Senseye in Action – Predictive Maintenance für die smarte Fabrik

Trend Detection Podcast ·

Show notes

Levin Burkhart wird Ihnen mehr über Senseye Predictive Maintenance erzählen und wie Sie damit Maschinenausfälle erkennen können, bevor sie auftreten. Erfahren Sie, wie die KI-gestützte Lösung vorhandene Datenquellen nutzt, um Anomalien frühzeitig zu erkennen und Ausfälle vorherzusagen. So können Sie ungeplante Ausfallzeiten reduzieren, auf Echtzeitdaten zu Ihren Anlagen zugreifen, Kosten senken und Ihre Produktion zukunftssicher machen.

Machen Sie mit uns den Schritt in Richtung intelligente Produktion und erfahren Sie, wie Sie Ihre Daten nutzen können, um Ihre Effizienz zu steigern.

Transcript

Grüezi miteinander und herzlich willkommen beim Webinar Sensor in Action Predictive Maintenance für die Smart Fabrik. Wir freuen uns sehr, dass Sie heute mit dabei sind. Mein Name ist Zina Walser und ich werde das heutige Webinar für Sie moderieren. Bevor wir beginnen, gebe ich Ihnen noch eine kurze Einführung in die Benutzeroberfläche des Webinar-Tools. Die Erfahrung hat uns hier nämlich gezeigt, dass das Webinar-Tool am besten funktioniert, wenn es über Google Chrome geöffnet ist. Sollten Sie also technische Probleme haben, dann wissen Sie als allererstes den Browser. Während des Webinars gibt es zwei zentrale Formen, wie Sie mit uns interagieren können. Die eine finden Sie im Webinarfenster rechts. Dort können Sie aufkommende Fragen gerne während des Webinars anonym schriftlich stellen, und wir werden diese dann nach dem Webinar per Mail für Sie beantworten. Zudem nutzen wir am Schluss gerne die Möglichkeit, Sie nach Ihrer Meinung zu fragen. Und um dieses Umfragetool kurz zu testen, haben wir hier eine 1. Frage für Sie. Falls Sie nun die letzte Option angekreuzt haben und vielleicht trotzdem irgendwann am Thema interessiert sind, natürlich auch wenn Sie die anderen beiden Optionen angewählt haben, werden wir das gesamte Webinar aufzeichnen. Und Sie erhalten dann nach dem Ende des Webinars eine E-Mail, wo Sie sowohl die Webinar-Aufzeichnung als auch alle gezeigten Folien finden. Dort können Sie dann auch die Links abrufen, die Levin Burkhardt während des Webinars in den Folien verlinkt hat. So, mit diesen Infor- Informationen habe ich nun genug geredet. Ich übergebe nun gerne an Levin Burkhardt und wir starten gleich mit einem kurzen Video. Ja. Guten Tag, liebe Zuschauer. Auch von meiner Seite zum zweiten Teil unserer WebinarSie Smart Production Sensai in Action. Sollten Sie das Webinar von Thomas Stockner zu ITT Integration letzte Woche verpasst haben, können Sie sich durch das Scannen des aufgezeigten QR-Codes die Aufzeichnung jederzeit anschauen. Der Data Integration Layer in Ihrer Produktion bietet die Basis für Digitalisierung und somit auch für unser heutiges Thema Sensei Predictive Maintenance. Nun freue ich mich, liebe Zuschauer, Ihnen Sensei in den nächsten 30 Minuten etwas näherbringen zu dürfen. Was ist Sensei überhaupt? Und welche Herausforderungen in der Industrie möchten wir mit Sensei adressieren und nachhaltig optimieren? Grundsätzlich unterscheiden wir heute in der Instandhaltung zwischen drei verschiedenen Strategien. Die reaktive Instandhaltung ist die klassische Instandhaltung, wie wir es heutzutage oftmals in der Realität noch antreffen. heißt jährliche Wartungen werden zwar ausgeführt, jedoch gibt es zwischen den Wartungen immer wieder Ausfälle von Hardware, welche zu hohen Kosten und ungeplanten Stillständen führen. Schlimmer wird es auch mit zunehmendem Alter der Anlage und den eingebauten Komponenten. Die Präventive Wartung wird oftmals dort ausgeführt, wo ungeplante Stillstände keinesfalls auftreten dürfen. Mit dieser Strategie reduziert man zwar die Verfügbarkeit der Anlage, jedoch sind die Tätigkeiten und der Produktionsausfall planbar. Allerdings gibt es einen massiv erhöhten Wechsel von Aggregaten, welcher vielleicht gar nicht nötig ist, und verursacht so wiederum enorme Instandhaltungskosten. Ein Sensstand zwischen den Wartungsfenstern kann ich kann auch nicht zu 100 % ausgeschlossen werden. Durch die Digitalisierung und dessen Systeme und Technologien, wie beispielsweise künstliche Intelligenz befindet sich die Industrie auch in der Instandhaltung in einem Wandel. Wir wollen zu jeder Zeit einen Überblick über die eingesetzten Aggregate haben und dort Wartungsaufwendungen betreiben, wo wir auch wirklich Notwendigkeit sehen. Dazu benötigen wir Daten, und zwar nicht irgendwelche Daten, sondern die richtigen Daten. Ist diese Basis geschaffen, können wir vorausschauende Wartung betreiben und dort unsere Instandhaltungsaufwendungen einsetzen, wo es auch wirklich notwendig ist, und zwar zum richtigen Zeitpunkt. Um dies zu erreichen, hat Siemens im Jahr 2022 das Portfolio mit Sensi Predictive Maintenance erweitert. Das Unternehmen beschäftigt sich seit 2014 damit, Software as a Service mit Software as a Service Mehrwert für den Kunden im Bereich Asset Intelligence zu generieren. Sensei PDM, also Sensei Predictive Maintenance, ist also ein cloud-basiertes Softwareprodukt für den spezifischen Anwendungsfall Predictive Maintenance. Wichtig ist, dass diese Predictive maintenance Lösung nicht nur darauf ausgerichtet ist, ungesplante Ausfallzeiten zu reduzieren und die Betriebszeit zu erhöhen, sondern wir nutzen sie auch, um den Wartungsaufwand zu reduzieren, wie zum Beispiel allgemein weniger Inspektionen durchzuführen, heißt rechtzeitige Durchführung der Wartung. Wir fokussieren uns auf das Wesentliche und ermöglichen dadurch eine reduzierte Ersatzteilhaltung, eine effizientere Ressourcennutzung bei gleichbleibender oder sogar besserer Qualität. Wir nutzen Predictive Maintenance Sensor auch, um Betriebskosten zu senden, zum Beispiel weniger Verbrauchsmaterial und weniger Ausschuss. Und last but not least wirken wir dem Fachkräftemangel entgegen und nutzen sie dazu, die Nachhaltigkeit zu verbessern. Dadurch können Sie mit bis zu 50 % weniger Maschinenstillstände und einer erhöhten Produktivität der Instandhaltung von bis zu 30 % rechnen. Sensei arbeitet asset agnostisch. Das bedeutet, dass die Software unabhängig vom Hersteller, von der Art der Anlage oder der Hardware und dessen Funktion eine Vielfalt von unterschiedlicher Hardware, Anlagen und Maschinen überwachen kann. Wo kann Sensei denn nun helfen? Die Lösung kann in allen Bereichen in eine Factory eingesetzt werden, heißt, dass wir nicht nur Assets aus Fertigungsanlagen überwachen können, die hier als primäre Produktions dargestellt wird, sondern auch sämtliche Aggregate aus einer beispielsweise einer Verpackungsanlage, aus einem Lagersystem bis hin zu Assets in der Gebäudetechnologie, wie beispielsweise Klimaanlagen, Rheinraumlüfter und so weiter. Alle diese Assets können problemlos und nahtlos auch über andere Systeme in Sensei integriert werden. Ich spreche nun schon die ganze Zeit von Assets. Eine der häufigsten Fragen, die ich dazu höre, ist: Was ist denn ein Asset überhaupt? Wir bei Siemens haben für Sensor Predictive Maintenance eine genaue Vorstellung davon, was ein Asset und wie die Definition für Assets für ein Kunde aussehen kann. Dies in Kunden individuell zu betrachten. Grundsätzlich ist ein Asset ein Teil in der Produktionsumgebung, worauf Störmeldungen und Störfälle erhoben werden können. Dieses Teil kann eine physische Maschine, respektive eine Hardware, wie beispielsweise ein Motor oder ein in sich geschlossenes System, wie beispielsweise ein Schmierkreislaufsteuersystem sein. Zudem sollte es unabhängig von anderen Assets ausgetauscht oder repariert werden können. Durch die Nutzung und Anwendung und stetiger Weiterentwicklung der Software profitieren Produktionen und die, die in der Produktion überwachten Assets aus dem Asset-spezifischen Know-how aus diversen Industrien. Mittlerweile gibt es mehr als 500 verschiedene Asset-Typen, die zur Konfiguration ihrer Assets bereits genutzt werden können und somit einen unglaublich schnellen Erfolg der Analyse zulässt. Profitieren Sie von dieser schnellen Integration. Wie lernen wir von den Zustandsindikatoren? Zunächst erfassen wir Daten der Anlage respektive des spezifischen Assets, wie hier abgebildet, beispielsweise ein Motor. Dazu bedienen wir uns optimalerweise immer an bereits vorhandenen Datenquellen. Das kann ein bestehendes Leitsystem oder auch eine bestehende Steuerung, die Datenpunkte zur Verfügung stellt oder auch ein Condition Monitoring System sein. Sei es Temperatur, Stromstärke, Drehmomentvibration oder Druck. Alles, was für den Zustand der Anlage respektive des Essens relevant ist, wird in Sensor integriert. Dazu geschalten werden Betriebszustände wie Drehzahl oder auch andere Kontrollparameter, wie beispielsweise Anlage läuft oder die Anlage läuft nicht. Ebenfalls integrieren wir bestehende Maintenance-Informationen, um auch diese Daten für individuelle Modelle nutzen zu können. Aus diesen Daten generieren wir nun einen sogenannten einzigartigen digitalen Fingerabdruck des normalen Assets Verhaltens, heißt, wir erfassen den Normalzustand der Anlage. Anstatt uns auf Branchen oder Maschinenbauspezifische Erwartungen zu verlassen, erfahren wir ab einem bestimmten Zeitpunkt des Lebensdauer der Lebensdauer der Anlage, was normal ist, und pflegen diese entsprechenden Sensai ein. Das ermöglicht uns einen Vergleich. Haben wir diesen digitalen Fußabdruck des Normalzustandes erstellt, vergleichen wir kontinuierlich mit Live-Daten. Dadurch können wir Unterschiede zwischen normalen und aktuellen anstehenden Daten sehr schnell erkennen und Veränderungen verfolgen, sobald sie auftreten. Entsprechende Fälle werden gemeldet und die Nutzer werden darüber informiert, das Ganze vollautomatisiert. Der Algorithmus respektive das Machine Learning Framework in Sensei ermöglicht so ein automatisiertes Lernen der Zustandsindikatoren und damit eine Weiterentwicklung des Systems. Die Sensi Attention Engine ist ein zentraler Bestandteil der Predictive Maintenance-Lösung. Sie nutzt fortschrittliche KI-Technologien, um Wartungen von Maschinen effizienter und intelligenter zu gestalten. Wir arbeiten hier mit einer intelligenten Priorisierung von Informationen. Statt alle möglichen Fien anzuzeigen, filtert die Engine gezielt die Informationen heraus, die für den Nutzer am relevantesten oder am dringendsten sind, so wird die Informationsflut reduziert, die Aufmerksamkeit auf das Wesentliche gelenkt und in Kategorien Anomalien, Trends, Grenzwerte oder auch Prognosen gegliedert. Der Aufmerksamkeitsindex Attentionindex in diesem Falle ist eine Engine, welche für jedes Asset oder Anlage einen sogenannten Attention Index berechnet. Diese basiert auf aktuellen und historischen Verhaltensmustern der Maschine, Benutzerinteraktionen und Feedback respektive Kritikalität der Anlage, Konfigurationseinstellungen und Produktionsplänen. Die Engine lernt kontinuierlich aus den Interaktionen mit den Nutzern. Dadurch wird sie mit der Zeit immer präziser darin, relevante Informationen, Wartungsinformationen bereitzustellen. Durch klare und umsetzbare Erkenntnisse hilft die Engine, den Unterhalt Teams gezielter zu agieren und zu reagieren, sei es bei vorbeugenden maßnahmen oder bei der Behebung von Problemen. Was ist daran besonders? Die Sensei Attention Engine geht über die klassische Zustandsüberwachung hinaus. Sie bietet nicht nur einen Gesundheitsstatus von Maschinen. Sondern zeigt auf, wo sofortiger Handlungsbedarf besteht. Zusätzlich gibt es in Sensei den Sensi Copilot. Das ist die zweite künstliche Intelligenz. Der Sensi Copilot von Siemens ist ein KI-gestützter virtueller Assistent für die Industrielle, für die industrielle Instandhaltung und der Teil der Sensi Predictive Maintenance Plattform ist. Er wurde dazu entwickelt, um Wartungsteams bei der Analyse, Diagnose und Optimierung von Maschinenzuständen zu unterstützen, und das auf eine intuitive dialogbasierte Weise, wie sie es alle heutzutage von GetGPT oder auch anderen basierten generativen Eyes kennen. Was sind die Herausforderungen für Wartungsteam? Wir haben heutzutage eine mangelnde Datenkompetenz. Das heißt, dass die Mitarbeiterin in Wartungsteams in der Fertigung meist nicht ausgebildete Datenwissenschaftler sind und im Daily Business keine Zeit dafür haben, Diagramme oder andere Unterlagen zu studieren und zu interpretieren. Weiter geht wichtiges Wissens Wissen über die Zeit über den Mandel der Zeit verloren. Erfahrene Ingenieure gehen in den Ruhestand und werden durch unerfahrene jüngere Mitarbeiter ersetzt. Es gibt häufiger auch Mitarbeiterwechsel als früher. Und wir haben bekanntlich einen Fachkräftemann auf dem Arbeitsmarkt. Nicht zu vergessen, die älteren Technologien, worauf unsere Fachkräfte heutzutage gar nicht mehr ausgebildet werden. Zuletzt gibt es oftmals keine einfache Möglichkeit mehr, Informationen automatisiert zu erfassen und aufzubewahren, um diese später weitergeben zu können. Genau das setzt der Maintenance-C-Pilot von Siemens Sensei an. Die generative künstliche Intelligenz interpretiert die erfassten Daten, was ihnen enorm viel Zeit erspart. Bedienbar ist der Copilot wie eine andere generative KI, beispielsweise vorhin schon erwähnt JetGPT. Um Wartungsentscheidungen treffen zu können, stellen Sie einfach Fragen und Sie erhalten die gewünschten Antworten. Egal in welcher Sprache. Weiter muss erwähnt werden, dass die dadurch entstehende Datenbasis und dessen Qualität enormen Einfluss auf die Wartung haben wird. Der Co-Pilot konsolidiert das Wissen aller Wartungsmitarbeiter in einem System, erfasst die Erkenntnisse der täglichen Arbeiten und wird dadurch ein hochintelligentes Expertenmitglied in ihrem Wartungsteam. Cedric Nicke, der CEO der Siemens Digital-Industries, hat 2024 auch ein entsprechendes Statement dazu abgegeben. In der Vergangenheit mussten Menschen die Maschinen über technische Schnittstellen und Programmiersprachen steuern. Das erforderte spezielles Fachwissen, war oft komplex und auch zeitaufwendig. Maschinen verstanden nur ihre eigenen Sprachen wie beispielsweise Programmiercode, Störbefehle oder spezifische Eingabeformate. Mit dem Siemens Industrial-Copilot beginnt eine neue Ära. Dank moderner KI-Technologien, insbesondere der Verarbeitung natürlicher Sprache, können Maschinen nun auf unsere menschliche Sprache verstehen. Das Zitat bringt somit auf den Punkt, dass wir uns von einer technikzentrierten zu einer menschenzentrierten Interaktion mit Maschinen bewegen. Die Siemens in Del Cop Pilots sind ein Symbol für diesen Mantel. Sie machen Technologie zugänglicher, verständlicher und leistungsfähiger. Der Case-Zyklus beschreibt den strukturierten Ablauf zur Einführung, zur Nutzung und zur Optimierung von Sensei und dessen Technologie. Gehen wir diesen Zyklus mal gemeinsam durch. Sie sehen Siemens Sensi Predictive Maintenance als Software zentral auf dieses Folie abgebildet. Dazu werden Assets aus der Produktion. Mit Hilfe von vorhandenen Daten. Das können Condition Monitoring-Daten sein. Das können Daten aus einem bestehenden Leitsystem sein, in Sensi Predictive Maintenance integriert. Und mit Kontrollparametern aus ihren bestehenden Steuerungen in einen Kontext gesetzt. Der Nutzer konfiguriert gemeinsam mit uns das System, sagt uns, wie wir das System in welcher Konfiguration aufbauen sollen, und ist somit von Anfang an mit dabei, die Basis zu schaffen, um später Sensei Nutzenbringend einsetzen zu können. Haben wir das gemacht. Und Sensei ist live. Wir Sensei basierend auf den erfassten Assets ein Case eröffnen. Gehen wir davon aus, dass bei Ihnen in der Produktion ein Asset einen Zustand hat, der nicht gemäß normal deklariert wurde. Der Nutzer bearbeitet diesen Case, schaut, wo das Problem liegt, und bringt sein Feedback mit den vorhandenen Werkzeugen von Sensai zurück in die Software und pflegt diese entsprechend in Sensi ein. Wie vorhin erklärt, haben wir dazu auch den Copilot, der sie mit der generativen AI sprachbasiert und auch textbasiert und dabei unterstützen. Dieser gesamte Zyklus ist so gestaltet, dass sie ihr System nach und nach besser, intelligenter und nutzbarer machen. So sieht auch die tägliche Arbeit in einer Produktion mit Sensei aus. Gerne möchte ich nun auf zwei Erfolgsstorys mit Sensei eingehen. Dazu aber erst ein kurzes Kundenvideo von der Firma Sachsen Mk. Film ab. Mein Name ist Roland Zittel. Ich bin hier am Standort Lepersdorf, der technische Leiter und auch verantwortlich für die Projektabwicklung an unserem Standort. Die Sachsen Schleppersdorf GmbH wurde vor 30 Jahren gegründet. Seitdem haben wir uns zu einer der größten und modernsten Molkereien Europas entwickelt. Wir verarbeiten jeden Tag ungefähr 4,6 Millionen Liter Milch. Das entspricht ungefähr 170 Lkw-Alieferungen pro Tag. Und deswegen ist es so wichtig, dass unsere Technik 24/7 funktioniert. Wir haben ein Pilotprojekt hier am Standort Lepersdorf gestartet mit Sensei Predictive maintenance. Sensei Predictive maintenance ist eine wertvolle Ergänzung unserer bestehenden Prozesse der vorbeugenden Instandhaltung, so kann man sehr schnell erkennen, dass bei der vielfältigen Anlagentechnik, die wir im Einsatz haben, sich an bestimmten Stellen Probleme entwickeln können und schnell reagiert werden und somit Produktionsausfälle stark reduziert werden können. Wir haben keine festen Wartungspläne mehr, sondern orientieren uns an dem Zustand der Anlage und wollen damit natürlich Instandhaltungskosten einsparen. Größte Herausforderung bei der Umsetzung unseres Pilotprojektes war, die richtigen Daten zu finden. Also zu sagen, wir gucken auf Temperaturen, gucken auf Schwingspiele, gucken auf Frequenzen, um dann Anomalien erkennen zu können und daraus die richtigen Schlüsse abzuleiten. Sensei Predictive Maintenance passt sehr gut in unserem bestehenden Prozess. Die App ist sehr gut bedienbar. Alle Funktionen, die wichtig sind, sind schnell zu erreichen. Wir haben viele Daten, die zusammengetragen werden und die man sich dann auch noch selber auswerten kann, um zu einem Schluss zu kommen, was das Problem ist. Der SSI Copilot ist auch ein gutes Tool, vor allem. Für neue Mitarbeiter, die sich in der Materie noch nicht so tief drin befinden. Wir können heute schon sagen, dass sich der Pilot Sense Eye Predictive Maintenance bereits amortisiert hat. Bei verschiedenen Pumpen haben wir die Erfahrung gemacht, dass ein Austausch der Pumpe eben geplant werden konnte. Und damit ist der Stillstand deutlich geringer, als wenn die Pumpe während der Produktion ausfällt. Das frühzeitige Erkennen dieses Events hat uns Einsparungen in einem niedrigen sechsstelligen Euro-Bereich gebracht. Uns gefällt an diesem Projekt. Dass Siemens das Know-how sowohl auf der technologischen technischen Seite mitbringt, aber auch auf der Seite der Projektabwicklung. Und da haben wir bei der Zusammenarbeit sehr, sehr gute Erfahrungen gemacht, hatten permanent die Unterstützung, aber nicht nur, dass Siemens selber durchgeführt hat, sondern die Unterstützung war gleichzeitig Training und Einführung. Sodass wir selbstständig dann den Piloten weiterführen konnten und auch erfolgreich zum Abschluss bringen konnten. Mit Siemens planen wir die Integration von Sensi ins SAPPM. Mit dem Ziel, dass wir Wartungsmeldungen aus dem Sensei automatisiert im SAPPM erhalten, sodass diese bei der Erstellung von Wartungsplänen berücksichtigt werden können. In Bezug auf das eben gesehene Video fasse ich hier einen expliziten Fall von Sensei bei der Firma SachsenMk zusammen. Das Essen in diesem Erfolgsfall ist eine Kreiselpumpe in der Membranfiltrationsanlage. Sensei hat zunächst einen stetigen Trend im Effektivwert der Schwinggeschwindigkeit erkannt und aufgrund dessen einen Fall eröffnet. Die Pumpe wurde gegen ein vorhandenes Revisionsteil mit einem mod- modifizierten Zulauf getauscht. Der Tausch brachte jedoch nicht den gewünschten Erfolg, was in den Schwingungswerten klar ersichtlich war. anschließend hat man den modifizierten Zulauf der Pumpe auf den originalen Zulauf zurückgerüstet. Dies brachte eine Verbesserung, war jedoch immer noch nicht zufriedenstellend, respektive noch nicht wie vor dem Fehler. Am Ende wurde die Pumpe gegen ein komplettes Neuteil getauscht, was die Schwingung wieder auf ein nngerechtes Niveau reduzierte. Die Analyse hat ergeben, dass das Lager verschlissen und dass ebenso das eingesetzte Revisionsteil fehlerhaft war. Durch die Bearbeitung dieses Cases konnten potenzielle Schäden an der Pumpenwelle plus Abtrag im Pumpenraum verhindert werden. Somit hatten wir keinen Produktverlust. Wir hatten keinen Prozessstau und die Reparatur konnte geplant durchgeführt werden. …

Full transcript (WebVTT)