Null-Ausfallzeiten durch KI-gestützte vorausschauende Wartung erreichen

Mitte der 2000er Jahre stürzte das Druckluftsystem im Toyota-Werk Nordamerika in Georgetown, KY, im Durchschnitt mehr als einmal pro Jahr ab. Das ließ einige im Werk fragen, ob maschinelles Lernen und KI dieses Problem durch Anomalieerkennung, Fehleridentifikation und – am wichtigsten – Vorhersage drohender Ausfälle vor deren Eintritt lösen könnten.

Ungeplante Ausfallzeiten des Druckluftsystems bedeuteten natürlich, dass die gesamte Fabrik ein Problem hatte. Die Lackiererei nutzte Druckluft zum Lackieren neuer Fahrzeuge. Das System brachte Druckluftwerkzeuge zum Laufen, und nichts war mit Druckluft vergleichbar, um Schleif- und andere Rückstände abzublasen.

Bei einem fertigen Fahrzeug, das während zweier Schichten alle 25 Sekunden von einer von drei Linien rollte, waren die Folgen erheblich, wenn die Druckluftversorgung ausfiel.

„Die Kosten, wenn die Linie stillsteht, sind enorm“, sagte Mark Rucker, Projektmanager und elektrischer Fachexperte im Werk. „Da ist also ein guter Anreiz, eine gute, zuverlässige, stabile Versorgung zu haben.“

Das mehrmillionenschwere Druckluftsystem besteht aus einem Dutzend Ingersoll-Rand-Zentrifugalkompressoren, jeweils so groß wie ein kleiner Sattelschlepper. Die Endstufen-Schaufeln jedes Kompressors rotieren mit 20.000 U/min einen Bruchteil eines Zolls vom Gehäuse entfernt. Wenn eine Schaufe auch nur minimal aus der Spezifikation läuft und das Gehäuse berührt, ist sie hinüber. Die gesamte Maschine muss für ca. 100.000 $ neu aufgebaut werden.

Das Flattern der Schaufe ist nicht die Ursache eines Absturzes, sondern die Folge.

Der Absturz – auch Surge oder Rückstrom genannt – passiert, wenn etwas den normalen Luftstrom vom Kompressor zum Rohr veranlasst, sich umzukehren, und die Luft im Rohr zurückdrückt.

Häufigkeit, Kosten und Folgen der Abstürze veranlassten Toyota, Jay Lee, Gründungsdirektor der Intelligent Maintenance Systems, um Hilfe zu bitten.

Jay Lee war der Industrie-4.0-Kurve voraus

Zu Beginn des neuen Jahrtausends, vor dem Anruf von Toyota, war Lee Ingenieurprofessor an der University of Cincinnati und stellte sich vor, alle Maschinen in einer Fabrik seien vernetzt und lieferten Daten für intelligente Wartung. Damals existierte jedoch noch viel der Technologie nicht, die Lees Vision Wirklichkeit werden lassen sollte.

„Vor zwanzig Jahren glaubten sehr wenige Menschen, dass das möglich sei“, sagte Lee, der derzeit beurlaubt ist und als Vice Chairman und Board Member der Foxconn Technology Group in Wisconsin tätig ist.

In seiner industriellen Vision sind Maschinen wie Patienten, und Daten von Sensoren, die Maschinen überwachen, liefern Informationen über deren Gesundheit. Experten erstellen Prognosen, indem sie die gesammelten Daten interpretieren und analysieren.

„Ich sagte: ‚Warum nicht das Blut der Maschine testen?‘ Und was ist das Blut der Maschine? Daten. Die Frage ist: ‚Welche Daten wollen Sie erhalten?‘ Das hängt davon ab, was Sie analysieren wollen. Wir müssen Kontext und Inhalt verstehen und weiter ein Beziehungsmodell unter den unsichtbaren Unbekannten formulieren.“

Im Daten verborgen liegt Bedeutung über abweichendes Verhalten einer Maschine oder eines Prozesses. Diese Bedeutung zu entschlüsseln führt zu Qualitätsvorhersage, Bestimmung der Stabilität von Maschine oder Prozess und Verhinderung potenzieller Ausfälle. „Genau das ist es, worum es bei Industrie 4.0 heute geht“, sagte Lee.

Der Begriff „Industrie 4.0“ wurde freilich erst um die Zeit der deutschen Regierungsinitiative 2013 populär.

Keine Abstürze seit 2006

Bei Toyota schlossen sich Lee und sein Team von Datenanalysten mit Rucker und einer Gruppe erfahrener Wartungsarbeiter und Werksingenieure zusammen, um das Druckluftproblem anzugehen.

Die Einfachheit ihrer Fragen verbarg die Komplexität der bevorstehenden Aufgabe.

„Können wir ein Rückstromproblem vorhersagen, bevor es einen Absturz verursacht?“, sagte Rucker. „Können wir etwas sich Entwickelndes rechtzeitig erkennen, um etwas dagegen zu tun?“

Monatelang sammelten und analysierten sie 2005 durch Trial-and-Error hochpräzise Daten von einem der Kompressoren und suchten nach Anomalien. Manchmal erzeugte das Team absichtlich einen Surge oder Annäherung-an-Surge-Zustand, um die Maschine abweichendes Verhalten zeigen zu lassen und zu sehen, wie das im Datensatz aussah.

Schließlich zahlte sich die Arbeit aus. Das Team fand, dass der beste Prädiktor für einen beginnenden Surge-Zustand in Stufe zwei (von vier Stufen, die der Kompressor durchläuft, vom Normaldruck bis 120 psi) auftrat.

„Was ist die Physik dahinter, warum ist das der Prädiktor?“, sagte Rucker. „Weiß nicht, ist egal. Wir haben nur gesehen, dass dies einen zukünftigen Surge zuverlässig vorhersagt – und das mit Sekunden Vorwarnzeit.“

Der nächste Schritt war, einen Differenzialsensor an jeden Kompressor zu montieren und einen Machine-Learning-Algorithmus für die Zentraleinheit zu erstellen. Tests bestätigten: Sobald Stufe zwei zu „flattern“ begann, fuhr der Kompressor zurück.

„Jedes Mal, wenn wir es testeten, hielt es uns aus der Patsche“, sagte er. „Seit 2006 hatten wir keine Abstürze mehr.“

Während das Kompressor-Surge-Projekt ein Erfolg war, scheiterte ein weiteres, das die Lebensdauer der Lager in den Druckluft-Riesen vorhersagen sollte. Das Team fand nicht genug verlässliche Wartungsdaten und konnte sie nicht mit Betriebsdaten der Maschinen koppeln, um nützliche Korrelationen zu ziehen, sagte Rucker.

„Das ist wahrscheinlich die richtige Mischung aus F&E“, sagte er. „Man probiert Dinge aus, und man weiß nicht, ob sie funktionieren. Und wenn man halb so oft sein Geld zurückbekommt, ist das ein Gewinn. Und ab und zu findet man das eine, das alles andere bezahlt – wie die Surge-Steuerung.“

Flexibilität ist der Schlüssel

Lee veröffentlichte anschließend eine Arbeit über das Toyota-Projekt und half 2013 bei der Gründung von Predictronics mit Patrick Brown, einem Mitarbeiter der Intelligent Maintenance Systems, und zwei seiner Universitätsstudenten, David Siegel und Edzel Lapira. Brown, Lapira und Siegel bilden die C-Suite von Predictronics.

Wie Toyotas Rucker Lee um KI-Hilfe bat, kommen Unternehmen zu Predictronics für Hilfe bei ihren Null-Ausfallzeit-Zielen.

„Verschiedene Kunden stehen meist auf unterschiedlichen Reifegraden“, sagte Lapira, der CEO ist. „Wir haben Kunden, die bereits eine Datenerfassungsstruktur haben: Sie haben einen Data Lake, wissen aber nicht, was sie mit den Daten anfangen sollen. Wir haben auch Kunden, die bei Null anfangen müssen.“

Kunden mit 50- oder 60 Jahre alten Anlagen müssen noch früher ansetzen.

Zunehmend wird Predictronics von Kunden mit Legacy-Maschinen angesprochen. Lapira und Kollegen schicken sie einkaufen nach Komponenten wie Beschleunigungssensoren und Wandlern.

„Das sind die verschiedenen Analog-Digital-Wandler, die wir brauchen, um diese Daten herauszubekommen“, sagte er.

Seit der Gründung 2013 hat Predictronics mehr als 70 Fabriken mit KI-Lösungen geholfen, viele davon Fortune-500-Unternehmen.

Predictronics arbeitete mit einem Kunden, einem Halbleiterhersteller, an einer virtuellen Metrologie-Vorhersagelösung, die die Beziehung zwischen Sensor- und Messvariablen lernte.

Das Projekt war herausfordernd wegen der hunderte gemessenen Signale, die die Halbleiterausrüstung auswarf.

Es gibt jedoch bekannte statistische Methoden, um die Anzahl der Möglichkeiten einzugrenzen, sagte Siegel.

„Zusätzlich zu diesen Methoden hat die Machine-Learning-Community in den letzten Jahren Methoden entwickelt, die einen Klassifikations-Regressions-Algorithmus mit eingebauter Variablenselektion beinhalten“, sagte er. „Damit grenzt man es auf die Top 10, 20 oder 30 Variablen ein. Dann arbeitet man mit dem Kunden oder nutzt eigenes Wissen, um zu bestimmen, was am meisten Sinn ergibt, in die Software und das Analysemodell aufzunehmen.“

Ob Predictronics Wissen aus früherer Erfahrung in seinem template-basierten Ansatz anwendet, der Kosten niedrig hält, oder eine Lösung, die in einem Teil eines Unternehmens formuliert und dann intern skaliert werden kann: „Eine Lösung zu finden, die die kritischsten Probleme direkt angeht, aber auch flexibel genug ist, auf andere Probleme angewendet zu werden, ist entscheidend“, sagte Brown.

Due Diligence bei KI

Fabriken, die wie Toyota für ihr Druckluftproblem nach einem KI-Lösungsanbieter suchen, sollten Due Diligence betreiben, um die richtige Passform zu finden.

Es hilft, die richtigen Fragen zu kennen, sagten die Experten von Predictronics:

• Wo wurden Ihre Dienste bereits eingesetzt?
• Hat Ihre Lösung eine klare Verbesserung der Geschäftsabläufe gezeigt – reduzierte Ausfallzeiten oder erhöhte Qualität?
• Wurde Ihre Lösung in meiner Branche eingesetzt?
• Hat Ihr Team industrielles Domänenwissen?
• Funktioniert Ihre Lösung mit Legacy-Ausrüstung?
• Funktioniert Ihre Lösung mit verschiedenen Sensoren?
• Nutzt Ihre Lösung maschinelles Lernen?
• Wie viele Daten braucht es für das Training des Modells?
• Braucht es nur Daten von einer gesunden Maschine oder auch von degradierten/fehlerhaften Maschinen zum Lernen?

Roboter wollen auch KI

Während Maschinen in einer Werkstatt unter KI-Einfluss besser arbeiten, gibt es keinen Grund, warum Roboter das nicht auch tun sollten.

Fanuc America hat kürzlich „AI Error Proofing“ zu seinem Roboter-Controller und der Roboter-Vision-Funktion iRVision hinzugefügt, die maschinelles Lernen (ML) für die Teileinspektion nutzt.

Mit der Fehlervermeidungsfähigkeit nutzt ein Bediener Bilder, um das ML darauf zu trainieren, zwei unterschiedliche Situationen zu prüfen – ob z. B. eine geschweißte Mutter vorhanden oder nicht vorhanden ist – und ein Teil zu akzeptieren oder abzulehnen.

Da iRVision bis zu 27 Kameras unterstützen kann, kann die Fehlervermeidungsfunktion an so vielen Punkten im Fertigungsprozess agieren.

„Man will Ausschuss oder Fehler erkennen, bevor man weiter Wert auf ein schlechtes Teil legt“, sagte Josh Person, Staff Engineer in Fanucs Machine-Vision-Gruppe.

„Oft sieht man einen Fehler in einer Stufe, und die nächste Stufe würde ihn überdecken“, fügte er hinzu.

Während des Setups kann der Bediener mehrere Beispiele von Werkstücken präsentieren und sie in zwei Kategorien klassifizieren – gut und schlecht. Fällt das Beispiel in keine Klasse, gibt es „undetermined“ aus. Unbestimmte Beispiele können dann hinzugefügt werden, um das gelernte Modell zu verbessern.