Industrieforum 2025 – 5 Bausteine zum Industrie 4.0-Erfolg

Datum: 9. Mai 2019

Zeit: 08:15 – 17:30 Uhr

Ort: CAMPUSSAAL Kultur + Kongresse, Bahnhofstrasse 6, 5210 Brugg-Windisch


Um «Industrie 4.0» erfolgreich aufzubauen sind verschiedenste Ansätze möglich, welche auf die individuelle Ausgangslage und Ziele der jeweiligen Unternehmen ausgerichtet sein müssen.

Gemeinsam ist aber allen, dass sie ein optimales Fundament brauchen, um über einzelne Leuchtturmprojekte hinauszukommen. Diese Basis besteht aus mindestens fünf Bausteinen: Umsetzungsstrategien, Daten, Security, Skills/Arbeitswelt und Kundenorientierung. Am 6. «Industrieforum 2025» (vormals Jahrestagung) geben Ihnen Experten Einblicke in die Themen und stellen Usecases vor, die Ihnen auf dem Weg zu Industrie 4.0 Anleitung, Inspiration und Vorbild sein sollen.

Zu diesem Industrieforum, an welchem über 350 Gäste erwartet werden, dürfen wir aktiv beitragen. Denn wir von der LeanBI sind für den Baustein „Daten“ zuständig. Wir stellen unser erfolgreiches Innosuisse Projekt zum Thema Predictive Maintenance bei der Schweizerischen Post AG vor.

Mehr als 700 000 Pakete pro Tag werden in den Paketzentren der Schweizerischen Post verarbeitet. Jeder technische Defekt an den 7000 Sortierwagen und an den Portalkränen verursacht Kosten und kann dafür sorgen, dass Pakete zu spät im Briefkasten landen. Mit spezifischer Sensortechnik und Verarbeitung der Daten mit Machine Learning werden deshalb verschiedenen Defekte im Paketzentrum frühzeitig erkannt. Wir zeigen konkret die Umsetzung des Projekts und leiten daraus ein allgemeines Framework für eine erfolgreiche Umsetzung von Predictive Maintenance im industriellen Umfeld ab.

Wir freuen uns darauf, die Resultate unserer erfolgreichen Plattform LeanPredict an dieser Konferenz mit Ihnen teilen zu dürfen.

Hier der Link zur Agenda: http://www.industrie2025.ch/if19.html

Vorgehensweise bei Predictive Maintenance Projekten anhand des Fallbeispiels Post Verteilzentrum


LeanBI durfte an der Smart Maintenance Konferenz vom 13. Februar 2019 anlässlich der Swiss Maintenance Fair einen Vortrag über Predictive Maintenance halten. Diese Konferenz wurde in Zusammenarbeit mit der Swiss Alliance for Data-intensive Services, bei welchem wir auch Mitglied sind, durchgeführt.

Bei unserem Vortrag ging es spezifisch um die Vorgehensweise bei Predictive Maintenance Projekten. Dies haben wir an unserem Case der Schweizerischen Post Verteilzentrum erläutert.

Wenn wir Predictive Maintenance Projekte angehen, sollte man das Vorgehensmodell auf 3 Ebenen betrachten. Auf der strategischen Ebene geht es darum, den Nutzen von Predictive Maintenance überhaupt zu erkennen und zu quantifizieren. Dafür ist es gut, wenn man sich an bestehenden externen Use Cases orientiert und diese gegenüber den eigenen Kernkompetenzen spiegelt. Diese Technik nennt man „Inside Out <-> Outside In“. Das ist einfacher gesagt als getan, aber wir unterstützen dabei, konkrete Ergebnisse zu erhalten. Nach dieser strategischen Betrachtung sollten die Use Cases selektiert sein, die für das Unternehmen in Zukunft den grössten Nutzen bringen.

Abb: Vorgehensweise bei Predictive Maintenance Projekten

Auf der zweiten, nämlich der Projektebene legt man dann die Use Cases auf eine Roadmap. Wir selber sind der Meinung, dass eine Selektion nach den Kriterien „Dringlichkeit“, „Marchbarkeit“ (besonders bezüglich der Datenlage) und „Nutzen“ schon bereits ausreicht, um eine gute Roadmap zu gestalten.

Alle reden von der Notwendigkeit agiler Projektumsetzung auf dem Gebiet von Artificial Intelligence und Data Science. Das ist nicht falsch, aber wir sind der Meinung, dass man ein solches Projekt sehr wohl klassisch strukturieren sollte und das agile Vorgehen dann innerhalb der Projektphasen abläuft. Das Konzept zum Start ist und bleibt ein wichtiger Schritt, jedoch diese Konzeptphase kann sehr kurz gehalten werden. Da reichen schon 1 bis 3 Tage Aufwand bis zur Fertigstellung.

Ausgehend davon macht ein PoC (Proof of Concept) Sinn. Dieser PoC kann auf unseren Plattformen mit echten, aber Offline- Daten auch schnell und effizient erbracht werden. Das Ergebnis des PoC ist ein funktionsfähiges laufendes Predictive Maintenance Modell mit jedoch noch nicht allzu hoher Genauigkeit. Mit dem PoC verifiziert man die Machbarkeit und Übertragbarkeit. Gleichzeitig hat unser Kunde gegenüber dem Management einen Showcase, der die Nutzenthematik konkretisiert.

Danach erfolgen in der Optimierungsphase das Verbessern des „Feature Extraction“ (Auswahl der Parameterfunktionen) und Modellierung auf Basis von Machine Learning Algorithmen.

Und nun zur letzten Ebene, zur Datenebene. Auf der Datenebene sind Data Scientist gefragt. Es gibt noch kaum „Out of the Box“- Lösungen, ausser für ganz spezifische Komponenten wie bspw. Motoren und Lager. Also heisst es, die Daten zuerst optimal aufzubereiten und dann dem Machine Learning Modell zuzuführen. Unser Vorteil ist, dass wir für verschiedene Basis- Use Cases vorgefertigte Modelle zur Verfügung haben. Das sind vortrainierte Modelle, die auch bei wenigen Fehler-Daten bereits hohe Genauigkeiten erbringen. Auch hat LeanBI auf verschiedenen Sensortechniken in den letzten Jahren ein grosses Know How aufbauen können. Das hilft uns nun, die oben genannten Projektphasen effizient zu durchschreiten.

Soweit das Thema „Vorgehensweise bei Predictive Maintenance Projekten“.

Wir werden am Industrieforum 2025 am 9. Mai im CAMPUSSAAL Brugg-Windisch unseren Post Case weiter mit Inhalt füllen. Hier werden wir vertieft auf die Resultate des Post Cases eingehen und wie wir daraus ein Standardprodukt LeanPredict entwickelt haben. Wir freuen uns bereits jetzt diesen Vortrag halten zu dürfen.

LeanBI an der F&E Konferenz Industrie 2025 vom 24.01.2019 an der HSR Rapperswil

Abb 1: Profillinie gemessen mit dem Sick EasyRanger

LeanBI an der F&E Konferenz Industrie 2025, auch dieses Jahr lauschten über 200 Teilnehmer den neuen Forschungs- und Entwicklungsvorhaben, wiederum vorgetragen von Schweizer Hochschulen und Forschungsinstituten. Und auch die LeanBI durfte mit unserem Kooperationspartner HSR, Prof. Christian Bermes präsentieren. Unser Entwicklungsvorhaben bei der Post ist erfolgreich und unser Product LeanPredict steht vor der Tür. Es beinhaltet verschiedenen Messtechniken wie Laser, Kamera, Akustik, Vibration, Temperatur, etc. Die Sensoren werden durch unsere Partner hergestellt und wir liefern die Machine Learning Modelle für das Predictive Maintenance. So werden wir in naher Zukunft mit LeanPredict das erste modulare Predictive Maintenance Framework für die Intralogistik weltweit anbieten können. Prof. Christian Bermes zeigte an der Konferenz, wie wir mit 3D-Lasertriangulation von Sick Verbiegungen und Gelenkkopfverschiebungen an den über 2000 Kippschalensortern in der Post Härkingen vorhersagen können. Die richtigen Lasereinstellungen und Extraktionen aus den Bilddaten spielen dabei eine zentrale Rolle. Das sogenannte Feature Extraktion ist Kernelement einer guten Predictive Maintenance Lösung und hier konnten wir mit der HSR gutes Know How aufbauen. Aber ohne unsere Partner wäre das alles nicht möglich gewesen:

Abb 2: Ein Prinzipschema von LeanPredict und Zusammenarbeit der Partner

Neben Robotik Themen waren Machine Learning Vorhaben die am meisten gezeigten Themen. Da Machine Learning auch LeanBI’s zentrales Thema ist, hier einige Informationen dazu:

Wir freuen uns, dass Machine Learning für die Online-Qualitätsüberwachung bei der Herstellung von Holzfaserdämmstoffplatten eingesetzt werden kann (vorgetragen von der EMPA, Mark Schubert). Die ersten Modellierungen zeigen, dass eine klare Korrelation zwischen Qualität und Produktionsparameter festgestellt wird. Genauso verhält es sich beim Spritzgiessen. Auch hier besteht gutes Potential, dass sich mit den Maschinenparametern aus der Spritzgussmaschine der Spritzgussprozess optimieren lässt (Curdin Wick HSR).

CSEM stellte vor, dass man mit Deep Learning Predictive Maintenance ausführen kann. Zwischenzeitlich gibt es auch performante Hardware auf der Edge (also Maschinen- und Produktionsnah), die GPU’s und damit Tensor Cores beinhalten. Ein Beispiel dafür ist NVIDIA.

Und die ETHZ/Inspire zeigt, dass sich bei Werkzeugmaschinen mit Machine Learning thermische Fehler im Bearbeitungsprozess online verhindern lassen.

Das HEIA-FR befasst sich mit der Verfahrenstechnik, nämlich wie man Chemische Reaktoren «smart» machen kann. Mit Machine Learning und der geeigneten IoT Umgebung lassen sich digital twins aufbauen und auf dieser Grundlage auch Predictive Maintenance ausführen. Dann kann in Zukunft auch Augmented Reality zur Wartung Anwendung finden. Alles Themen, an denen wir auch dran sind.

Also, es läuft viel in der Schweiz auf dem Gebiet Artificial Intelligence und Machine Learning.

Doch ganz nebenbei: Spannend fanden wir auch den Vortrag von Norman Urs Baiser: Er zeigte, wie man aus CAD Zeichnungen direkt softwaretechnisch Anweisungen an den Roboter zur Herstellung und Montage von Werkstücken ausführt…. Und in virtuellen Räumen (Virtual Reality) lassen sich Teamentscheide besser fällen als Face to Face (zumindest nicht schlechter), ein Vortrag von Ivan Moser FFHS…spannend.

Und wir freuen uns schon auf die nächste F&E Konferenz in einem Jahr.