Entwicklung eines Konzepts zur Rückführung relevanter Informationen für die Implementierung von Predictive Maintenance in der Getränke- und Abfüllindustrie

Abstract

Die Getränke- und Abfüllindustrie sieht sich aufgrund anspruchsvoller werdender Konsumenten/innen, der stetig steigenden Weltbevölkerung und einer vergleichsweise ineffizienten Produktion einer sich global verschärfenden Wettbewerbslage ausgesetzt. Der Großteil dieser Ineffizienz rührt aus der vorwiegenden Anwendung einer reaktiven Wartungsstrategie. Unerwartete Maschinenstopps, übermäßige Bauteilabnutzung, ein nicht verhältnismäßiges Vorhalten von Ersatzteilen, hohe Reparaturkosten, als auch ein für den Fall eines größeren Ausfalls notwendigerweise ständig anwesendes Wartungspersonal sind hierbei die Folge. Daher beabsichtigt die Krones AG, ein Maschinen- und Anlagenhersteller für die Getränkebranche, die Einführung von Predictive Maintenance als datengetriebene Methode des Machine Learning. Hierzu soll die Methodologie CRISP-DM als Prozessrahmen dienen. Die Herausforderung in dessen Implementierung liegt in der noch fehlenden Möglichkeit Labels bzw. Targets für die Trainingsphase dieser KI zu extrahieren. Diese Labels/Targets sollen in einem entsprechenden Trainingsdatenset Aufschluss darüber geben, welche die wahre Ausfallursache bei einem Maschinenstopp ist, damit der Algorithmus möglichst detaillierte und zuverlässige Vorhersagen machen kann. Anhand einer qualitativen Datenerhebung durch leitfadengeführte Interviews mit Branchenexperten/innen werden drei Ansätze zur Informationsrückführung identifiziert, evaluiert und diskutiert. Darin erweist sich der Ansatz „Händisches Erfassen von Labels durch Experten/innen“ als der vielversprechendste und wird weiterverfolgt. Das zentrale Problem in der Umsetzung dieses Ansatzes liegt in der unzureichenden Motivation dieser Experten/innen und der jeweiligen Unternehmen im Hintergrund. Daher wird ein Konzept entwickelt, das aus einem Motivationssystem besteht, basierend auf Social-Media und diversen Elementen der Gamification. Innerhalb dieses Systems fungiert die App „Questionnaire“ als Hauptinstrument bei der Eingabe und Speicherung von Labels, die im Zuge dieser Arbeit ein Update erfährt. Abschließend werden zu relevanten Spannungsfeldern wie Datenschutz, Hardware- und Infrastrukturanforderungen und Prozessgestaltung nützliche Empfehlungen getroffen.

Due to increasingly demanding consumers, a constant growth of the world population and a comparatively inefficient production, the beverage and bottling industry is faced to an intensifying global competition. This inefficiency is mostly based on the application of old-fashioned maintenance strategies, like the reactive maintenance policy. Unexpected machine stops, exceeding wear of machine parts, an excessive provision of spare parts, tremendous repair costs, as well as maintenance staff necessarily being present all the time for the potential case of a major failure, drives the Krones AG – a supplier of machinery for the beverage industry – to implement Predictive Maintenance as a data-driven method of machine learning. Here, CRISP-DM will serve as the fundamental framework for the implementation of Data Mining projects. The missing possibility of gathering labels or targets for AI’s training stage appears to be the major challenge. These labels/targets reveal the true reason why an incident occurred, in order to apply Machine Learning in a precise and reliable manner. Based on a qualitative data collection by guided interviews with industry experts, three approaches are identified, evaluated and discussed. Here, the approach “manual collection of labels by experts” turns up to be the most promising one and will be pursued further. The central problem in its implementation lies in the insufficient motivation of these experts and their respective enterprises. Hence, a concept is developed, consisting of a motivation system based on social media equipped with elements of gamification. Within this system, the app “Questionnaire” – which will be updated in this paper – acts as the central tool for collecting and saving labels. Finally, recommendations concerning the protection of data privacy, requirements regarding hardware and infrastructure and process design will be conceived.