Hohe Produktqualität durch qualitätsorientierte Instandhaltungsplanung
Prävention statt Reaktion

Jan C. Aurich, René Malak, Markus Faltin

Der vorliegende Beitrag beschreibt ein zweistufiges Vorgehen mit dem verschleißbedingte Qualitätsprobleme mit einem ausreichend großen zeitlichen Vorlauf erkannt werden. Im ersten Schritt werden die Zustände von Maschinenkomponenten zeitbasiert bestimmt und deren Auswirkungen auf die Qualitätsmerkmale eines Produktes identifiziert. Durch die identifizierten Zusammenhänge können in einem zweiten Schritt verschiedene Instandhaltungsmaßnahmen simuliert werden.

Unternehmen müssen sich kontinuierlich im Wettbewerb beweisen und qualitativ hochwertige Produkte herstellen, die sie zu erschwinglichen Preisen anbieten. Daher ist es wichtig Kosten zu reduzieren, die durch Qualitätsabweichungen entstehen. Um Produkte mit hoher Qualität kostengünstig produzieren zu können, müssen zum einen Produktionsunterbrechungen vermieden und zum anderen der erzeugte Ausschuss reduziert werden.

Abweichungen von der geforderten Produktqualität sind verantwortlich für hohe Kosten in Industrieunternehmen. Dies liegt zum einen daran, dass mangelhafte Produkte nachgearbeitet oder entsorgt werden müssen. Zum anderen verursacht die Suche nach den Ursachen für die abweichende Qualität hohe Kosten und nimmt wertvolle Zeit in Anspruch. Die Suche gestaltet sich insbesondere sehr aufwendig, wenn für die Qualitätsabweichung keine näherliegenden Ursachen verantwortlich sind, wie beispielsweise Fehler an den Prozess- parametern oder am Vorprodukt. Führt der Verschleiß einer Maschinenkomponente zu Qualitätsabweichungen, so ist dies in der Regel mit einer umfangreichen Ursachenanalyse verbunden. Dies hat zur Folge, dass zu den Kosten für Nacharbeit und Ausschuss zusätzlich hohe zeitliche und finanzielle Aufwendungen für Ursachensuche und Durchführung der Instandhaltungsmaßnahmen anfallen. Um die beschriebenen Zusatzkosten zu vermeiden, ist es notwendig Qualitätsabweichungen, die auf den Verschleiß von Maschinenkomponenten zurückzuführen sind, zu prognostizieren und erforderliche Instandhaltungsmaßnahmen einzuplanen. Durch das rechtzeitige Einplanen der Instandhaltungsmaßnahmen wird der zeitliche und finanzielle Aufwand signifikant reduziert. Ziel ist es daher, zunächst die Zusammenhänge zwischen den qualitätsrelevanten Eigenschaften der Prozesselemente und den Qualitätsmerkmalen der zu erzeugenden Produkte zu identifizieren. Darüber hinaus sollen die Auswirkungen von Veränderungen seitens der qualitätsrelevanten Eigenschaften vorhergesagt werden. Dadurch soll es ermöglicht werden, bereits im Vorfeld zielgerichtet Instandhaltungsmaßnahmen einzuplanen.

Die Produktqualität hängt neben den üblichen Einflussfaktoren, wie Vorprodukten oder Prozessparametern, auch vom Zustand der am Prozess beteiligten Komponenten, wie Maschinen, Werkzeuge oder Hilfsstoffe ab. Die Zustände dieser Komponenten determinieren somit die Produktqualität. Um die Produktqualität zu gewährleisten, muss geklärt werden, wann die Zustände der beteiligten Komponenten wieder hergestellt werden sollen. Ziel der Instandhaltung ist es, präventiv die beteiligten Komponenten instandzusetzen. Dies ermöglicht eine Zeitersparnis, da Komponenten, wie bspw. Werkzeuge, nicht erst erstellt, bzw. beschafft werden müssen und notwendige Instandhaltungstätigkeiten bereits im Vorfeld durchgeführt werden können. In diesem Zusammenhang ist die Instandhaltung langfristig zu planen, woraus sich ein Prognosebedarf für die Ergebnisse der Produktionsprozesse ergibt. Daraus resultieren zwei Herausforderungen, die es zu bewältigen gilt. Zum einen sind dies die Prognose der Zustände der beteiligten Komponenten sowie die Ermittlung der Auswirkungen auf die Produktqualität. Zum anderen besteht die Herausforderung darin, geplante Gegenmaßnahmen zu simulieren und deren Wirksamkeit hinsichtlich der geforderten Produktqualität zu überprüfen.

Um den Herausforderungen zu begegnen bedarf es einer strukturierten Zusammenarbeit von Qualitätsmanagement und Instandhaltung [1]. Bisherige Ansätze haben keinen interdisziplinären Charakter und unterstützen somit nicht eine qualitätsorientierte Instandhaltung. Vielmehr orientieren sich die aktuellen Ansätze auf eine möglichst hohe Verfügbarkeit der Anlagen [2], ohne dabei explizit die Produktqualität zu berücksichtigen. Das Qualitätsmanagement beinhaltet zwei Arten von Methoden. Diese dienen auf der einen Seite der Beschleunigung der Ursachensuche [3] und auf der anderen Seite der Prognose von Qualitätsabweichungen kurz vor dem Produktionsprozess [4]. Derzeit ist es nicht möglich Qualitätsabweichungen lange im Voraus zu prognostizieren.

Vor diesem Hintergrund forscht das Centrum für Produktionstechnik (CPK) der TU Kaiserslautern an einem Konzept zur qualitätsorientierten Instandhaltungsplanung. Das entwickelte Konzept basiert auf einer zweistufigen Vorgehensweise, bei der im ersten Schritt die Zustände der beteiligten Komponenten zeitbasiert ermittelt und deren Einfluss auf Qualitätsmerkmale durch den Einsatz künstlich neuronaler Netze (KNN) identifiziert werden. KNN können durch eine Anzahl von Datensätzen trainiert werden [5] und sind somit in der Lage, die Zusammenhänge zwischen den Zuständen der beteiligten Komponenten und den Qualitätsmerkmalen zu identifizieren. Im zweiten Schritt werden eingeplante Instandhaltungsmaßnahmen mit Hilfe der entwickelten KNN simuliert und deren Auswirkungen auf die Qualitätsmerkmale identifiziert.

Bild 1: Zeitkonten für Komponenten  und Prozesstypen

Konzept zur qualitätsorientierten Instandhaltung
Zur Prognose der Zustände der am Prozess beteiligten Komponenten und deren Auswirkungen auf die Qualitätsmerkmale beginnt das Konzept mit einer zeitbasierten Methode. Sie ermöglicht die Vorhersage der Zustandsgrößen der Komponenten. Dabei stützt sich die zeitbasierte Vorhersage von Zuständen der Komponenten auf der Annahme, dass verschiedene Produktionsprozesse zu Produktionsprozesstypen zusammengefasst werden können. Die Einsatzzeiten der verschiedenen Produktionsprozesstypen für die einzelnen Zustandsgrößen der jeweiligen Komponenten werden auf spezifischen Zeitkonten erfasst. Gleiche Produktionsprozesstypen werden auf diesen Zeitkonten addiert, so dass die spezifische Einsatzdauer dokumentiert wird. Die Zeitkonten für die verschiedenen Prozesstypen sind in Bild 1 dargestellt. Sie werden für die Komponenten einer Maschine aufgenommen und auf „0“ gesetzt, wenn Instandhaltungsmaßnahmen durchgeführt wurden. Die Zeitkonten eröffnen die Möglichkeit einer zeitbasierten Prognose, die auf den Daten des Produktionsplanes aufbaut und somit leicht durchführbar ist. Zudem werden die entsprechenden Qualitätsmerkmale erfasst. Darauf aufbauend werden durch den Einsatz KNN die Auswirkungen der verschiedenen Zustände auf die Qualitätsmerkmale ermittelt. Die Zustände der am Prozess beteiligten Komponenten bilden dabei die Eingangsneuronen der KNN. Analog dazu bilden die Qualitätsmerkmale die Ausgangsneuronen. Durch mehrere Datensätze, in denen Zustände und die entsprechenden Qualitätsmerkmale erfasst sind, lassen sich somit die KNN trainieren und die Zusammenhänge zwischen den Zuständen und den Qualitätsmerkmalen identifizieren. Da die Zustände zeitbasiert prognostiziert werden, ist es möglich, ausgehend vom Produktionsplan Qualitätsmerkmale zu prognostizieren. Die Funktionsweise ist in Bild 2 dargestellt.

Bild 2: Prognose der Qualitätsmerkmale durch künstlich neuronale Netze

Im zweiten Schritt des Konzeptes wird identifiziert, welche Instandhaltungsmaßnahmen durchgeführt werden müssen, um Qualitätsabweichungen zu verhindern. Werden aufgrund des bisher beschriebenen Vorgehens Abweichungen an den Qualitätsmerkmalen prognostiziert, gilt es für diese bereits im Voraus geeignete Instandhaltungsmaßnahmen einzuplanen. Zu den prognostizierten Abweichungen der Qualitätsmerkmale werden entsprechende Instandhaltungsmaßnahmen festgelegt. Um diese Instandhaltungsmaßnahmen auf ihre Eignung hin zu prüfen, müssen ihre Auswirkungen auf die Zustandsgrößen modelliert und auf die Qualitätsmerkmale simuliert werden. Dazu werden die entwickelten KNN herangezogen. Mit der Durchführung von Instandhaltungsmaßnahmen werden die Zustandsgrößen bestimmter Komponenten wieder in den Ausgangszustand versetzt, was dazu führt, dass die entsprechenden Zeitkonten zurück auf „0“ gesetzt werden können. Daraufhin werden die erstellten KNN erneut angewendet, um die Auswirkungen auf die Qualitätsmerkmale zu prognostizieren. Dieses Vorgehen ermöglicht eine Simulation von Instandhaltungsmaßnahmen mit dem Ziel, deren Wirksamkeit zur Aufrechterhaltung der Qualitätsmerkmale im Vorfeld zu überprüfen.

Fazit
Mit dem entwickelten Konzept wird eine qualitätsorientierte Instandhaltungsplanung realisiert, die sich konsequent an den Qualitätsmerkmalen der herzustellenden Produkte orientiert. Durch das Konzept wird eine Vorhersage des Einflusses einzelner Prozesselemente auf die Qualitätsmerkmale durch die Prognose der erwarteten Zustandsgrößen möglich. In diesem Zusammenhang wird eine Simulation verschiedener Gegenmaßnahmen ermöglicht, die zur Überprüfung der Wirksamkeit herangezogen wird. Zusammen mit der Prognose der Prozesselemente ist es möglich einen geeigneten Zeitpunkt für Instandhaltungsmaßnahmen festzulegen. Die Wirksamkeit der Maßnahmen kann mittels der vorgestellten KNN überprüft und somit die Instandhaltungsplanung kontinuierlich verbessert werden.

Grundlage für diesen Beitrag bildet das Projekt „Qualitätsorientierte Instandhaltungsplanung und -steuerung in produktionstechnischen Prozessketten - QIH.Pro“. Dieses wird durch das Centrum für Produktionstechnik Kaiserslautern (CPK) gemeinsam mit sechs leistungsstarken Validierungspartnern durchgeführt. Das Projekt wird von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung und vom Land Rheinland-Pfalz kofinanziert.

Schlüsselwörter:

Qualitätsmanagement, präventive Instandhaltung, künstlich neuronale Netze

Literatur:

[1] Reinhart, G.; Rashidy, H.: Further potentials of CAQ tools for fault handling in automitive manufacturing processes. In: Production Engineering Research Development, (2008), S.47 – 54.
[2] Meier, H.; Quade, N.; S. Binner: Verfügbarkeitsmanagement von Produktionssys-temen, wt Werkstattstechnik Online, 97 (2007) 7/8, S. 544-548, Springer-VDI-Verlag, Düsseldorf.
[3] Struss, P. et al.: Modellbasierte Werkzeuge für Diagnose und Fehleranalyse von Fahrzeugsubsystemen. In: Hotz, L.; Struss, P.; Guckenbiehl, T. Hrsg.: Intelligente Diagnose in der Anwendung. Shaker: Aachen 2000, S. 17–40.
[4] Scholz-Reiter, B.; Hamann, T.; Gronau, N.; Bogen, J.: Fallbasierte neuronale Produktionsregelung. In: wt Werkstatts-
technik Online, 95 (2005) 4, S. 293 – 298.
[5] Tönshoff, H.K.; Reinsch, S.; Dreyer, J.: Soft-computing algorithms as a tool for the planning of cyclically interlinked production lines. In: Production Engineering Research Development, (2007), S.389 – 394.
Schlüsselwörter: