Diese Seite drucken
Donnerstag, 07 April 2022 12:00

Predictive Maintenance in der Elektronikindustrie

von
Geschätzte Lesezeit: 11 - 21 Minuten
Abb. 1: Prinzipablauf in der vorausschauenden PM-Wartung Abb. 1: Prinzipablauf in der vorausschauenden PM-Wartung

Parallel zur wachsenden Digitalisierung von Fertigungsprozessen kommen auch in der Elektronikindustrie vermehrt vorausschauende Instandhaltungsstrategien zur Anwendung – die sogenannten Predictive Maintenance-Konzepte. In diesem Beitrag wird nach Besprechung der Vorteile und der Marktentwicklung solcher Konzepte anhand unterschiedlicher Beispiele gezeigt, welche Möglichkeiten zu ihrem praktischen Einsatz bereits vorhanden sind.

Die Corona-Pandemie hat auch den deutschen Elektronikproduzenten Unwägbarkeiten im Personaleinsatz, brüchige Lieferketten und Preis- bzw. Kostensteigerungen gebracht. In dieser Situation über Zukunftsthemen wie vorausschauende Instandhaltungsstrategien zu sprechen, geht bei vielen Firmen an den gegenwärtigen Sorgen schlicht vorbei. Vielmehr besteht die Aufgabe jetzt mehr darin, den Fertigungsprozess überhaupt halbwegs ordentlich in Gang zu halten.

Dennoch wartet die Zukunft nicht. In Sichtweite ist, dass sich im Laufe dieses Jahres die Covid-Situation wahrscheinlich ,normalisieren' wird und die Unternehmen allmählich zum gewohnten Regime zurückkehren können. Doch was heißt gewohnt, wenn sich Teile der Konkurrenz trotz oder gerade wegen der Pandemie bereits intensiv auf die Digitalisierung ihrer Fertigungen in Richtung Smart Factory bzw. Industrie 4.0 vorbereiten? Beide zeichnen sich immer mehr als Grundpfeiler für die Fabrik der Zukunft ab.

Corona hat unter anderem gelehrt, dass eine Fabrik, die mit möglichst wenig ,anfälligem' Personal sowie wenig ausfallbaren Maschinen und Prozessen ausgestattet ist, in Sondersituationen besser durch schwierige Zeiten kommt. Das spricht für eine smarte Fabrik und somit ebenfalls für smarte vorausschauende Instandhaltung. Die Elektronikhersteller sind ja auch in schwierigen Zeiten weiterhin gefordert, die Nachfrage nach leistungsfähiger, qualitativ hochwertiger Elektronik zu marktgerechten Preisen möglichst bedarfsgerecht zu decken.

Vorherrschende Situation

Oliver Kraus, erfahrener SMT Solutions Manager bei ASM PT, umriss in einem Interview im September letzten Jahres in [1] die heute noch vorherrschende Situation im Wartungsmanagement so: Bei allen Unterschieden fällt auf, dass selbst in großen und gut organisierten Unternehmen häufig noch umständlich und zeitgleich mit einer Vielzahl herstellerspezifischer Tools und Wartungskalender gearbeitet werden muss. Daneben sind rechnergestützte Excel-Listen und Wartungsordner samt Papierausdrucken von ihnen – also viel klassischer ,Papierkrieg' – nach wie vor an der Tagesordnung. Das macht Instandhaltung starr, unübersichtlich und schwer zu steuern. So ist es nicht leicht, den genauen Überblick zu behalten und notwendige Wartungstätigkeiten mit der laufenden Produktion oder anstehenden Aufträgen abzustimmen. Die Folge: Es wird nur reagiert und es werden stur Wartungsintervalle der Hersteller befolgt. Genau so geht das dann auch bei den Wartungsarbeiten selbst weiter: Viele Anweisungen gibt es nur auf Papier und die Dokumentation der Wartungsarbeiten ist schwerfällig und zeitraubend.

Die heute von den Herstellern angegebenen Wartungsintervalle sind in der Regel allgemeine Vorgaben, die nicht auf die tatsächliche Beanspruchung und den Nutzungsgrad der Maschinen beim Kunden ausgelegt sind. Oft wird die Wartung also unnötigerweise zu früh durchgeführt. Idealerweise sollte sich die Wartung aber nach Belastung, Leistung und Zustand der Fertigung richten.

Predictive Maintenance

Der vorrausschauende smarte Ansatz der Predictive Maintenance (PM) erlaubt es, Wartungen dann auszuführen, wenn sie wirklich erforderlich und wenn die Auswirkungen auf die laufende Produktion sowie den Personal- und Materialaufwand minimiert sind. Condition Monitoring (CM) ist eine in Richtung PM zielende intelligente digitalisierte Vorstufe und erhöht ebenfalls bereits die Maschinenverfügbarkeit durch bessere Erkennung von geeigneten Wartungszeitpunkten. Sie trägt signifikant zur Qualitätsverbesserung und damit zu höheren Erträgen bei. Doch es gibt evolutionäre Unterschiede zwischen CM und PM:

Condition Monitoring wertet Trends aus Sensordaten der Maschinen aus, erkennt kritische Ereignisse und Betriebszustände mit hohem Verschleißpotential. Ereignisse und resultierende Fehler werden klassifiziert und bewertet. Kritische Ereignisse oder unerwünschte Betriebszustände können durch schnelle Reaktionen unmittelbar beseitigt werden, um kostenintensive Folgeschäden abzuwenden. Ausfallzeiten werden reduziert, da Servicetechniker, Ersatzteile und Logistik durch passende Diagnosen zielgerichtet bereitgestellt werden können.

Abb. 2: Unterschiede zwischen Condition Monitoring und Predictive Maintenance Abb. 2: Unterschiede zwischen Condition Monitoring und Predictive Maintenance

Predictive Maintenance prognostiziert Risiken unerwünschter Betriebszustände sowie Ereignisse auf Basis der im Condition Monitoring gewonnenen Erfahrungswerte [2]. Diese Prognosen ermöglichen bedarfsorientierte Planungen von Service- und Wartungsaktionen. Sie werden sowohl für individuelle Anlagen als auch für Anlagenparks erstellt. Predictive Maintenance maximiert im Idealfall die Verfügbarkeit und liefert frühzeitig Informationen für zielgerichtete Wartungsaktionen (Abb. 1, 2).

Großes Rationalisierungspotential

ASM SMT Solutions präsentiert unter [3] Ergebnisse der ,Predictive Maintenance Studie 2021', die von der BearingPoint GmbH Frankfurt/Main durchgeführt wurde. ASM SMT Solutions ist ein Geschäftssegment im Konzern ASM Pacific Technology (ASM PT) und bündelt das weltweite SMT-Geschäft des Konzerns. Ziel ist die Entwicklung vernetzter, integrierter Lösungen für die SMT-Fertigung, deren Realisierung und Implementierung bei Elektronikproduzenten weltweit. Aus diesem Grund zählt das Thema ,digitalisierte vorausschauende Wartung' zu den Kernaufgaben des Unternehmens.

Abb. 3: Fortschritte beim Einsatz von vorausschauender Wartung mit Stand 2021 Abb. 3: Fortschritte beim Einsatz von vorausschauender Wartung mit Stand 2021

Gemäß den bei der Erarbeitung der Studie befragten Experten und Unternehmen haben bereits etwa 50 % der Firmen Projekte zu Predictive Maintenance (PM) umgesetzt (Abb. 3). Dass man sich jedoch erst am Anfang dieser Entwicklung befindet, belegt die Aussage, dass 96 % der Befragten die Potentiale noch nicht ausgeschöpft haben. Unternehmen, die PM bereits einsetzen, berichteten, dass beispielsweise die Stillstands-Zeiten durchschnittlich um 18 % zurückgingen (Abb. 4). Wartungs- und Reparaturkosten konnten um 17 % gesenkt werden. Bei der Vorbereitung auf PM spielten nach Aussagen der Befragten die Senkung der Maschinen- und Anlagen-Stillstandzeiten sowie die Verringerung der Wartungs- und Servicekosten die Hauptrolle (Abb. 5). Weiterhin wurde angegeben, dass sich die Lebensdauer von Maschinen und Anlagen um durchschnittlich 45 % erhöht, was ja nicht unwesentlich ist. Interessant ist auch, wie sich die Disponierung des Servicepersonals und die Bestellung der Ersatzteile verbessern lassen (Abb. 6).

 

 Abb. 4: Beispiele für Ergebnisse der Einführung der vorausschauenden Wartung Abb. 4: Beispiele für Ergebnisse der Einführung der vorausschauenden Wartung

 Abb. 5: Reihenfolge der Gründe für den Übergang auf vorausschauende Wartung Abb. 5: Reihenfolge der Gründe für den Übergang auf vorausschauende Wartung

 Abb. 6: Verbesserungspotential bei der Disponierung von Servicepersonal und ErsatzteilenAbb. 6: Verbesserungspotential bei der Disponierung von Servicepersonal und Ersatzteilen

 

Die Untersuchungen im Rahmen der Studie ergaben auch, dass man mit einem relativ kurzen Zeithorizont nach Beginn der PM-Arbeiten rechnen kann, bis erste Erfolge eintreten. Sie zeigen sich in Ansätzen schon während bzw. im Jahr der Projektumsetzung (Abb. 7). Zusammengefasst sind die Hauptvorteile von PM laut der Studie

  • Flexible, bedarfsgerechte Service-Intervalle
  • Weniger Störungen, höhere Verfügbarkeit der Maschinen bzw. Anlagen
  • Effizientere Wartung und Dokumentation
  • Software, die Maschinen via Sensoren überwacht und so Trends und Anomalien erkennt – lange bevor diese zu Störungen führen

Nach Expertenschätzungen lassen sich mit dem konsequenten Einsatz von Predictive Maintenance bis zu 70 % aller ungeplanten Ausfälle von Maschinen und Anlagen verhindern. Gleichzeitig lässt sich über das abgestimmte Timing der Wartungsarbeiten und eine optimierte Einsatzplanung der Techniker gut ein Drittel des aktuellen Zeit- und Arbeitsaufwandes einsparen.

Abb. 7: Zeithorizont für das Sichtbarwerden erster positiver Ergebnisse von PMAbb. 7: Zeithorizont für das Sichtbarwerden erster positiver Ergebnisse von PM

Was sagen Marktprognosen?

Abb. 8: Pläne von US-Firmen auf den Übergang zu Industrie 4.0Abb. 8: Pläne von US-Firmen auf den Übergang zu Industrie 4.0Dieser deutliche Nutzen von PM spiegelt sich in optimistischen Marktprognosen wider. Der Markt für vorausschauende Wartung war beispielsweise laut dem Predictive Maintenance Market Report 2021–2026 der Hamburger Firma IoT Analytics im letzten Jahr 6,9 Mrd US-\( groß. Er wird bis 2026 laut dem 183-seitigen Bericht vom April 2021 voraussichtlich auf 28,2 Mrd. \) wachsen [4]. Der Markt ist definiert als kumulative jährliche PM-Technologieausgaben von Unternehmen weltweit, die PM-Lösungen implementieren.

Für die Erstellung der Analyse wurden 280 Firmen befragt aus unterschiedlichen Industriebereichen. Zu ihnen gehörten ABB, Amazon Web Services, Aspen Technologies, Augury, AVEVA, Cisco, GE, Google, HPE, IBM, LeanBI, MachineMetrics, Microsoft, Nanoprecise SC, PARC, PTC, Reliability Solutions, SAP, Seeq, SKF, Senseye, Siemens sowie viele weitere im Elektronik- und Software-Sektor tätige Unternehmen. IBM, Siemens, SAP, Microsoft, General Electric und Bosch gehören in die Führungsriege. Man kann somit davon ausgehen, dass die Elektronik fertigende Industrie entsprechend berücksichtigt wurde und man die Angaben der Studie tendenziell auch auf sie beziehen kann.

Das Unternehmen ResearchAndMarkets bietet seit seit Oktober 2021 die Studie ‚Predictive Maintenance Market by Component, by Deployment, by Technique, by Stakeholder, by Industry Vertical – Global Opportunity Analysis and Industry Forecast, 2021 – 2030' an [5]. Die globale Marktgröße für vorausschauende Wartung wurde hier für das Jahr 2020 auf 4,45 Mrd. \( geschätzt. Sie soll bis 2030 voraussichtlich 64,25 Mrd. \) erreichen und von 2021 bis 2030 mit einer jährlichen Wachstumsrate von 31 % steigen. Diese Zahlen korrelieren mit den von IoT Analytics publizierten Werte zumindest bezüglich der Entwicklungsintensität von PM.

Nun mag man die vorn genannten absoluten Werte und deren Zustandekommen anzweifeln, doch ist aus den Grafiken von IoT Analytics erkennbar, dass die Ausgaben von 2021 bis 2026 leicht exponentiell steigen. Das bedeutet, dass die Werte sich bis 2030 nochmals auf eine Größenordnung von vielleicht 50 Mrd. $ entwickeln können, also im Vergleich zu 2021 versiebenfachen. Das ist prinzipiell nicht anzuzweifeln, denn PM ist integraler Bestandteil des Digitalisierungsprozesses im Rahmen von Industrie 4.0 und das ist nun mal die Zukunft.

Die Unternehmensberatung PWC hat für ihre Studie ‚Digital Factories 2020 Shaping the Future of Manufacturing' vom April 2017 eine Vielzahl von Firmen zum Stand und zu den Strategien für die Digitalisierung ihrer Fabriken befragt. Unter den tangierten Firmen waren u. a. Philips, Nokia, Bosch-Rexroth, Fujitsu. Dabei kam heraus, dass 91 % angaben, dass Investitionen in die Digitalisierung damals bereits getätigt wurden, allerdings in recht unterschiedlichem Umfang und in unterschiedlichen Sektoren. Die Firmen wurden gebeten, zu vorgegebenen 14 Sektoren der Digitalisierung (Predictive Maintenance, Connected Factory, Integrated Planning, Digital Twin oft he Factory, Digital Twin oft he Product usw.) Angaben zum Stand der Anwendung bei sich zu machen. Dabei kam heraus, dass bei 28 % der Befragten Arbeiten zu PM bereits liefen und dass in fünf Jahren, also 2022, es bereits bei 66 % der Befragten sein würde. PM lag an der Spitze der 14 Sektoren und nahm damit den vordersten Platz im komplexen Vorgang der Digitalisierung von Fabriken ein [6].

Einen ähnlichen Einblick in den Stand von US-Firmen in die Vorbereitung auf Industrie 4.0, darunter PM, gibt eine Grafik der US-Consultingfirma Capgemini (Abb. 8). Zwar stammt sie aus einer Studie von 2017, doch sieht man, dass ausgehend davon, dass wir heute bereits das Jahr 2022 haben, um die 60 % der befragten US-Firmen PM bereits eingeführt haben oder dabei sind. So zumindest die Hypothese des Autors. Auch hier liegt PM an der Spitze der in der Grafik aufgeführten Sektoren.

Abb. 9: Entwicklungsstufen der Predictive Maintenance gemäß PWC [5]Abb. 9: Entwicklungsstufen der Predictive Maintenance gemäß PWC [5]

Von subjektiver zu objektiver vorausschauender Wartung

Abb. 10: Umfassende Sensorik in Maschinen, Big Data, KI sowie Algorithmen sind die Kernelelemente für erfolgreiche Predictive Maintenance (o.)Abb. 10: Umfassende Sensorik in Maschinen, Big Data, KI sowie Algorithmen sind die Kernelelemente für erfolgreiche Predictive Maintenance (o.)In einer weiteren Studie vom Juni 2017 ‚Predictive Maintenance 4.0 – predict the unpredictable' widmete sich PWC speziell dem damaligen Stand der vorausschauenden Wartung und untergliederte letztere in vier Entwicklungsstufen [7]:

  • Level 1: Visuelle Inspektionen – regelmäßig physisch. Die Schlussfolgerungen basieren ausschließlich auf den Erkenntnissen des Inspektors und auf Sachverstand
  • Level 2: Instrumenteninspektionen – regelmäßig komplex. Die Schlussfolgerungen basieren auf einer Kombination der Erfahrung des Inspektors und auf den Instrumentenauslesungen
  • Level 3: Zustandsüberwachung in Echtzeit: kontinuierliche Echtzeitüberwachung von Objekten mit Warnungen, basierend auf vordefinierten Regeln oder kritischen Zuständen (Condition Monitoring)
  • Level 4: PM 4.0 als kontinuierliche Echtzeitüberwachung von Objekten mit Warnungen, basierend auf der Grundlage von Vorhersagetechniken wie Regressionsanalysen durch Erfassung und Auswertung großer Datenmengen, z. B. mittels KI

Gegenwärtig dominieren noch die Level 1 und 2 als die schon lange existierende Form von vorausschauender Wartung. Sie belegen, dass letztere an sich nichts Neues ist. Was jetzt aber neu ist, ist der schrittweise Übergang in eine völlig neue Qualität der PM im Rahmen der Digitalisierung von Firmen und Firmenverbunden, also in die Level 3 und 4. Die Anwendung von Big Data Analytics in der Instandhaltung stellt die vierte Stufe von Predictive Maintenance dar, in Abbildung 9 kurz als PdM 4.0 bezeichnet. Bei dieser geht es um die Vorhersage zukünftiger Ausfälle in Anlagen. Sie ist letztlich das wirksamste Präventivmittel, welches auf progressiven Analysetechniken beruht. Kern ist die Erfassung und Verarbeitung von Big Data über technischen Zustand, Nutzung, Umgebung, Wartungsgeschichte und Erfahrungen mit ähnlichen Ausrüstungen anderswo sowie korrelierenden weiteren Faktoren (Abb. 10). Im Mittelpunkt der bereits laufenden Arbeiten vieler Unternehmen steht der Übergang von Level 3 zu PdM 4.0.

Predictive Maintenance ist komplex

In Abbildung 10 ist PM stark vereinfacht dargestellt. In der Realität ist für den Übergang auf vorausschauende Wartung im Rahmen von Industrie 4.0 eine recht komplexe Architektur aufzubauen mit vielen unterschiedlichen Bausteinen wie am Beispiel von Abbildung 11 demonstriert. Der Weg zur Vollendung dieser Architektur ist ein evolutionärer Prozess.

Abb. 11: Basis für Predictive Maintenance im Rahmen von Industrie 4.0 ist eine komplexe Struktur unterschiedlicher kombinierter Bausteine (u.)Abb. 11: Basis für Predictive Maintenance im Rahmen von Industrie 4.0 ist eine komplexe Struktur unterschiedlicher kombinierter Bausteine (u.)Drahtlose und kabelgebundene Signalübertragung, preiswerte Low-Cost-MEM-Sensoren, Cloud Computing, Edge Computing, leistungsfähige Analysealgorithmen für maschinelles Lernen bilden die Ausgangsbasis. Aktuatoren, Motoren und Antriebe werden mit Sensoren ausgestattet, die die Daten sammeln, sie durch Gateways filtern und dann zur Verarbeitung in die Cloud oder das betriebliche Rechenzentrum übertragen. In der Überwachungszentrale werden diese Daten mit weiteren Informationen aus der Überwachung der technologischen Schritte wie mehrstufige AOI zu einem Gesamtbild zusammengeführt.

Um sicherzustellen, dass die richtigen Daten gesammelt und die richtigen Datensätze analysiert werden, werden die Vorhersagemodelle regelmäßig aktualisiert und auf Genauigkeit getestet. Weicht das Ergebnis vom erwarteten ab, werden die Modelle überarbeitet, neu trainiert und erneut getestet, bis sie einwandfrei funktionieren. Darüber hinaus können Nutzungsverlaufsdaten, Serviceinformationen und Modellspezifikationen verwendet werden, um die Vorhersageergebnisse des Assets zu verbessern.

Bevor es zum praktischen Einsatz von maschinellem Lernen (ML) kommt, sind explorative Analysen durchzuführen, die bei der Auswahl des am besten geeigneten maschinellen Lernalgorithmus helfen, indem technische Annahmen bewertet werden. Der Autor weiß aus dem eigenen Familienkreis, wie sehr mit der Qualität der Modelle und Lernalgorithmen die KI-Ergebnisse entweder unbrauchbar werden oder aber sehr nützlich sein können. Mit anderen Worten: Die Qualität der Modelle und Algorithmen ist entscheidend für die erfolgreiche Einführung von PM und bedarf größter Aufmerksamkeit.

Schließlich soll Software für ML Muster erkennen, abnormales Verhalten im Kontext variabler industrieller Umgebungen identifizieren, langfristige Trends verstehen und unerwünschte Ereignisse vermeiden.

Ein Beispiel für eine bei Predictive Maintenance häufig verwendete Analysemethode ist die sogenannte akustische Mustererkennung. Dabei lässt sich aufgrund von Änderungen innerhalb eines akustischen Musters die Lebensdauer eines bestimmten Bauteils oder einer Komponente, etwa eines Ventils oder einer Düse, bestimmen. Beide Komponenten sind Bestandteile verschiedener Ausrüstungen für die Leiterplattenfertigung. Mittels künstlicher Intelligenz und Machine Learning werden komplexen Messwerten Bedeutungen zugeordnet, auf deren Basis Data Scientists Einschätzungen abgegeben können. So lässt sich beispielsweise aus den Vibrationen eines Tisches in einer CNC-Maschine das aktuelle Verschleißstadium des Bohrers herauslesen. Ist er neuwertig, bereits abgenutzt oder schon verschlissen? Auch präzisere Vorhersagen sind möglich wie: „Der Bohrer hat 15 Prozent seiner Lebenszeit erreicht.“ Diese Methode ist zum Beispiel bei mechanischen Leiterplattenbohrmaschinen einsetzbar.

Abb. 12: Empfindliche Sensoren sind das Herzstück für die Maschinenüberwachung Abb. 12: Empfindliche Sensoren sind das Herzstück für die Maschinenüberwachung

Für die Überwachung auf Unnormalitäten in Maschinen stellen Halbleiterhersteller wie ST immer genauere ausgeklügelte Sensoren bereit, darunter Beschleunigungsmesser und Mikrofone für Ultraschall, Vibration und Rauschen (Abb. 12).

Engpass Datenanalysten

Je erfolgreicher eine PM-Anwendung sein soll, desto größere Datenmengen fallen im Laufe der Zeit zur Verarbeitung an. Ohne geschulte Mitarbeiter, die sich mit der Handhabung und Analyse von Daten auskennen, wäre PM in Unternehmen nicht möglich, ohne Daten aber auch nicht. Fachpersonal wie Datenanalysten oder Data Scientists steht heutzutage nach Berichten aus mittelständischen Unternehmen viel zu wenig zur Verfügung. Oft ist es auch gar nicht vorhanden. Ohne Mitarbeiter mit qualifizierter Datenexpertise wird es jedoch für Unternehmen schwer werden, auf Basis ihrer IIoT-Plattform eine Wertschöpfung zu erzielen [8].

Schrittweiser situationsgerechter Übergang zu Predictive Maintenance PdM 4.0

In [1] wird konstatiert, dass sich PM in vielen Fertigungen aus diversen Gründen noch nicht sofort umfassend und durchgängig implementieren lässt, sondern schrittweise umgesetzt werden muss. Um hier Datenlücken zu schließen, müssen entsprechende Systeme und Sensoren installiert, Hardware vorbereitet und auch Erfahrungswerte zur Interpretation von Sensordaten gesammelt werden. Entsprechende KI-Lösungen sind vielerorts in der Entwicklung.

ASM etwa stellt Sensorsignale aus seinen diversen Maschinen bereits seit vielen Jahren zur Verfügung. Aktuell waren 2021 bereits bis zu 35 Sensoren pro Einheit installiert. Sie liefern Daten über Spannungen, Ströme, Temperaturen und vieles mehr. Dieser Bereich wird vom Hersteller kontinuierlich ausgebaut, denn die Fähigkeit zum Auslesen von Sensoren über offene Schnittstellen ist der Schlüssel zur lückenlosen Predictive Maintenance. IPC CFX etabliert sich als leistungsstarke Schnittstelle für die vertikale Datenkommunikation – offen, standardisiert und unabhängig von Herstellern.

Eine für alle Fertigungen einheitliche Lösung ,von der Stange' kann und wird es nach Meinung von ASM aber nicht geben. Wann und in welchem Umfang Sensorik, KI- und Big-Data-Technologien zum Einsatz kommen sollen, hängt stark von der jeweiligen individuellen Situation einer Elektronikfertigung ab. Nicht überall und für sämtliche Maschinenkomponenten werden sich alle Evolutionsstufen von Predictive Maintenance wirtschaftlich lohnen. Darum findet man in manchen Firmenbefragungen zu PM einfach als Antwort ‚No'.

Abb. 13: IPC CFX etabliert sich als leistungsstarke Schnittstelle für die vertikale Datenkommunikation – offen, standardisiert und unabhängig von Herstellern Abb. 13: IPC CFX etabliert sich als leistungsstarke Schnittstelle für die vertikale Datenkommunikation – offen, standardisiert und unabhängig von Herstellern

Doch Unternehmen können Vorbereitungen treffen und die wichtigen ersten Schritte tun. So braucht es zukunftsfähige Anlagen (Asset)-Managementsoftware, die das Monitoring von Maschinen und eine zentrale Steuerung der Wartungs- und Instandhaltungsaktivitäten aller Maschinen unterstützt. Schon heute lassen sich über eine solche zentrale Steuerung und eine Digitalisierung jeglicher Wartungsanweisungen und -hilfen die Instandhaltungskosten und Instandhaltungszeiten deutlich senken.

ASM Factory Equipment Center für die Baugruppenproduktion

Abb. 14: ASM Factory Equipment Center kann auf unterschiedlichen mobilen Endgeräten genutzt werden Abb. 14: ASM Factory Equipment Center kann auf unterschiedlichen mobilen Endgeräten genutzt werden ASM Assembly Systems GmbH & Co. KG bietet seit 2021 im Rahmen des Condition Monitoring mit ASM Factory Equipment Center eine modulare, leistungsstarke, integrierte Softwarelösung für das unternehmensweite Asset- und Maintenance-Management an. Sie gilt nicht nur für DEK-Drucker oder Siplace-Bestückungssysteme. Durch die Modularität ihrer Bausteine ist sie flexibel an die Unternehmen anpassbar.

Terminplanung, Aufgabenverteilung, Bereitstellung von Wartungsanleitungen und Checklisten, Tracking von Sensordaten und Monitoring der Anlagen, Dokumentation von Wartung und Instandhaltung erfolgen zentral für alle Maschinen, Förderer, Fertigungstools und Bestückungsköpfe – auch für das Equipment anderer Hersteller sowie für Bereiche außerhalb der SMT-Fertigung. Im Rahmen des umfangreichen Feeder-Managements wird für jeden einzelnen Förderer eine eigene Wartungs- und Störungshistorie mit Echtzeit-Tracking geführt [9]. Auch deren Messwerte sind mit wenigen Klicks auf den digitalen Zwilling der Maschine in Echtzeit abrufbar.

Damit die Daten von Maschinen unterschiedlichster Hersteller übernommen werden können, bedarf es einer offenen und leistungsstarken Schnittstelle, die über alle Bereiche hinweg akzeptiert und angeboten wird. Das können offene Schnittstellen wie der Hermes-Standard oder IPC-CFX sein.

In der Elektronikbranche stellt gegenwärtig nach Meinung von ASM der unabhängige Standard IPC CFX die eindeutig vielversprechendste Lösung dar, um die Daten heterogen zusammengesetzter SMT-Linien zu erfassen und auszuwerten. Bei ASM Factory Equipment Center kommt deshalb IPC CFX zum Einsatz. So können auch Maschinen anderer Hersteller und deren Sensorsignale integriert werden Alle Prozessschritte der Wartung werden in ASM Factory Equipment Center als Workflows in der Software abgedeckt und teilweise automatisiert – von der zentralen Planung bis hin zur automatisierten Dokumentation. Mit wenigen Klicks können Statusinformationen zu allen Maschinen abgerufen, anstehende Aufgaben automatisiert per Mail an Service-Techniker verteilt, Hinweise zu erforderlichen Verschleiß- oder Ersatzteilen abgerufen werden. Ebenso ist der Zugriff auf elektronische Checklisten für die Durchführung der notwendigen Wartungsarbeiten möglich. Zeitsparend und fehlerminimierend werden die Techniker bei den Instandhaltungsarbeiten jederzeit durch multimediale Anleitungen unterstützt. Die elektronischen Wartungsberichte werden ohne zusätzlichen Arbeitsaufwand gespeichert. Das umfasst auch Messprotokolle von einigen Tools, die zum Nachweis der Maschinenfähigkeiten genutzt werden. Anbinden lassen sich beispielsweise ASM-Tools wie die X-Feeder Verification Station oder die Head Care Station.

Der Zugriff auf die Software findet über den in der Anwendung freigegebenen Internet-Browser statt und kann somit sehr einfach und flexibel auch über mobile Endgeräte wie Smartphones oder Tablets erfolgen (Abb. 14). Durch das Lizenzmodell geht ASM neue Wege: bedarfsgerechtes Mieten statt Kaufen. Die Höhe der Mietlizenz für ASM Factory Equipment Center skaliert mit der Zahl der Assets. Transparente Betriebskosten ersetzen Investitionen mit langwierigen Abschreibungen.

Predictive Services von Siemens für Nutzentrenner

Eine der PM-Lösungen, die Siemens der Elektronikindustrie im Rahmen von Digital Enterprise Services anbietet, ist auf Nutzentrenner für Leiterplatten ausgerichtet. Im Trennprozess entsteht feiner Staub, der sich an den Spindeln ansammelt. Dieser Staub kann die ständige Rotation von Spindeln behindern oder im schlimmsten Fall aussetzen. Anstatt feste Wartungsintervalle zu planen, lässt sich mittels Predictive Services der Spindelstrom analysieren und auf Anomalien überprüfen. Im Ergebnis der Auswertung mit KI erhält man solide Prozessdaten und Hinweise auf Fehlerquellen. Das Personal wird zeitnah und proaktiv über kritische Zustände informiert. Mit den drei Modulen Assessment, Connectivity und Analytics will Siemens die digitale Transformation der Unternehmen unterstützen [10].

Verschleiß von Kabeln überwachen und vorhersehen

Abb. 15: Etherline Guard von Lapp zur Überwachung von Datenleitungen Abb. 15: Etherline Guard von Lapp zur Überwachung von Datenleitungen Bisher ging es in diesem Beitrag vor allem um die Überwachung der Funktion der Maschinen selbst. Doch genauso wichtig ist die Überwachung des Verschleißes von Kabeln, sei es für die Strom- oder Datenversorgung. Die deutsche U. I. Lapp GmbH hat Ende 2021 die Bereitstellung von Etherline Guard, eines innovativen Wächters für Datenleitungen angekündigt (Abb. 15). Dieser soll in Ethernet-basierten Netzwerken der Automatisierungstechnik die Lebensdauer einer ausfallgefährdeten Datenleitung überwachen. Es ist insbesondere bei Kabeln mit hochdynamischen, anspruchsvollen Bewegungen mit hohen Geschwindigkeiten und starker Torsion vorteilhaft und kostensparend, wenn die Verbindungssysteme überwacht werden. Grundlage dafür sind Daten, die über eine Sensorik aus den physikalischen Eigenschaften der Datenübertragung ermittelt werden. Die Realzeit-Zustandsanzeige macht es möglich, die Verschleißgrenze einer Leitung zu erkennen und den optimalen Austauschzeitpunkt im Voraus zu planen [11].

Limtronik auf dem Weg zu Predictive Maintenance

Recherchen des Autors zu KMU im Sektor Elektronikproduktion, die sich bereits aktiv mit Condition Monitoring oder Predictive Maintenance befassen, waren in den Fachmedien wenig erfolgreich. Das zeigt, dass der Weg zu PM über CM beschwerlich zu sein scheint und nur langsam schrittweise gegangen wird. Dafür trifft man auf die Smart Electronic Factory e. V. (SEF), als eine Industrie 4.0-Initiative für den deutschen Mittelstand und als Leuchtturmprojekt deklariert. SEF ist eine Informations- und Demonstrationsplattform für Industrie 4.0. Die Evaluierungsumgebung ist seit 2017 in eine reale Elektronikfabrik, nämlich den EMS-Dienstleister Limtronik implementiert. Im März 2021 gab der Verein bekannt, dass Anwendungen in insgesamt drei realen Elektronikfabriken – Limtronik, EGO und KEBA – konzipiert, getestet und validiert werden.

Verschiedene Software- und Hardware-Hersteller sowie universitäre Einrichtungen wirken an der Initiative aktiv mit. Zentrale Zielsetzung ist es, Industrie 4.0-Szenarien, mit Fokus auf mittelstandtaugliche Lösungen, in der realen Produktion von Unternehmen umzusetzen. Dazu zählen auch Predictive Maintenance-Lösungen [12].

Der Limburger EMS-Dienstleister Limtronik hat bereits 2017 in einer Pressemitteilung berichtet, dass sich das Unternehmen durch die Mitarbeit in SEF mittelfristig auf dem Weg zur digitalisierten Fabrik bzw. zu PM befindet [13]. Er war damals dabei, mit Partnern wie der Westsächsischen Hochschule Zwickau im Rahmen von verschiedene Proof of Concepts für die intelligente Fertigung zu erarbeiten.

In der Smart Electronic Factory werden im Praxisbetrieb Industrie 4.0-Anwendungen getestet und zur Marktreife gebracht. Gemeinsam mit Mitgliedern aus dem SEF und weiteren Kooperationspartnern entwickelte Limtronik 2017 verschiedene Proof of Concepts, wie zum Beispiel ein Datamining-Projekt. Limtronik wurde damit zum Vorreiter in der EMS-Branche in puncto Digitalisierung und Industrie 4.0.

Das POC Datamining-Projekt wird in Zusammenarbeit mit den oben genannten Partnern umgesetzt. Aus dem Bestückungsprozess bzw. Manufacturing Execution System (MES) zur Verfügung gestellte Daten werden in dem Projekt erfasst, validiert und plausibilisiert. Ziel ist, die Erfassungstiefe der Qualitäts-, Prozess- und Maschinendaten zu erweitern, um tiefer in Richtung Predictive Maintenance zugehen. Datenlieferant war u. a. ein Fuji-Bestückungsautomat.

Wie es aussieht, werden die Arbeiten in Richtung Predictive Maintenance durch SEF schrittweise vorangetrieben. Im Juli 2021 teilte Limtronik mit, dass das Unternehmen auch die interne Kommunikationsanlage auf ein neues Level gehoben hat. In Zusammenarbeit mit der Ascom DACH wurde eine Lösung entwickelt und installiert, die zum Beispiel Störungen und Ausfälle automatisiert mobil anzeigt und Predictive Maintenance-Prozesse unterstützt.

Zur Hannovermesse im April 2021 zeigte die Smart Electronic Factory Praxisbeispiele aus der vertikal und horizontal vernetzten Produktion bei Limtronik und wollte damit demonstrieren, wie die Digitalisierung auch in anderen Unternehmen vorangebracht werden kann. Dies sollte KMU zur Digitalisierung motivieren. Es scheint, dass die Mehrbelastungen durch die Corona-Pandemie diese deutlich ausgebremst haben.

Referenzen:

[1] www.all-electronics.de/elektronik-fertigung/zukunftsziel-predictive-maintenance-110.html 
[2] www.itwm.fraunhofer.de/de/abteilungen/sys/maschinenmonitoring-und-regelung/predictive-maintenance-instandhaltung-machinelearning.html 
[3] www.asm-smt.com/de/predictive-maintenance/ 
[4] https://iot-analytics.com/product/predictive-maintenance-market-report-2021-2026/ 
[5] www.businesswire.com/news/home/20211022005161/en/ 
[6] www.pwc.de/de/digitale-transformation/der-mensch-wird-in-der-digitalen-fabrik-nicht-ueberfluessig.html 
[7] www.pwc.nl/nl/assets/documents/pwc-predictive-maintenance-4-0.pdf 
[8] https://senseforce.io 
[9] www.asm-smt.com/de/aktuelles/presse/software-fur-das-fabrikweite-asset-und-maintenance-management 
[10] www.siemens.com/predictive-services 
[11] https://t3.lappcdn.com/ 
[12] www.smartelectronicfactory.de 
[13] www.limtronik.de/de/news/limtronik-datamining 

Weitere Informationen

  • Ausgabe: 3
  • Jahr: 2022
  • Autoren: Dr. Hartmut Poschmann

Ähnliche Artikel