Was ist Predictive Analytics und wie wird das faktenbasierte Hellsehertum unsere Lebens- und Arbeitswelt verändern?
Perspektiven im Blick

Das Ende des Zufalls?

Ungeplante Ausfälle von Maschinen. Unerwartete Kursstürze an den Börsen. Der plötzliche Herzinfarkt. Überall suchen Menschen nach Möglichkeiten, solche Risiken frühzeitig zu erkennen, sie zu verhindern oder sich wenigstens optimal darauf vorzubereiten. Predictive, also vorausschauend, lautet das Schlagwort, auf das Unternehmen aller Branchen und Privatpersonen setzen. Die Grundlage dafür: Daten.
Autor: Roger Homrich
Fotos: gettyimages (2), iStockphoto (2), Deutsche Bahn AG/Martin Busbac
Podcast
Das Ende des Zufalls
Podcast: Die smarte Welt.
Fangen wir mit Nostradamus an. So was wie der Predictive-Superstar unter den Hellsehern. Für 2018 hat der französische Apotheker, Sterndeuter und Seher wenig Gutes vorausgesagt: ungewöhnliche Wetterphänomene, Überschwemmungen, Dürre und schwere Orkane mit verheerenden Auswirkungen. Und es soll ein großer Krieg bevorstehen, der die Supermächte spalten wird.
Man kann den Prophezeiungen von Nostradamus glauben oder auch nicht. Fest steht: Er lag schon oft daneben und viele seiner Vorhersagen sind so allgemein, dass sie früher oder später tatsächlich eintreten werden. Interessant ist aber: Viele Menschen interessiert es sehr, was Hellseher, Wahrsager und Sterndeuter voraussagen. Sie wollen sich vorbereiten, sich wappnen für oder gegen das, was in der nahen und fernen Zukunft kommen könnte. Jedoch so richtig daran glauben tun nur wenige. Denn es fehlen ihnen Zahlen, Daten und Fakten.
Davon gibt es heute genug und es werden immer mehr. Damit bekommt das Thema Predictive eine glaubwürdige Basis. Denn das vorausschauende Wissen, was auf uns, unsere Unternehmen, unsere Maschinen zukommen wird, beruht auf Fakten. Dank Sensoren, des Internets der Dinge und des Vergleichs von neuen Daten mit zurückliegenden Informationen lassen sich zukünftige Veränderungen immer genauer voraussehen – ob kurz- oder langfristig.

Hellseher im Maschinenraum

Beispiel Wettervorhersage: Heute ist die Genauigkeit der Prognose für die nächsten sechs Tage so gut wie vor 50 Jahren die Vorhersage für den nächsten Tag. Dafür fließen etwa beim Deutschen Wetterdienst Satelliteninformationen, Daten von Hunderten schwimmenden Messbojen und nationalen Wetterdiensten, Tausenden Handelsschiffen, Verkehrsflugzeugen oder Wetterstationen ein. Hochleistungsrechner verarbeiten diese Datenflut und aktualisieren alle paar Stunden die Wetterprognose. Freibad oder Sauna: Genaue Wettervorhersagen bestimmen über unsere Freizeitplanung. Hier gehören sie eher zur Kategorie Kür. Für Landwirte, die Schifffahrt oder die Logistik kann das Wetter jedoch existenziell sein. Und daher ist ihr Einsatz Standard, seit es Wetterdienste gibt.
„Mit selbstlernenden Algorithmen und Analysen werden Muster und Abhängigkeiten verschiedener Betriebsparameter erkannt.“
GEORG RÄTKER,
Global Delivery Unit Automotive & Manufacturing Solutions, T-Systems
In der Industrie jedoch sind kurzfristige Vorhersagen neu, denn dafür mussten erst die technologischen Voraussetzungen geschaffen werden. Die liegen heute vor. Die Maschinen selbst erfassen Zustandsdaten. Zusätzlich lesen Sensoren Daten aus, senden sie über Datennetze in die Cloud, wo spezielle Algorithmen sie zusammen mit historischen Daten verarbeiten, aggregieren und für jeden Maschinisten verständlich darstellen. Und das alles – wenn gewünscht – in Echtzeit.
„Mit selbstlernenden Algorithmen und Analysen werden Muster und Abhängigkeiten verschiedener Betriebsparameter erkannt. Auf dieser Basis lassen sich Vorhersagen zu Ausfällen und deren Ursachen treffen. Unternehmen können Stillstände von Robotern oder Maschinen somit Tage im Voraus bestimmen, die Instandhaltung ressourcenoptimiert einplanen und den Produktionsprozess anpassen“, erklärt Georg Rätker, T-Systems-Experte für Automotive- und Manufacturing-Lösungen.
Mit Hilfe vorausschauender Wartung wollen Unternehmen ungeplante Stillstandzeiten minimieren und ihre Kosten senken.

Ungeplanten Stillstand verringern

Prävention ist besser als heilen: Diese Binsenweisheit wird jeder unterschreiben. Aber welchen tatsächlichen Nutzen versprechen sich die Unternehmen, die für ihren Maschinenpark auf vorausschauende Wartung setzen? Sie wollen die ungeplanten Stillstandzeiten minimieren und damit ihre Kosten senken. Denn der Produktionsausfall durch stillstehende Maschinen kostet allein die Automobilindustrie rund eine Milliarde Euro pro Jahr. Und die Kosten für den Betrieb und Service von Investitionsgütern wie Förder- oder Produktionsanlagen verschlingen 80 Prozent der „Total Cost of Ownership“ von Investitionsgütern wie Förder- oder Produktionsanlagen. Die Anschaffungskosten dagegen machen nur jeden fünften Euro aus.
Je nach Branche betragen die Ausgaben für die Instandhaltung bis zu sechs Prozent der Gesamtkosten eines Industrieunternehmens. Hinzu kommt: „Die Unternehmen in Europa sind im Hinblick auf die Effizienz der Instandhaltungsprozesse ihrer Industrieanlagen oder Fahrzeuge nicht allzu optimistisch. Ein deutliches Gros der Unternehmen bewertet seine Wartungsprozesse als nicht sehr effizient“, bestätigt Miloš Milojević, Industrieanalyst bei PAC.
Gewichtige Argumente. Doch laut einer Frenus-Umfrage zum Status quo der Maschinenbaubranche in Westeuropa vom November 2017 nutzen mehr als drei Viertel der Unternehmen bisher noch keine Predictive-Maintenance-Lösungen. „Gleichzeitig glaubt aber eine deutliche Mehrheit, dass der Einsatz solcher Lösungen auf Dauer vital für das Überleben von Maschinenbauunternehmen ist, da sie dazu beitragen, gegen den Wettbewerb aus Billiglohnländern bestehen zu können“, schildert Rätker.
Mit Predictive Maintenance wollen vier von fünf Unternehmen die Anlagenverfügbarkeit erhöhen.

Aktuelle Instandhaltungskonzepte überholt

Auch das Beratungshaus BearingPoint hat herausgefunden: Über die vorausschauende Instandhaltung wird bislang lieber diskutiert. Während sich 84 Prozent der Befragten schon mit Predictive Maintenance in ihrem Unternehmen auseinandergesetzt haben, hat nur jedes vierte bereits erste Projekte durchgeführt, „obwohl herkömmliche Instandhaltungskonzepte den heutigen Anforderungen nicht mehr gerecht würden“, meint Donald Wachs, globaler Leiter Manufacturing bei BearingPoint und Experte für Industry 4.0/IoT. „Sie binden Kapital und verbrauchen zu viele Ressourcen.“ Mit Predictive Maintenance dagegen wollen vier von fünf Unternehmen die Anlagenverfügbarkeit erhöhen und 60 Prozent die Wartungskosten senken.
Warum also diese Zurückhaltung, wenn die Vorteile doch offensichtlich sind? Die vermeintlich hohen Kosten durch teure Lösungen und Sensorik sind ein Grund. Darüber hinaus hat BearingPoint herausgefunden: Deutlich mehr als die Hälfte der Unternehmen (57 Prozent) sieht IT-Sicherheit als größte technische Hürde. Und 61 Prozent fürchten den hohen Implementierungsaufwand. Dabei mangele es zudem am Mut, Fehler zu machen und aus diesen zu lernen, so Donald Wachs. „Das hemmt die Unternehmen und blockiert die Potenziale von Predictive Maintenance.“
In der Fertigungsindustrie von heute werden IoT-Module bereits in der Produktionsplanung mit berücksichtigt.
In der Fertigungsindustrie von heute werden IoT-Module bereits in der Produktionsplanung mit berücksichtigt.
Fehlende Daten sind laut Britta Hilt, Co-Founder and Managing Director von IS Predict, ein weiterer Grund, warum sich die Unternehmen mit vorausschauender Wartung schwertun. Der Softwareanbieter entwickelt seit fast zehn Jahren Lösungen, die auf selbstlernender künstlicher Intelligenz und Predictive Data Analytics beruhen. „Wir haben ein typisches Problem unterschiedlicher Innovationszyklen“, erklärt Hilt. „Viele Maschinen laufen schon seit zehn und mehr Jahren, sind also auf die Analysemöglichkeiten von heute nicht vorbereitet.“ Zwar erfassen die meisten Maschinen Prozess- und Produktdaten. Diese Daten lassen sich aber oft nicht für Predictive-Zwecke auslesen. „Neue Maschinen dagegen haben immer häufiger ein IoT-Modul, mit dem Zustandsdaten erfasst und übertragen werden können. Es wird also noch eine gewisse Zeit dauern, bis alle Maschinen und Geräte von vornherein für die vorausschauende Wartung ausgestattet sind“, prognostiziert Hilt, die sich seit mehr als 20 Jahren mit Predictive Intelligence beschäftigt.
Die Potenziale jedoch sind groß. So hat IS Predict den ungeplanten Ausfall von Lokomotiven eines internationalen Logistikunternehmens durch vorausschauende Wartung verringert. Für die Analyse der Maschinendaten zapft IS Predict bei jeder der gut 4.000 Lokomotiven bis zu 900 Datenpunkte an. Mit acht Parametern konnten die Spezialisten ein charakteristisches Muster entwickeln, das anzeigt, wenn sich Störungen am Motor ankündigen, und dadurch die Zahl der Motorschäden verringert. Heute erkennt das Logistikunternehmen Ausfälle bis zu drei Wochen im Voraus und wartet die betroffenen Lokomotiven proaktiv und ohne Ausfälle. Das spart Geld, denn pro Motorwechsel entstanden bisher Kosten von rund 200.000 Euro.
Um die Wartungs- und Ausfallzeiten von Lokomotiven zu minimieren, werden bis zu 900 Datenpunkte pro Triebwagen angezapft.
Um die Wartungs- und Ausfallzeiten von Lokomotiven zu minimieren, werden bis zu 900 Datenpunkte - an jedem - der Triebwagen angezapft.

Next Generation Maintenance

Ein anderes Beispiel: T-Systems hat mit IS Predict ein Verfahren in der Automobilproduktion entwickelt, mit der sich die Wartung von Schweißrobotern optimieren lässt. Fällt ein Roboter ungeplant aus, steht die komplette Fertigungslinie still. Und kostet das Unternehmen laut einer Umfrage des Marktforschungsunternehmens Nielsen bis zu 22.000 US-Dollar pro Minute. Heute identifiziert der T-Systems-Kunde schwächelnde Schweißroboter bis zu sechs Tage im Voraus und erkennt zudem die Ursachen für den drohenden Defekt. Ersatzteile stehen dem OEM passend zur Verfügung und die Wartung erfolgt geplant in einer produktionsfreien Zeit.
Der Produktionsausfall durch stillstehende Maschinen kostet allein die Automobilindustrie rund eine Milliarde Euro pro Jahr.
Einen Schritt weiter als Predictive Maintenance geht T-Systems mit dem Ansatz „Next Generation Maintenance“. Hierbei werden Daten nicht nur zu dem Zweck verarbeitet, Ausfallzeiten zu verringern oder den Service zu optimieren. „Die Maschinendaten aus der Wartung koppeln wir in das Engineering zurück“, beschreibt Rätker den neuen Ansatz. „Die bei der Wartung festgestellten Schwachstellen von Produktionsanlagen fließen in die Weiterentwicklung einer Maschine ein. Die Analyse der Wartungshistorie liefert die dafür nötigen Rückschlüsse.“ So lässt sich die Qualität der Erzeugnisse optimieren und die Lebensdauer einer Maschine oder ganzen Produktionsanlage verlängern. Rätker: „Dies kann die Total Cost of Ownership deutlich reduzieren.“ Zeigt sich etwa, dass eine Maschine bei bestimmten Temperaturen häufiger ausfällt, kann der Produzent die Materialzusammensetzung an den entscheidenden Schwachstellen verändern. Oder das Unternehmen sorgt dafür, dass die Temperatur in einer Produktionshalle optimal eingestellt ist. 

Weitere Artikel und Interviews

Weitere Informationen