAS MEXIS Webinar3Digitalisierung in der Instandhaltung IAS MEXIS Webinar3
Digitalisierung in der Instandhaltung IAS MEXIS Webinar3
IAS MEXIS GmbH
 
Instandhaltung on demand IAS MEXIS Webinar2
Instandhaltung on demand IAS MEXIS Webinar2Instandhaltung on demand IAS MEXIS Webinar2
Instandhaltung on demand IAS MEXIS Webinar2
IAS MEXIS GmbH
 
Instandhaltung im Unternehmen IAS MEXIS Webinar 1
Instandhaltung im Unternehmen IAS MEXIS Webinar 1Instandhaltung im Unternehmen IAS MEXIS Webinar 1
Instandhaltung im Unternehmen IAS MEXIS Webinar 1
IAS MEXIS GmbH
 
Instandhaltungssoftware Systemauswahl
Instandhaltungssoftware SystemauswahlInstandhaltungssoftware Systemauswahl
Instandhaltungssoftware Systemauswahl
IAS MEXIS GmbH
 
DIVA DYNAMICS Productfolder Maintenance Software
DIVA DYNAMICS Productfolder Maintenance SoftwareDIVA DYNAMICS Productfolder Maintenance Software
DIVA DYNAMICS Productfolder Maintenance Software
IAS MEXIS GmbH
 
Störmeldesystem DIVA NOTE von IAS MEXIS
Störmeldesystem DIVA NOTE von IAS MEXISStörmeldesystem DIVA NOTE von IAS MEXIS
Störmeldesystem DIVA NOTE von IAS MEXIS
IAS MEXIS GmbH
 
Instandhaltungssoftware DIVA Produktbroschüre
Instandhaltungssoftware DIVA ProduktbroschüreInstandhaltungssoftware DIVA Produktbroschüre
Instandhaltungssoftware DIVA Produktbroschüre
IAS MEXIS GmbH
 
Digitalisierung der Instandhaltungsprozesse Messevortrag 2019
Digitalisierung der Instandhaltungsprozesse Messevortrag 2019Digitalisierung der Instandhaltungsprozesse Messevortrag 2019
Digitalisierung der Instandhaltungsprozesse Messevortrag 2019
IAS MEXIS GmbH
 
Instandhaltungssoftware Diva Dynamics Messevortrag 2020
Instandhaltungssoftware Diva Dynamics Messevortrag 2020Instandhaltungssoftware Diva Dynamics Messevortrag 2020
Instandhaltungssoftware Diva Dynamics Messevortrag 2020
IAS MEXIS GmbH
 

Mehr von IAS MEXIS GmbH (14)

IAS MEXIS Firmenpräsentation.pdf
IAS MEXIS Firmenpräsentation.pdfIAS MEXIS Firmenpräsentation.pdf
IAS MEXIS Firmenpräsentation.pdf
 
Mobile Instandhaltung DIVA GO.pdf
Mobile Instandhaltung DIVA GO.pdfMobile Instandhaltung DIVA GO.pdf
Mobile Instandhaltung DIVA GO.pdf
 
Instandhaltungssoftware DIVA.pdf
Instandhaltungssoftware DIVA.pdfInstandhaltungssoftware DIVA.pdf
Instandhaltungssoftware DIVA.pdf
 
KI Maintenance Management
KI Maintenance ManagementKI Maintenance Management
KI Maintenance Management
 
Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4
Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4
Instanhaltungskennzahlen und Schwachstellenanalyse IAS MEXIS Webinar4
 
Digitalisierung in der Instandhaltung IAS MEXIS Webinar3
Digitalisierung in der Instandhaltung IAS MEXIS Webinar3Digitalisierung in der Instandhaltung IAS MEXIS Webinar3
Digitalisierung in der Instandhaltung IAS MEXIS Webinar3
 
Instandhaltung on demand IAS MEXIS Webinar2
Instandhaltung on demand IAS MEXIS Webinar2Instandhaltung on demand IAS MEXIS Webinar2
Instandhaltung on demand IAS MEXIS Webinar2
 
Instandhaltung im Unternehmen IAS MEXIS Webinar 1
Instandhaltung im Unternehmen IAS MEXIS Webinar 1Instandhaltung im Unternehmen IAS MEXIS Webinar 1
Instandhaltung im Unternehmen IAS MEXIS Webinar 1
 
Instandhaltungssoftware Systemauswahl
Instandhaltungssoftware SystemauswahlInstandhaltungssoftware Systemauswahl
Instandhaltungssoftware Systemauswahl
 
DIVA DYNAMICS Productfolder Maintenance Software
DIVA DYNAMICS Productfolder Maintenance SoftwareDIVA DYNAMICS Productfolder Maintenance Software
DIVA DYNAMICS Productfolder Maintenance Software
 
Störmeldesystem DIVA NOTE von IAS MEXIS
Störmeldesystem DIVA NOTE von IAS MEXISStörmeldesystem DIVA NOTE von IAS MEXIS
Störmeldesystem DIVA NOTE von IAS MEXIS
 
Instandhaltungssoftware DIVA Produktbroschüre
Instandhaltungssoftware DIVA ProduktbroschüreInstandhaltungssoftware DIVA Produktbroschüre
Instandhaltungssoftware DIVA Produktbroschüre
 
Digitalisierung der Instandhaltungsprozesse Messevortrag 2019
Digitalisierung der Instandhaltungsprozesse Messevortrag 2019Digitalisierung der Instandhaltungsprozesse Messevortrag 2019
Digitalisierung der Instandhaltungsprozesse Messevortrag 2019
 
Instandhaltungssoftware Diva Dynamics Messevortrag 2020
Instandhaltungssoftware Diva Dynamics Messevortrag 2020Instandhaltungssoftware Diva Dynamics Messevortrag 2020
Instandhaltungssoftware Diva Dynamics Messevortrag 2020
 

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