Anlagen > Forschungsprojekt: Methode zur Bewertung der Softwareintensivierung von Predictive Maintenance (PdM)

Forschungsprojekt: Methode zur Bewertung der Softwareintensivierung von Predictive Maintenance (PdM)

Instandhaltungs­konzept im Zeitalter von Industrie 4.0

von Tobias Tauterat, Prof. Dr. Georg Herzwurm

Das von der deutschen Bundesregierung initiierte Zukunftsprojekt Industrie 4.0 soll die Informatisierung der Fertigungstechnik vorantreiben und so den Weg zur intelligenten Produktion sowie der damit verbundenen intelligenten Fabrik fördern. Hierbei ist es das Ziel, die Zukunftsfähigkeit der deutschen Produktionswirtschaft durch die Digitalisierung sicherzustellen, damit sie auch künftig eine führende Rolle im internationalen Vergleich einnimmt. [1] Für die Realisierung der Industrie 4.0 gibt es bereits unterschiedliche Konzepte und Technologien, durch deren Einfluss der Weg zu intelligenten Maschinen und Anlagen realisiert werden kann.

Beispielsweise können Maschinen durch den Einsatz von integrierten Sensoren ihre aktuellen Zustände erfassen und diese bei Bedarf an andere Maschinen oder Softwaresysteme weiterleiten. Durch diese Sammlung und die spätere Verarbeitung der ­Daten werden die Maschinen zu sogenannten intelligenten Maschinen. Diesen intel­ligenten Maschinen ist es möglich, basierend auf ihren Zuständen in einem festgelegten Rahmen automatisch auf diese Zustände zu reagieren bzw. sich zu steuern [2, 3].

Softwareintensives Predictive Maintenance – ein Mosaik im
Zukunftsprojekt der Industrie 4.0

Ein exemplarischer Anwendungsfall in der Betriebsphase einer solchen intelligenten Maschine ist die Instandhaltung. So ist es möglich, dass durch die Erfassung der Maschinen- und Umgebungsdaten in Echtzeit und deren Auswertung über ein Softwaresystem der Prozess der Instandhaltung verbessert werden kann [3] sowie neue Geschäftsmodelle entstehen können [4]. Diese Art von Instandhaltungskonzept wird im Zeitalter der Industrie 4.0 Predictive Maintenance (PdM) genannt. Hierbei wird der aktuelle Zustand der Komponente, Maschine oder Anlage über das sogenannte Condition ­Monitoring erfasst [5] und basierend auf dem ­Zustand der Maschinenkomponenten in Kombination mit den Vergangenheitsdaten die Instandhaltungsleistung nach Bedarf geplant und durchgeführt. Die Analyse und Verarbeitung dieser Daten erfolgt meistens über Softwaresysteme in unternehmensinternen Rechenzentren oder in privaten Cloud-Lösungen, sodass je nach Bedarf weitere Rechnerkapazitäten hinzugebucht werden können [6, 7].

Bisherige Erkenntnisse zeigen, dass die Tech­nologien für die Softwareintensivierung von Predictive Maintenance bereits existieren und deren Umsetzung je nach Unternehmensdomäne unproblematisch ist. [3] Jedoch stehen Unternehmen vor der Frage, ob eine Softwareintensivierung des Instandhaltungsprozesses vorteilhaft ist und wie diese ausfallen sollte. Für die Beantwortung dieser Fragestellung gibt es momentan keine wissenschaftlich begründete und anwendungsfallspezifische Methode [8].

Ziel des Forschungsprojekts

Aufgrund dieser Tatsache verfolgt das an der Graduate School of Excellence advanced Manu­facturing Engineering (GSaME) durchgeführte Forschungsprojekt das Ziel der Entwicklung einer Methode zur Bewertung der Softwareintensivierung von Predictive Maintenance für Maschinen und Anlagen zur Unterstützung der Investitionsentscheidung für Anbieter von Instandhaltungsleis­tungen. Basierend auf den Ergebnissen der Bewertungsmethode sollen anbietende Unternehmen in der Lage sein, eine bessere Bewertungsgrundlage für die Investitionsentscheidung zu haben.
Hierbei ist zu betonen, dass sich die Methode an all diejenigen Unternehmen richtet, die Instandhaltungsdienstleitungen durchführen, unabhängig davon, ob sie Hersteller oder Betreiber von ­Maschinen und Anlagen sind oder als Dienst­leistungsunternehmen Instandhaltungsdienstleis­tungen für Maschinen und Anlagen anbieten.

5-Phasen-Vorgehensweise

In Anlehnung an die Vorgehensweise des Method Engineering wird zur Erreichung des Forschungszieles eine strukturierte Vorgehensweise bestehend aus fünf Phasen verfolgt (siehe Abb.).

Durch die Anforderungserhebung in der ersten Phase werden, basierend auf Experteninterviews und einer Literaturanalyse, Anforderungen ermittelt, die wichtig für eine Bewertung der Softwareintensivierung von Predictive Maintenance sind. Hierbei werden Unternehmensvertreter aus unterschiedlichen Stakeholdergruppen befragt, z.B. Dienstleistungs- und IT-Unternehmen sowie Maschinenhersteller und -betreiber. Diese ermittelten Anforderungen werden anschließend in einem Anforderungskatalog strukturiert.

In der zweiten Phase erfolgt die syste­matische Recherche nach bestehenden Bewertungsmethoden, die für den Unter­suchungskontext relevant sind. Durch die anschließende Analyse wird erfasst, in welchem Maß die erhobenen Anforderungen von diesen bestehenden Methoden berücksichtig werden. Hierbei soll am Ende dieser Phase eine Methoden-Anforderungen-Matrix aufgestellt werden.

Die Entwicklung einer Bewertungsmethode, die die in Phase eins erhobenen Anforderungen erfüllt, erfolgt in Phase vier. Das Artefakt dieser Phase ist eine konkrete Methode zur Unterstützung der Investitionsentscheidung.

Zum Abschluss des Forschungsprojekts soll diese erarbeitete Bewertungsmethode in Phase fünf durch die exemplarische Anwendung bei Industriepartnern validiert werden. Diese Validierung soll sicherstellen, dass die entwickelte Methode alle wichtigen Anforderungen für die Bewertung der Softwareintensivierung von Predictive Maintenance berücksichtigt und die Investitionsentscheidung für Anbieter der Instandhaltungsdienstleister unterstützt.

Literatur
[1] Bundesministerium für Bildung und Forschung (2015), Zukunftsprojekt Industrie 4.0, http://www.bmbf.de/de/9072.php, Stand: 27.10.2015
[2] Geisberger, E. und Broy, M. (2012), Integrierte Forschungsagenda Cyber-Physical Systems, Berlin 2012, S. 53 f.
[3] Güntner, G., Eckhoff, R. und Markus, M. (2014), Instandhaltung 4.0, o.O. 2014, S. 24
[4] Arbeitskreis Smart Service Welt (2014), Smart Service Welt, Berlin 2014, S. 17
[5] Isermann, R.: Fault-Diagnosis Systems, Berlin, Heidelberg (2006)
[6] Weiss, H.: Predictive Maintenance, http://www.ingenieur.de/Themen/Forschung/Predictive-Maintenance-Vorhersagemodelle-krempeln-Wartung-um (2012)
[7] N.N.: Condition Based Maintenance, http://www.maintenanceassistant.com/condition-based-maintenance/ (2015)
[8] Tauterat, T.: Development of a Method for the Economic Evaluation of Predictive Maintenance, In: Software Business: 6th International Conference, Lecture Notes in Business ­Information Processing 210, Springer (2015), S. 179–185

Foto: © istockphoto.com | Yuri_Arcurs