Embed Size (px)
Citation preview
Engineering Solutions for Predictive
Maintenance
Or how "Make in India" can help you
become more competitive
Ewald Munz, Somnath Kundu
Hannover, 13. April 2015
22/0
4/20
15C
YIE
NT
© 2
015
CO
NF
IDE
NT
IAL
1. Engineering Lösungen – Make in India
2. Predictive Maintenance: Einführung und Vorteile
3. Datenanalyse
4. Erfolgsfaktoren und erste Schritte
5. Fallbeispiele
6. Engineering Lösungen für Predictive Maintenance
Inhalt
2
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L22
/04/
2015
22/0
4/20
15C
YIE
NT
© 2
014
CO
NF
IDE
NT
IAL
3Quelle: NASSCOM
2-3
10
1720
37-45
2006 2009 2013 2014 2020
Engineering Lösungen – Make in IndiaWachstumsmarkt & Erfolgsmodell
Mrd. US$
Verdoppelung
4
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L22
/04/
2015
Quelle: Booz & Allan
Wieso wird Engineering outgesourct?Trend zur Co -Innovation
Zukunft gemeinsam gestalten
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
5
22/0
4/20
15
• Globale Engineering Lösungen• Fokus auf ausgewählte Branchen• Kennzahlen
− 12.500+ Mitarbeiter− US$363 Mio. Umsatz (2013/14)− 42 Standorte weltweit− Börsennotiert
23 Jahre Erfolgsgeschichte• Hauptsitz: Hyderabad, Indien
Deutschland: Leonberg/Stuttgart
Globaler Engineering Partner der Industrie100+ Millionen Engineering Stunden
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
6
22/0
4/20
15
Engineering: Products & Processes
Data, Network and Operations
Product Realization: Design, Prototyping, Testing, M anufacturing of Electronic Components
Predictive
Maintenance:
Einführung & Vorteile
Vorhersage des optimalen WartungszeitpunktesHöhere Verfügbarkeit und Kosteneffizienz
8
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L4/
22/2
015
Für die Industrie• Höhere Verfügbarkeit
• Niedrigere Wartungskosten
• Verringerte TCO (total cost of ownership)
• Verbesserte Wettbewerbsfähigkeit
• Betonung der Markenreputation
Für die Industriekundenz.B. AutomobilfertigungPlanungssicherheit bei der JIT Lieferung der Zulieferer
+ Sicherstellung der eigenen Auslieferung
+ Betonung der Markenreputation
Höhere Kundenzufriedenheit
Vorteile für alle Interessensgruppen
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
9
22/0
4/20
15
Daten Analyse
• Vorhersage von Ausfällen
• Vorhersage von proaktiver Wartung
• Proaktive Überwachung
• Analyse der Sensordaten hinsichtlich Fehlermuster und Trends
• Abgleich der Sensordaten mit historischen Daten
• Entwicklung von Mustererkennungsalgorithmen, Korrelationsanalyse
• Verbesserung der Alarmvalidierung und Fehlererkennung
• Echtzeit als neuer Trend
Datenanalyse ist die Grundlage für PredictiveMaintenance
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
11
22/0
4/20
15
Temperatur
Vibration
Sensoren
Geräusche
Datenanalyse
Business Intelligence Cockpit
Datenspeicherung
Rohdaten
On-board
Branchenübergreifende DatenanalyselösungenLuftfahrt als Pionier
12
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L4/
22/2
015
Datenanalyse Lösungen
Versorgungs- & Kommunikations-unternehmen
Maschinenbau BahnindustrieLuftfahrt
• Modellierung von vereinheitlichten Daten
• Lineare & nichtlineare Modellierung
• Vorausschauende Modellierung
Datenmodellierung
• Cockpit
• Web App Integration
• Mobile App Entwicklung
App Entwicklung
• Visuelle Analyse und Integration von diversen Daten
• Echtzeit-Analyse und Visualisierung von Abläufen (stream processing)
Datenvisualisierung
• Heterogene Datenintegration
• Hadoop Cluster Aufbereitung
• Enterprise Datenarchivierung
Datenvorbereitung
Erfolgsfaktoren und
erste Schritte
Schritt 1: Auswahl des richtigen Systems bzw. Subsys tems
Vier-Schritte-Ansatz für eine erfolgreiche Predictive Maintenance Implementierung
14
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L4/
22/2
015
• Wo ist es am effektivsten vorherzusagen?aus einem Wartungsblickwinkel gesehen
• Entweder Kinderkrankheiten oder End-of-Life Phasen
• Was ist möglich vorherzusehen?
• Hochkritische Systeme versus Anzahl der Vorfälle
Häufigkeit des Vorfalls
Vorf
all-K
ritik
alitä
t
VorhersehbarkeitRealisierungs-Zone
Schritt 2: Definition strategischer Daten
Schritt 3: Verkupplung des Branchen-Experten mit einem Datenanalysten
Vier-Schritte-Ansatz für eine erfolgreiche Predictive Maintenance Implementierung
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
15
4/22
/201
5
− Bottom-up Ansatz: Analyse verfügbarer Daten oft nicht vielversprechend
− Top-down Ansatz: Definition der Geschäftsziele unddamit der strategischen Daten
− Interpretation von Mustern als Leitlinie
− Was ist Zufall, was ist verdächtig?
− Branchenexpertise ist entscheidend und damit der Wegweiser für den Datenanalysten, den richtigen Algorithmus zu entwickeln
Richtiger Algorithmus ist der Schlüssel zum Glück
Schritt 4: Zusatznutzen erkennen und für Wartungsstra tegien im Lebenszyklus einsetzen
Vier-Schritte-Ansatz für eine erfolgreiche Predictive Maintenance Implementierung
16
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L4/
22/2
015
Aus
fallr
ate
Zeit
Normale Gebrauchsphase End of Life / Wear outKinderkrankheiten
MaximierungImplementierung von Lessons
Learned
Auswirkungen vonPredictive Maintenance
Lernen
Case Studies
Challenge• Engine health monitoring with log data trending, visualization
• Identify correlations among engine parameters and predict possible failures
How we did it• Building on 13+ years of experience in aerospace engine health
monitoring
• Data sourced from multiple engine models
• Data management, data synthesis, event analysis
Value to customer• Speed: Time to process engine data reduced from 4 days to 3
minutes
• Volume: Moved from traditional processing of one engine’s data at a time to handling data from 200 engines simultaneously
• New insights: From limitations of fixed set of reports, new insights being delivered based on data from multiple engines
Case study: aircraft engine
CY
IEN
T ©
201
4 C
ON
FID
EN
TIA
L
18
22/0
4/20
15
Various industries• Reduction in maintenance costs 25% - 30%
• Elimination of break-downs 70% - 75%
• Spare parts inventories reduced 20% - 30%
• Asset life increased 20% - 40%
Process industry• Maintenance savings of €10 million within a year of
implementation related to the identification of badly performing assets
• Reductions in reactive maintenance by 40% in less than a year
• Improvements in availability totaling €3–5 million per plant per year
Case study: average savings from a PM solutionin various industries
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
19
22/0
4/20
15
Sources: Process Worldwide, Accenture, SAS, Cisco
ChallengeTo develop a predictive analysis for a high-risk component
How we did it• Developed and tested advanced algorithms which identified critical
events relating to component failures of an engine
• Develop health scorecard model for all critical components of that engine (low, medium, high)
Value to customer• Maximum equipment availability
• Increased productivity
• Reduced operating costs
• Enabling of key business processes
Case study: transfer aero to industrial productsOff-highway equipment
CY
IEN
T ©
201
4 C
ON
FID
EN
TIA
L
20
22/0
4/20
15
Engineering Solutions
for Predictive
Maintenance
How to deliver value?
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
22
4/22
/201
5
Data analytics
Industryexpertise
Engineering
Predictive MaintenanceSolution
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L
23
22/0
4/20
15
Tools to deliver value
• Identify hidden patterns using advanced analytics techniques to deliver breakthrough insights Pattern detection
• End to end big data technology implementations• Big data discovery, architecture & solution develop ment • Data management, analysis and insights generation• Integrate with enterprise data & processes
Big data framework implementations
• Advanced data discovery & visual analytics modeling• Architecture, design, development and implementatio n
Advanced visual analytics/ BI
• Analytics apps (mobile platform) • Insight apps, finding the face of your dataAnalytics apps
• Descriptive & predictive analytics modeling, simula tions, algorithm development, insights generation
• Statistics, econometrics, operations research, text analytics
Advanced analytics/ Data science
Engineering solutions for Predictive MaintenanceFrom Greenfield to Brownfield
24
CY
IEN
T ©
201
5 C
ON
FID
EN
TIA
L22
/04/
2015
GreenfieldNew project
Consulting and analysis of all aspects regarding Predictive Maintenance
ExistingProject
• Customizing existing systems
• Migrating existing systems into big data platforms
Brownfield / Operations
• Data analytics
• KPIs visualization: dashboards
• Development of apps
• Value-adds: KPIs for machinery (old and new)
Q&A
Ewald Munz Somnath KunduDirector Business Development EMEA Sales Manager– Central EuropeMollenbachstr. 37 Mollenbachstr. 3771229 Leonberg/Stuttgart 71229 Leonberg/Stuttgart
Tel. +49 7152 945264 Tel. +49 7152 945233Mobile +49 172 710 3606 Mobile +49 173 3078 415E-mail [email protected] E-mail [email protected]
