Maintain Maintenance

It is always impressive to see how sworn appraisers at court are able to determine the causes of a machine failure — be it an airplane, a car or any other device. It is fascinating, what far reaching conclusions one can draw out of a shabby scrap heap.

It is, then, just a short step to imagine that one can draw specific conclusions in order to predict whether a machine is going to fail or not, and determine the timescale and reason in advance of it doing so. For a long time, anticipatory maintenance was based on rules of thumb combined with the foreman’s personal experience. Since the internet of things (IoT) provides more and more data from all sorts of machine-near sources directly from the shop-floor to the supervisor’s office, he or she can monitor operational processes and anomalies in real time. This, however, isn’t useful without the ability to deconstruct and analyze the massive amount of data in order to recognize certain failure patterns. Predictive analytics turn rules of thumb into reliable forecasts on which maintenance measures can be planned and scheduled. Given the immediate outcome (in terms of avoiding costly downtimes and repairs), these investments in holistic solutions for predictive maintenance are a number one choice for IoT-related projects.

Though the costs of machine downtime can deviate widely due to individual products and respective production methods, a study from the German Federal Ministry of Economics stated that lost output causes a damage of more than a billion Euros per year in the German Mittelstand (Small and Medium Business) alone. Precise data, however, is kept as a business secret and therefore conclusions are simply assumptions. In the IT sector, where machine monitoring is far more common, estimates generally acknowledge that computer downtimes can cause, on average, 40,000 Euros per hour!

These figures indicate that one can expect a reasonable return on investment in predictive maintenance over a short period of time. The implications are huge and manifold (aside from maximizing machine uptimes); for instance, deploying limited resources, optimizing supply chain dependencies, and enhancing product and service quality, thus improving customer satisfaction.

According to a recent study from German Internet Economy Association (eco), 77 percent of those responsible for IoT-projects say that the ease of implementation and immediate outcome are key to acceptance, while 84 of the executives questioned prefer standardized solutions rather than highly individual solutions.

There are a lot of packaged IoT bundles for predictive maintenance already available. T-Systems for instance has released an IoT starter kit that helps to identify certain failure patterns in the huge amount of data provided. The package consists of out-of-the-box cyber physical sensors that send machine data to T-Systems’ own multi-IoT-cloud service platform, where the numbers are processed. The kit is priced at 9.95 Euros per machine, which may sound cheap but adds up to tens of thousands when applied to a typical machine park on an assembly line.

No wonder then that IBM, too, has identified predictive maintenance as a perfect field of activity for its Watson-based cognitive computing solution. It claims to quickly identify primary variables as part of a root-cause analysis process and building on that to predict where, when, and why asset failures are likely to occur. Thus companies are able to:

  • Minimize product quality and reliability issues to meet customer delivery schedules.
  • Optimize spare-parts inventory to reduce inventory costs associated with stock outs and overstocks.
  • Predict warranty claims to increase customer satisfaction.
  • Enhance sales and operations planning to reduce operations costs.
  • Inform upcoming issues to planning and budgeting teams prior to costly event failures occurring.

Even digital startups are seeking to enter — in their view — the uncharted region of industrial shop-floors. With their expertise in big data analytics, they represent a best fit for traditional manufacturing systems engineers, which is one of the biggest industries in Germany with a revenue of 218 billion Euros (2015) and an enormous export share of 77 percent. Cooperation between newcomers and traditional players has become more common recently, and is at the center of industry-based venture capital funds’ consciousness. The combination of IoT-related solutions with manufacturing systems is key to Germany’s economic success, and predictive maintenance will turn out to be one of the first and foremost manifestations of “industry 4.0”. One could say predictive maintenance could maintain Germany’s economic growth without downtime at all!

*******

Warten statt warten

Es ist schon beeindruckend, Sachverständigen vor Gericht dabei zuzuhören, wie sie die Ursachen für das Fehlverhalten einer Maschine herausfinden können — egal, ob es sich dabei um ein Flugzeug, ein Fahrzeug oder ein beliebiges Werkzeug handelt. Es ist einfach faszinierend, welche weitreichenden Schlussfolgerungen man aus einem Haufen Schrott ziehen kann.

Von dieser Beobachtung ist es jedoch nur ein kleiner Schritt zu der Vorstellung, dass man diese Schlussfolgerungen auch schon im Vorhinein ziehen und schon vorab in der Lage sein könnte, Mutmaßungen darüber anzustellen, ob eine Maschine ausfallen wird, sowie Zeitpunkt und Grund dafür vorherzusagen. Lange Zeit basierte vorausschauende Wartung allerdings eher auf Daumenregeln und der persönlichen Erfahrung des Maschinenführers. Seit aber das Internet der Dinge immer mehr Daten von allen möglichen maschinennahen Quellen direkt aus der Produktionshalle ins Meisterbüro liefert, kann er oder sie Betriebsdaten sofort überwachen und Auffälligkeiten zeitnah identifizieren. Aber das allein hilft noch nicht viel ohne die Fähigkeiten, diese Massendaten auch auswerten und typische Fehlermuster erkennen zu können. Predictive Analytics macht aus Daumenregeln belastbare Vorhersagen, woraufhin Wartungsarbeiten geplant und terminiert werden können. Angesichts des unmittelbaren Nutzens, der sich durch die Vermeidung teurer Ausfallzeiten und Reparaturarbeiten ergibt, sind Investitionen in ganzheitliche Lösungen für Predictive Maintenance eine erste Wahl bei Projekten rund um das Internet of Things (IoT).

Obwohl natürlich die Kosten durch Ausfallzeiten je nach Produktion und Produktionsverfahren weit voneinander abweichen können, kam eine Untersuchung des Bundeswirtschaftsministeriums zu dem Ergebnis, dass ein Produktionsausfall für einen Schaden von mehr als einer Milliarde Euro jährlich allein im deutschen Mittelstand führen dürfte. Genaue Zahlen gelten allerdings als Geschäftsgeheimnis, weswegen Annahmen dieser Art mehr oder weniger auf wilden Spekulationen beruhen. Im IT-Bereich, wo die Überwachung von Maschinenverfügbarkeiten aus naheliegenden Gründen viel weiter verbreitet ist, wird allgemein anerkannt, dass Computer-Ausfallzeiten einen durchschnittlichen Schaden von 40.000 Euro verursachen — pro Stunde!

Diese Zahlen zeigen, dass man einen nennenswerten und zeitigen Return on Investment bei Investitionen in Predictive Maintenance erwarten darf. Der Nutzen ist abgesehen von verbesserten Maschinenlaufzeiten enorm: begrenzte Ressourcen werden besser genutzt, Abhängigkeiten innerhalb der Lieferkette werden geschmälert, die Produkt- und Servicequalität wird verbessert, um nur die offensichtlichsten Vorteile zu nennen.

Nach einer Studie des Verbands der Internetwirtschaft (eco) erklärten 77 Prozent der für IoT-Projekte zuständigen Entscheider, dass die einfache Implementierbarkeit und der direkte Nutzen entscheidend für die Akzeptanz dieser Maßnahmen im Unternehmen sind. 84 Prozent der befragten Entscheider bevorzugen demnach standardisierte Lösungen im Unterschied zu den hochgradig individualisierten Ansätzen der Anfangsjahre.

Inzwischen gibt es eine ganze Reihe vorkonfigurierter IoT-Bundles für Predictive Maintenance. T-Systems zum Beispiel hat soeben ein Starter-Kit herausgegeben, mit dem bestimmte Fehlermuster in den gelieferten Massendaten erkannt werden können. Das Paket besteht aus fertig installierten Cyber-physical Sensoren, die die Maschinendaten an die IoT Serviceplattform in der T-Systems-eigenen Cloud senden, wo schließlich die Rechnerei abläuft. Das Paket kostet zwar nur 9,95 Euro pro Maschine und klingt damit günstig, kann aber angesichts der typischen Maschinenausstattung an einer Fertigungsstraße durchaus in die Zehntausende gehen.

Es dürfte nicht verwundern, dass auch IBM Predictive Maintenance als ein perfektes Betätigungsfeld für seine Cognitive Computing-Plattform identifiziert hat. Nach Herstellerangaben soll Watson die entscheidenden Variablen für die eigenen Schlussfolgerungen in kurzer Zeit ausmachen und darauf aufbauend vorhersagen, wo, wann und warum aller Wahrscheinlichkeit nach Fehler auftreten werden. Dadurch sind Unternehmen in der Lage:

· Qualitätsprobleme zu verringern und Kundentermine zu halten,

· Ersatzteillager zu reduzieren und gleichzeitig Kosten durch fehlende oder überzählige Bestände zu vermeiden,

· Garantien zu erhöhen und so die Kundenzufriedenheit zu verbessern,

· Absatzplanung zu optimieren und damit Produktionskosten zu senken,

· in der internen Kommunikation Wartungsarbeiten besser mit Budget- und Absatzplanungen abzustimmen.

Auch digital ausgerichtete Startups machen sich inzwischen auf den Weg in die — zumindest aus ihrer Sicht — unbekannten Regionen der industriellen Fertigung. Mit ihrem Big-Data-Hintergrund sind sie optimale Partner für traditionelle Maschinenbauunternehmen — immerhin eine der größten Branchen in Deutschland mit einem Gesamtumsatz von 218 Milliarden Euro (2015) und einem Exportanteil von 77 Prozent. Kooperationen zwischen Newcomern und traditionellen Unternehmen werden deshalb immer selbstverständlicher und genießen bei Risikokapitalgebern inzwischen höchste Aufmerksamkeit. Schließlich sind auf dem Internet der Dinge aufsetzende Gesamtlösungen ein Schlüsselelement für Deutschlands weiteren wirtschaftlichen Erfolg — und Predictive Maintenance wird sich dabei als eines der ersten und erfolgreichsten Beispiele für Industrie 4.0 erweisen. Man könnte sagen, auf vorausschauende Wartung hat Deutschlands Industrie gerade gewartet — ganz ohne Ausfallzeiten.

Like what you read? Give Dr. Torsten Oelke a round of applause.

From a quick cheer to a standing ovation, clap to show how much you enjoyed this story.