Wie kann man Ausfallzeiten bei Maschinen verringern? Das ist nicht etwa nur eine Frage der Qualität und Bedienung des Geräts. Bei Fresenius arbeiten Spezialisten daran, auf Basis von Datenanalysen Vorhersagen zur nächsten Wartung zu treffen. Was das konkret bedeutet, erläutern Dr. Florian Schwaiger (rechts), Senior Consultant Data Science & Advanced Analytics, und Norman Förster (links), Consultant Data Science & Advanced Analytics, beim hauseigenen IT-Dienstleister Fresenius Digital Technology.
Florian Schwaiger: Predictive Maintenance ist ein Projekt, an dem wir in unserer Abteilung seit einiger Zeit arbeiten. Der Hintergrund ist folgender: Bisher finden Wartungen bei Maschinen ganz klassisch in bestimmten zeitlichen Abständen statt, oder eben kurzfristig bei Bedarf, wenn eine Maschine kaputtgeht – dann wird sie repariert. Doch dann fällt sie erstmal aus. Generell hat man einen gewissen Vorrat an Ersatzmaschinen, um nicht in Engpässe zu geraten. Dennoch sind Ausfälle oder auch nur Funktionsfehler nie gut.
Hier kommt unser Projekt Predictive Maintenance ins Spiel. Wenn man vorher weiß, dass eine Maschine bald einen Defekt haben könnte, kann man rechtzeitig reagieren und dadurch Ausfallzeiten reduzieren. Auch können die Wartungszyklen bedarfsorientierter gestaltet werden. Zeigt etwa eine Maschine Auffälligkeiten, kann ein Techniker, der gerade in der Nähe ist, kurzfristig draufschauen.
Norman Förster: Die Ausgangsfrage dabei war, ob man aus Daten, die von einem Gerät gesammelt werden, vorhersagen kann, dass sie bald gewartet werden muss. Denn man kann aus verschiedenen Einflussfaktoren entnehmen, ob bestimmte Teile bald kaputtgehen. Das können Warnmeldungen oder Messungen von Sensoren sein. Auch die Nutzungsdauer ist ein Indikator, der mit einbezogen wird. Zukünftig können wir auch akustische Signale analysieren – wenn Teile plötzlich anders klingen, lässt das ebenfalls Rückschlüsse auf den Wartungszustand zu.
Während die Maschinen im Wartungsmodus sind, greifen wir von ihnen die Daten über ein Übertragungsprotokoll ab, das üblicherweise im IoT-Umfeld, also beispielsweise auch bei Fitnessuhren, benutzt wird. Denn natürlich greifen wir nicht in laufende Prozesse ein! Im Prinzip funktioniert das wie bei entsprechenden Anzeigen, die man aus dem Auto-Cockpit kennt: Anzeige des Wartungsintervalls, Warnmeldungen bei zu niedrigem Ölstand und ähnliches. Nur dass die Geräte diese Meldungen nicht direkt ausgeben können, sondern dass sie aus den Daten der Maschine errechnet werden müssen. Diese Daten dann nutzbar zu machen – das ist genau unsere Aufgabe bei Front-Ends, ETL & Analytics.
Florian Schwaiger: Wir sind eine Untergruppe der Abteilung Business Intelligence & Analytics. Deren Aufgabe ist es, Daten aus verschiedenen Systemen zusammenzuführen, anzureichern, zu visualisieren und Kunden dazu zu beraten. ETL steht für Extract, Transform und Load. Die Kollegen in dieser Gruppe laden Daten aus bestimmten Quellen, transformieren sie und bringen sie zurück in andere Systeme. Die Gruppe Front-End entwickelt und betreut die Software für Anwender. Norman, ich und zwei weitere Kollegen kümmern uns um Advanced Analytics.
Im Grunde geht es bei uns immer darum, bestimmte Daten nutzbar zu machen. So kommen Kunden zu uns mit Daten aus verschiedensten Quellen – etwa Excel- oder Textdateien, aber auch aus Datenbanken oder Sensoren. Sie hoffen, dass in diesen Daten ein Wert steckt, dass sie eine konkrete Frage damit lösen können. Im ersten Schritt lesen wir diese Daten ein und prüfen, ob sich die Frage damit beantworten lässt. Im zweiten Schritt bauen wir Modelle, mit denen die Frage gelöst oder etwas vorhergesagt werden kann. Und zum Schluss machen wir diese Modelle nutzbar, d. h. wir liefern sie in Form von Dashboards oder Reportings, mit denen der Kunde dann arbeiten kann. Ein konkretes Beispiel dafür ist eben Predictive Maintenance. Wobei das Thema Predictive Analytics sehr weit einsetzbar ist: Es lässt sich überall dort verwenden, wo man historische Daten hat, aus denen man irgendetwas vorhersagen will, das dem Business einen Mehrwert liefert, etwa auch in der Fertigung.
Norman Förster: Datenbeschaffung und Datenqualität sind eigentlich immer die großen Herausforderungen. Unsere Modelle können nur so gut sein wie die Daten, die wir hineinstecken. Wenn wir keine ausreichenden, ungenaue oder falsche Daten haben, dann müssen wir sie manchmal anreichern oder ausfiltern. Es ist selten so, wie man sich das an der Uni manchmal vorstellt oder wünscht: Ich bekomme einen fertigen Datensatz und mache damit Mathematik und Statistik – in der Wirklichkeit muss man für die Datenvorbereitung locker 70 bis 80 Prozent der Zeit einplanen. Den fertigen, guten Datensatz gibt es einfach nicht.
Florian Schwaiger: Ich habe Wirtschaftsmathematik studiert und in mathematischer Statistik promoviert. Danach habe ich in einer Bank im Risikomanagement Kreditrisikomodelle entwickelt. Ich hatte also einen stark statistisch-mathematisch geprägten Berufsverlauf, bis ich im Januar 2018 zu Fresenius Digital Technology hier in die Gruppe Front-End, ETL & Analytics kam.
Norman Förster: Ich habe einen Bachelor in Technischer Informatik und war zuerst in der Automobilbranche als Softwareentwickler tätig. Dann habe ich nebenberuflich meinen Master in Informatik gemacht und kam im April 2019 in die Abteilung, um hier meine Masterarbeit anzufertigen. Sie befasste sich mit Machine Learning für Root Cause Analysis, also der Fehlerursachenanalyse für Fertigungsstraßen. Seit Oktober 2019 bin ich fest im Team.
Florian Schweiger: Aus der Ausbildung bringen wir beide die Basis mit: Statistik, Programmierung und die generelle Fähigkeit, mit Daten umgehen zu können. Sicherlich haben wir unterschiedliche Schwerpunkte – ich bin eher im mathematischen Umfeld unterwegs gewesen, Norman hat einen stärkeren IT-Background. Alles Unternehmensspezifische haben wir hier vor Ort gelernt, oder wir bringen es uns gegenseitig bei. Wir haben in unserem Team unterschiedliche Stärken, die wir einbringen und von denen wir alle profitieren.
Norman Förster: Eine gewisse Hartnäckigkeit und Stressresistenz sind hilfreich. Man muss Geduld haben, denn manchmal sucht man schon nach der Nadel im Heuhaufen. Natürlich brauchen wir logisches und analytisches Denken, aber das bringt sicherlich jeder mit, der Mathematik, Informatik oder einen naturwissenschaftlichen Studiengang abgeschlossen hat. Auch Lernbereitschaft gehört dazu, denn Tools und Systeme ändern sich, und dann muss man offen für Änderungen sein. Eine Affinität zu Zahlen, Statistik und IT ist natürlich auch wichtig. Und wir müssen kommunizieren und erklären können: Kundenanforderungen aufnehmen und Ergebnisse so vermitteln, dass auch Menschen sie nachvollziehen können, die kein tiefes Verständnis davon haben. Es gehört auch Einfühlungsvermögen dazu, denn am Ende müssen die Kunden einen Vorteil von der Lösung haben, die wir ihnen entwickeln. Es nützt ihnen ja nichts, wenn wir für sie ein Dashboard bauen, das keinen Mehrwert liefert.