IBM Predictive Maintenance & Quality Best Practice Lösungen rund

IBM Maximo Anwendertagung 2015
Anja Burghardt, Predictive Analytics Solutions Architect
[email protected]
20.05.2015
IBM Predictive Maintenance & Quality
Best Practice Lösungen rund um die
vorausschauende Instandhaltung
© 2015 IBM Corporation
Predictive Analytics – der Blick in die Zukunft
„Prognosen
sind schwierig,
besonders wenn sie die Zukunft
betreffen“
Karl Valentin
2
© 2015 IBM Corporation
Predictive Maintenance Lösungen können die Instandhaltung
maßgeblich verbessern!
Predictive
Maintenance
Conditionbased
Maintenance
Preventive
Maintenance
Reactive
Maintenance
(basierend auf
Herstellervorgaben,
Zeit oder Erfahrung/
Bauchgefühl)
(basierend auf
Monitoring um
den Zustand zu
bewerten)
(basierend auf
Nutzungs- und
Verschließ
merkmalen um
Ausfall zu
prognostizieren)
(Asset fällt aus
und wird
repariert)
Quelle : Gartner
3
© 2015 IBM Corporation
PAC-Studie
Predictive Analytics in der Fertigung
Über 100 Produktionsverantwortliche aus Unternehmen mit mehr als 500
Mitarbeitern in Deutschland telefonisch (CATI) befragt.
4
Predictive Analytics in der Fertigungsindustrie, PAC GmbH, 2014
© 2015 IBM Corporation
PAC-Studie
Predictive Analytics in der Fertigung
5
Predictive Analytics in der Fertigungsindustrie, PAC GmbH, 2014
© 2015 IBM Corporation
PAC-Studie
Predictive Analytics in der Fertigung
6
Predictive Analytics in der Fertigungsindustrie, PAC GmbH, 2014
© 2015 IBM Corporation
PAC-Studie
Predictive Analytics in der Fertigung
7
Predictive Analytics in der Fertigungsindustrie, PAC GmbH, 2014
© 2015 IBM Corporation
PAC-Studie
Predictive Analytics in der Fertigung
8
Predictive Analytics in der Fertigungsindustrie, PAC GmbH, 2014
© 2015 IBM Corporation
Predictive Maintenance & Quality
Forrester’s Software Foresights Survey
“ Predictive Maintenance & Quality ist einer der am stärksten
wachsenden Märkte von Advanced Analytics.
Die Anzahl der Unternehmen, die Predictive Analytics Lösungen
nutzen, hat sich fast verdoppelt – von 17% im Jahr 2012 auf 32%
im Jahr 2013 und wir erwarten, dass bis zum Ende diesen Jahres
die 46% Marke erreicht wird.
Viele Projekte konzentrieren sich auf ein besseres Verständnis
der Fehlermuster von kritischen Assets, was für die meisten
Unternehmen einen natürlich ersten Startpunkt in die Welt von
Predictive Analytics darstellt.“
Dr. Holger Kisker, VP & Research Director, Forrester Research, Jan. 2014
Source: Based on 1631/1811 software decision makers in Forrester’s Software Forrsights Survey Q4, 2012 / Q4, 2013
9
© 2015 IBM Corporation
IBM Predictive Maintenance & Quality analysiert Daten aus
verschiedenen Quellen, liefert Empfehlungen und ermöglicht
fundierte Entscheidungen & Prognosen in Echtzeit
3
2
1
Erstellung
statistischer und
prädiktiver Modelle
Datensammlung und integration
Strukturiert, Unstruktutiert,
Streaming
Ursache-WirkungsAnalysen
(Root Cause Analysis)
Predictive
Maintenance and
Quality
• Unterschiedl.
Datenformate
• Benutzerfreundliche
Modellerstellung
• Interaktive
Dashboards
• Schnelle
Entscheidungen
Asset Performance
10
4
5
Anzeige von Warnungen/Alerts
und empfohlenen Aktionen
Intergration in
operative Systeme
/ Maximo
Asset Maintenance
Qualitätsoptimierung
© 2015 IBM Corporation
IBM Predictive Maintenance and Quality bietet:
Big Data, Predictive
Analytics, Business
Intelligence
Echtzeit
Fähigkeiten
Schnelle und
verlässliche
Entscheidungen
Maximo
Integration
Fortschrittliche
Algorithmen
11
Offene Architektur
Messbare Erfolge
(ROI)
© 2015 IBM Corporation
IBM Predictive Maintenance & Quality Architektur

Endanwender
Reports, Dashboards,
Drill-downs

Predictive
Analytics
Decision
Management &
Optimization
Business
Intelligence
Analytic Foundation
(vordefinierte Datenorchestration und Datenschema für
Qualitäts-, Machinen- und Produkionsdaten)
Data Integration
Telematics, Manufacturing
Execution Systems
Databanken, Distributed
Control Systems
12
High-volume
Streaming Daten
(Streams), MQTT
(MessageSight)



Enterprise Asset
Management Systeme
Maximo
Advanced Analytics
Funktionen von IBM
SPSS and IBM
Cognos
Datenintegration
bereitgestellt durch IBM
Integration Bus und
IBM Infosphere Master
Data Management
Collaborative Edition,
sowie ein vordefiniertes,
DB2- basiertes
Datenschema
Analytics Solution
Foundation liefert die
Orchestration
Prozessintegration mit
Maximo zur
automatisierten Work
Order-Erstellung
Enthält Datenmodelle,
Message flows,
Reports, Dashboards,
© 2015 IBM Corporation
IBM Predictive Maintenance & Quality – Maximo Integration
Master Data
PMQ
Maximo Publish Channel
(XML)
Maximo
Work Order
Maximo Enterprise Service
Es ist zudem möglich Inspektions- und Wartungsinformationen als Events aus Maximo
in PMQ zu importierten
Weitere Informationen:
13
http://public.dhe.ibm.com/software/analytics/spss/documentation/pmq/en/2.5.0/pmq_solution_guide.pdf
© 2015 IBM Corporation
IBM Predictive Maintenance and Quality
liefert Mehrwert für zahlreiche Industrien und Anwendungsbereiche:
14
© 2015 IBM Corporation
Projektbeispiel
Predictive Maintenance
© 2015 IBM Corporation
Ist Situation – Instandhaltung
 Aktuelle OEE: ca. 46%
 Bei nur 5% der Maschinenersatzteile liegen Daten zur Standzeit vor
 Instandhaltungsmaßnahmen / vorbeugende Instandhaltung erfolgt größtenteils
auf Erfahrungswerten / Meinungen
 Zu viele ungeplante Stillstände (I01)
 Hohe Lagerkosten aufgrund hoher Ersatzteilbestände
 Steigende Datenmengen und wenig Einblick in teils komplexe UrsacheWirkungszusammenhänge die zu ungeplantem Stillstand führen
16
© 2015 IBM Corporation
Soll Situation
Erhoffte Antworten auf folgende Fragen:




Welche Teile / Maschinen fallen gehäuft aus?
Welche Ursachen führen zu einem Stillstand?
Welche Fehler treten oft gemeinsam / nacheinander auf?
Wie können Ausfälle verhindert werden?
 Wie lange ist die Standzeit eines Bauteils?
 Wann ist der optimale Zeitpunkt für einen Teiletausch?
 Wann muss ein Ersatzteil bestellt werden?
Diese Fragen können bisher nur mit großen Aufwand oder nicht beantwortet
werden
Langfristiges Ziel: OEE Steigerung auf 65%
17
© 2015 IBM Corporation
Vorgehensweise: Zusammenführen unterschiedlicher Daten
Maximo
• Instandhaltungsdaten
MDE
• Maschinendaten
Sonstige Daten
• PM-Aufträge
inkl. Texte
• Schichten
• Temperatur / Wetter
• Ferienzeiten
• Produktionsdaten
• ...
18
© 2015 IBM Corporation
Vorgehensweise: Analysen und Modellerstellung
Maximo
• Instandhaltungsdaten
Muster
Segmente
Prognosen
MDE
• Maschinendaten
Prognosewerte/
Ergebnisse
Sonstige Daten
• PM-Aufträge
inkl. Texte
• Schichten
• Temperatur / Wetter
• Ferienzeiten
• Produktionsdaten
• ...
19
Ad-Hoc Analysen und
Prognosemodelle
für vorausschauende
Instandhaltung
© 2015 IBM Corporation
Vorgehensweise: Analysen und Modellerstellung
Maximo
• Instandhaltungsdaten
Muster
Segmente
Prognosen
MDE
• Maschinendaten
Data Mining Analyse
Prognosewerte/
Ergebnisse
Sonstige Daten
• PM-Aufträge
inkl. Texte
• Schichten
• Temperatur / Wetter
• Ferienzeiten
• Produktionsdaten
• ...
20
Ad-Hoc Analysen und
Prognosemodelle
für vorausschauende Wartung
© 2015 IBM Corporation
Vorgehensweise: Anwendung und Kontrolle
Integration der Prognosewerte in
operative Systeme
z.B Leitrechner, SAP, ...
SAP
• Instandhaltungsdaten
Muster
Segmente
Prognosen
MDE
• Maschinendaten
Prognosewerte/
Ergebnisse
Sonstige Daten
• PM-Aufträge
inkl. Texte
• Schichten
• Temperatur / Wetter
• Ferienzeiten
• Produktionsdaten
• ...
Automatisierte Bereitstellung der
Ergebnisse & Prognosen in
Berichten und ManagementDashboards
Ad-Hoc Analysen und
Prognosemodelle
für vorausschauende
Instandhaltung
Feedback Schleife
zur Evaluierung der Modelle und stetigen Anreicherung der Daten
führt zur Verbesserung der Prognosen
21
© 2015 IBM Corporation
Vorgehensweise: Berichterstellung
Integration der Prognosewerte in
operative Systeme
z.B Leitrechner, Maschine, Maximo, ...
Maximo
• Instandhaltungsdaten
Muster
Segmente
Prognosen
MDE
• Maschinendaten
Sonstige Daten
• PM-Aufträge
inkl. Texte
• Schichten
• Temperatur / Wetter
• Ferienzeiten
• Produktionsdaten
• ...
Automatisierte
Bereitstellung
Deploy
into Planning
der
Bereitstellung
Process der
Predictive Models
Scoring
Ergebnisse
Integrate
predictions
&
Prognosen
into
Category
in
Likelihood of a sale & sales volume
Prognosewerte/
Automatisiertes
Berichten
Planning
systems
und
Managementthrough
alerts,
at the Store/SKU level for a period
Ergebnisse
Scoring
Dashboards
reports
and integration into planning
based on multiple methods
Ad-Hoc Analysen und
dashboards
Auffälligkeiten Befunde nach Maschine
Prognosemodelle
Freitag
Dienstag
Mittwoch
Montag
Donnerstag
für vorausschauende
Wartung
Warung
Berichte / Planung
Equipment
Feedback Schleife
zur Evaluierung der Modelle und stetigen Anreicherung der Daten
führt zur Verbesserung der Prognosen
22
© 2015 IBM Corporation
Vorgehensweise: Anwendung und Kontrolle
Integration der Prognosewerte in
operative Systeme
z.B Leitrechner, Maschine, Maximo, ...
Maximo
• Instandhaltungsdaten
Muster
Segmente
Prognosen
MDE
• Maschinendaten
Prognosewerte/
Ergebnisse
Automatisierte Bereitstellung der
Ergebnisse & Prognosen in
Berichten und ManagementDashboards
Ad-Hoc Analysen und
Prognosemodelle
für vorausschauende
Instandhaltung
Sonstige Daten
• PM-Aufträge
inkl. Texte
• Schichten
• Temperatur / Wetter
• Ferienzeiten
• Produktionsdaten
• ...
Verstehen
Vorhersagen
Agieren
Evaluieren
23
© 2015 IBM Corporation
Schritt 1: Ursachenanalyse von Ausfällen (Root Cause Analysis)
Was sind die entscheidenen Treiber und wesentlichen Einflussfaktoren für Ausfälle?
Welche Komponenten sind gefährdet?
Vier fehlerträchtige Konstellationen
wurden automatisch identifiziert
Betriebsbedingungen,
Wartungszeitpunkte und
Herstellungsfaktoren beeinflussen
die Ausfallwahrscheinlichkeit
24
© 2015 IBM Corporation
Prognose: Standzeitermittlung (Lebensdauer eines Ersatzteils)
8 Monate
6 Monate
2,5
8 Monate
???
Zukünftig: Soll Situation
Predictive Maintanance
25
Warum entsteht diese
Häufung?
Warum entsteht
diese Lücke?
Wurden mehr Teile oder
andere Typen produziert?
Wurde hier weniger
oder nicht produziert?
durch Kombination mit
Produktionsdaten
(Stückzahl / Typ)
© 2015 IBM Corporation
Prognose: Vorausschauende Instandhaltung
VORHERSAGE:
idealer Zeitpunkt
für Teiletausch
im geplanten Stillstand
Vorhersage:
nächster Defekt
8 Monate
6 Monate
2,5
8 Monate
Heute:
13.12.2012
Zukunft:
2013
Predictive Maintanance
26
Warum entsteht diese
Häufung?
Warum entsteht
diese Lücke?
Wurden mehr Teile oder
andere Typen produziert?
Wurde hier weniger
oder nicht produziert?
durch Kombination mit
Produktionsdaten
(Stückzahl / Typ)
© 2015 IBM Corporation
Schritt 2: Vorauschauende Instandhaltung
durch Vorhersage des optimalen Wartungszeitpunkts
Ziele
 Prognose des idealen Zeitpunkts für den Teiletausch auf jeder Maschine
 Proaktive Steuerung der Wartungstrupps
 Forecasting“ von Reparaturkosten
Mehrwert
 Steigerung der OEE
“Von der reaktiven Wartung zur
proaktiven Instandhaltung”
 Verringerte ungeplante Downtime von Maschinen
(ungeplanter Stillstand wird zu geplantem Stillstand)
 höhere Durchlaufraten
 Verbesserung der Produktivität der Wartungsressourcen
„Vorausschauende Lagerhaltung“ führt zu einer Senkung der Lagerkosten
27
© 2015 IBM Corporation
Projektbeispiel
Qualitätsoptimierung in der Produktion
© 2015 IBM Corporation
Daimler AG: Automobilhersteller steigert Produktivität in der
Zylinderkopfproduktion
Ergebnisse

25 Prozent Steigerung der Produktivität
in der Daimler Zylinderkopfproduktion
dank der mit IBM SPSS gewonnenen
Erkenntnisse.

50 Prozent Verkürzung der
Hochlaufphase des Fertigungsprozesses
bis zur Erreichung der Zielwerte.

Bei Überschreitung von Schwellwerten
ermöglichen die Auswertungen eine
schnelle Fehlerquellenlokalisierung,
gezielte Prozesseingriffe und somit die
Vermeidung von Ausschussprodukten,
noch bevor sie entstehen.
Link zur Referenz - deutsch:
http://www-01.ibm.com/common/ssi/cgibin/ssialias?subtype=AB&infotype=PM&appname=SWGE_YT_YV_DEDE&htmlfid
=YTC03659DEDE&attachment=YTC03659DEDE.PDF
29
© 2015 IBM Corporation
Aufbau eines prozessintegrierten Qualitätsregelsystems
Die Regelung eines nicht-stabilen Prozesses erfolgt durch die Verkettung zweier
Qualitätsregelkreise
1.
aktiver Qualitätsregelkreis
Reduktion von Ausschuss durch die Bestimmung von UrsacheWirkungsbeziehungen (Root Cause Analysis)
 Identifikation von komplexen Fehlermustern
 Identifikation der entscheidenden Treiber und der wesentlichen
Einflussfaktoren für Ausschuss
 Schnelle Adhoc-Analysen zur raschen Problemerkennung und
Problembeseitigung
2.
prädiktiver Qualitätsregelkreis
Vorhersage der Bauteilqualität während des Produktionsvorgangs, um damit
nachfolgende Prüfschritte zu dynamisieren und Einsparungen in der
Endkontrolle zu erzielen
30
© 2015 IBM Corporation
Proaktive dynamische Prüfung in einer Leichtmetallgießerei
Kostenreduzierung durch Integration von Predictive Analytics in den Produktionsprozess
Recycling
n.i.O.
Kühlstrecke
Bearbeitung und
Prüfung
i.O.
Prozessdaten
Datenbank
Kühlstrecke
Bearbeitung
Kunde
Online
scoring
Informationsfluss
31
Materialfluss
© 2015 IBM Corporation
Live Demonstration
© 2015 IBM Corporation
iPad Demo: Interaktives Dashboard : Predictive Maintenance and Quality
(Cognos Active Report)
33
3
© 2015 IBM Corporation
iPad Demo: Interaktives Dashboard : Predictive Maintenance and Quality
(Cognos Active Report)
Overview:
34
3
© 2015 IBM Corporation
iPad Demo: Interaktives Dashboard : Predictive Maintenance and Quality
(Cognos Active Report)
Production Overview:
Maschine Status
Scrap Rate
35
3
© 2015 IBM Corporation
iPad Demo: Interaktives Dashboard : Predictive Maintenance and Quality
(Cognos Active Report)
Failure Diagnostics:
New failure patterns
36
3
© 2015 IBM Corporation
iPad Demo: Interaktives Dashboard : Predictive Maintenance and Quality
(Cognos Active Report)
RULES / Failure Projections: Maschine by Rule & high scrap potential
37
3
© 2015 IBM Corporation
iPad Demo: Interaktives Dashboard : Predictive Maintenance and Quality
(Cognos Active Report)
ACTIONS: Workorder Actions by Date
38
3
© 2015 IBM Corporation
iPad Demo: Interaktives Dashboard : Predictive Maintenance and Quality
(Cognos Active Report)
Anomaly Detection:
39
3
© 2015 IBM Corporation
High End Analytics mit IBM SPSS Modeler
Hohes Maß an Interaktivität
und Benutzerfreundlichkeit
Skalierbarkeit durch Client-/
Server Architektur
Nahtlose Zusammenarbeit
mit allen gängigen
Datenbanksystemen
Orientierung am CRISP-DM
Modell für Data Mining
40
© 2015 IBM Corporation
Automatisierte Selektion der entscheidenden Einflussfaktoren:
Was sind die treibenden Variablen für Ausschuss?
41
© 2015 IBM Corporation
Root Cause Analyse: Identifikation von Fehlermustern und unbekannten
Zusammenhängen mit Entscheidungsbaumverfahren
Beispiel Gießerei:
Root Cause Analyse und
Vorhersage von IO/NIO Teilen
Regel:
WENN Öffnungszeit > 1287
UND Heizkreis 12 <= 598,8
DANN wird zu 100% Ausschuss produziert
42
42
© 2015 IBM Corporation
Real-Time Scoring:
Prognose von Ausschussteilen direkt nach dem Abguss
 wenn automatisiert
durch das ScoringModell eine hohe
Ausschusswahrscheinlichkeit
prognostiziert wurde,
dann sofortiges
Recycling
 Kostenersparnis da
manuelle Prüfschritte
und Röntgen der
Teile entfällt
43
© 2015 IBM Corporation
IBM Predictive Maintenance & Quality analysiert Daten aus
verschiedenen Quellen, liefert Empfehlungen und ermöglicht
fundierte Entscheidungen & Prognosen in Echtzeit
3
2
1
Erstellung
statistischer und
prädiktiver Modelle
Datensammlung und integration
Strukturiert, Unstruktutiert,
Streaming
Ursache-WirkungsAnalysen
(Root Cause Analysis)
Predictive
Maintenance and
Quality
• Unterschiedl.
Datenformate
• Benutzerfreundliche
Modellerstellung
• Interaktive
Dashboards
• Schnelle
Entscheidungen
Asset Performance
44
4
5
Anzeige von Warnungen/Alerts
und empfohlenen Aktionen
Intergration in
operative Systeme
/ Maximo
Asset Maintenance
Qualitätsoptimierung
© 2015 IBM Corporation
Weitere Informationen:
IBM PMQ Überblick und Downloads:
http://www-03.ibm.com/software/products/de/predictive-maintenance-quality
PMQ 2.0 Redbook (englisch): http://www.redbooks.ibm.com/abstracts/tips1130.html?Open
PMQ Knowlegde Center (englisch):
http://www-01.ibm.com/support/knowledgecenter/SSTNNL/welcome
45
© 2015 IBM Corporation
46
© 2015 IBM Corporation
Legal Disclaimer
• © IBM Corporation 2015. All Rights Reserved.
• The information contained in this publication is provided for informational purposes only. While efforts were made to verify the completeness and accuracy of the information contained
in this publication, it is provided AS IS without warranty of any kind, express or implied. In addition, this information is based on IBM’s current product plans and strategy, which are
subject to change by IBM without notice. IBM shall not be responsible for any damages arising out of the use of, or otherwise related to, this publication or any other materials. Nothing
contained in this publication is intended to, nor shall have the effect of, creating any warranties or representations from IBM or its suppliers or licensors, or altering the terms and
conditions of the applicable license agreement governing the use of IBM software.
• References in this presentation to IBM products, programs, or services do not imply that they will be available in all countries in which IBM operates. Product release dates and/or
capabilities referenced in this presentation may change at any time at IBM’s sole discretion based on market opportunities or other factors, and are not intended to be a commitment
to future product or feature availability in any way. Nothing contained in these materials is intended to, nor shall have the effect of, stating or implying that any activities undertaken by
you will result in any specific sales, revenue growth or other results.
• If the text contains performance statistics or references to benchmarks, insert the following language; otherwise delete:
Performance is based on measurements and projections using standard IBM benchmarks in a controlled environment. The actual throughput or performance that any user will
experience will vary depending upon many factors, including considerations such as the amount of multiprogramming in the user's job stream, the I/O configuration, the storage
configuration, and the workload processed. Therefore, no assurance can be given that an individual user will achieve results similar to those stated here.
• If the text includes any customer examples, please confirm we have prior written approval from such customer and insert the following language; otherwise delete:
All customer examples described are presented as illustrations of how those customers have used IBM products and the results they may have achieved. Actual environmental costs
and performance characteristics may vary by customer.
• Please review text for proper trademark attribution of IBM products. At first use, each product name must be the full name and include appropriate trademark symbols (e.g., IBM
Lotus® Sametime® Unyte™). Subsequent references can drop “IBM” but should include the proper branding (e.g., Lotus Sametime Gateway, or WebSphere Application Server).
Please refer to http://www.ibm.com/legal/copytrade.shtml for guidance on which trademarks require the ® or ™ symbol. Do not use abbreviations for IBM product names in your
presentation. All product names must be used as adjectives rather than nouns. Please list all of the trademarks that you use in your presentation as follows; delete any not included in
your presentation. IBM, the IBM logo, Lotus, Lotus Notes, Notes, Domino, Quickr, Sametime, WebSphere, UC2, PartnerWorld and Lotusphere are trademarks of International
Business Machines Corporation in the United States, other countries, or both. Unyte is a trademark of WebDialogs, Inc., in the United States, other countries, or both.
• If you reference Adobe® in the text, please mark the first use and include the following; otherwise delete:
Adobe, the Adobe logo, PostScript, and the PostScript logo are either registered trademarks or trademarks of Adobe Systems Incorporated in the United States, and/or other
countries.
• If you reference Java™ in the text, please mark the first use and include the following; otherwise delete:
Java and all Java-based trademarks are trademarks of Sun Microsystems, Inc. in the United States, other countries, or both.
• If you reference Microsoft® and/or Windows® in the text, please mark the first use and include the following, as applicable; otherwise delete:
Microsoft and Windows are trademarks of Microsoft Corporation in the United States, other countries, or both.
• If you reference Intel® and/or any of the following Intel products in the text, please mark the first use and include those that you use as follows; otherwise delete:
Intel, Intel Centrino, Celeron, Intel Xeon, Intel SpeedStep, Itanium, and Pentium are trademarks or registered trademarks of Intel Corporation or its subsidiaries in the United States
and other countries.
• If you reference UNIX® in the text, please mark the first use and include the following; otherwise delete:
UNIX is a registered trademark of The Open Group in the United States and other countries.
• If you reference Linux® in your presentation, please mark the first use and include the following; otherwise delete:
Linux is a registered trademark of Linus Torvalds in the United States, other countries, or both. Other company, product, or service names may be trademarks or service marks of
others.
• If the text/graphics include screenshots, no actual IBM employee names may be used (even your own), if your screenshots include fictitious company names (e.g., Renovations, Zeta
Bank, Acme) please update and insert the following; otherwise delete: All references to [insert fictitious company name] refer to a fictitious company and are used for illustration
purposes only.
47
© 2015 IBM Corporation

Download Report