Referenz

Predictive Maintenance in der Motorenproduktion der BMW GROUP

Predictive Maintenance in der Motorenproduktion der BMW GROUP
AUF EINEN BLICK
  • Einführung eines End-to-End-Ansatzes für frühzeitige Erkennung von Ausfällen bzw. Unregelmäßigkeiten in der Produktion in einem hybriden und multinationalen Umfeld
  • Die Analyse von Sensorwerten, moderne Cloud-Plattformen und interaktive Dashboards als Bausteine für die Optimierung von Instandhaltung und Produktionsbetrieb

SCIENCE, ENGINEERING, INTELLIGENCE – ALLES MIT DATEN

Innovative Analysen schöpfen verborgene Mehrwerte aus Unternehmensdaten: Sei es durch die Vorhersage potenzieller Produktionsausfälle, die Abwanderung eines Kunden, Betrugserkennung oder die Optimierung von Laufwegen. Durch den Einsatz innovativer Analysen liefern die Big-Data-Spezialisten von SVA genau diese Erkenntnisse. Zu diesem Zweck verarbeiten wir natürliche Sprache, Videos oder Bilder sowie Transaktions- und Maschinendaten.

BEDARFSGERECHTE INSTANDHALTUNG

Einen reibungslosen Produktionsablauf zu gewährleisten, genau das ist die Zielsetzung des Projekts, an dem die IT-Abteilung der BMW Group gemeinsam mit den Big-Data-Architekten und Data Scientists von SVA arbeitet. Durch die Analyse von Maschinendaten von Bearbeitungszentren soll ein ganzheitliches System zur Vorhersage von Komponentenausfällen implementiert werden. Damit wird eine bedarfsgerechte Planung von Instandhaltungsmaßnahmen möglich und die technische Verfügbarkeit der Fertigungsmaschinen erhöht sich. Um Instandhaltungsaufgaben auf eine übersichtliche Weise zu unterstützen, wird diese Planung toolgestützt durchgeführt. So werden Prozesse im Hintergrund optimiert. Das wirkt sich positiv auf die Unternehmenssteuerung aus, z.B. bei den Produktionsketten oder in der Logistik- und Bedarfsplanung.

EINE INTELLIGENTE PREDICTIVE-MAINTENANCE-ARCHITEKTUR

Vorausschauende Wartung ist gerade für Fertigungsunternehmen sehr nützlich. Das System dafür zu entwickeln ist jedoch nicht trivial. Unsere Big-Data-Spezialisten haben in enger Zusammenarbeit mit dem IT-Team der BMW Group eine Architektur entworfen, die auf modernsten Technologien basiert. Wesentliche Aufgabengebiete des implementierten End-to-End-Systems sind:

  • Visuelle Aufbereitung der Maschinenzustände für eine Gesamtübersicht der Produktion
  • Implementierung eines proaktiven Alerting-Systems
  • Entwicklung und Implementierung geeigneter Machine-Learning-Modelle zur prädiktiven Instandhaltung

Das Projekt wurde an ausgewählten Linien an mehreren Standorten in verschiedenen Ländern pilotiert. Die ersten Aufgabenpakete wurden in den Produktivbetrieb überführt. Sukzessive werden nun weitere Anwendungsfälle aufgenommen und in das System integriert. Der Datenfluss ist in folgender Abbildung grob skizziert.

VOM PROOF-OF-CONCEPT IN DIE PRODUKTION

Unser Team von Data Scientists und Big-Data-Architekten hat von vornherein alles daran gesetzt, dass das Projekt über die Proof-of-Concept-Phase hinausgehen kann. Mit dem Übergang auf einen Serienpiloten steigen zwar die Anforderungen an die Plattform, gleichzeitig profitieren aber auch die Endanwender. Denn neben einer vereinfachten Darstellung von KPIs in den Anwendungsfeldern gibt es speziell definierte Alertings, die den Betrieb und somit die Planung von Instandhaltungsmaßnahmen auf die wesentlichen Problemfälle lenken. Über die vorgegebene IT-Architektur werden im Rahmen des Rollouts weitere Fertigungsmaschinen angebunden. Dabei wird folgendes umgesetzt:

  • Zusammenführung von Sensordaten und weiteren Datenquellen in der Microsoft Azure Cloud
  • Datenaufbereitung in Databricks und anderen Microsoft Azure Services
  • Unterstützung der Modellierung in Databricks
  • Gemeinsame Entwicklung von Machine-Learning-Modellen und Data Assets
  • Integration von Databricks und Splunk zu einer interaktiven Analyse-Plattform
  • Visualisierung und Aufbereitung unterschiedlicher Use Cases mit Splunk
  • Begleitung vom Proof-of-Concept (PoC) in die Produktion

Mithilfe innovativer Data-Analytics-Plattformen haben wir mit der BMW Group gemeinsam ein leistungsstarkes System für Predictive Maintenance entwickelt. Gerade hinsichtlich der Effizienz machen sich diese Verbesserungen in der Instandhaltung bemerkbar.

Nicole Wochatz,
Head of Data Science & Artificial Intelligence, SVA