Vorausschauende Wartung mit SAP - Viel Wolke um nichts?

1 | 19.07.2017 |
TREBING+HIMSTEDT
Frank Kalina Ulf Kottig
Sr. Key Account Manager Senior Marketing Manager
Trebing + Himstedt Trebing + Himstedt
Vorausschauende Wartung
Einstieg und Anwendung der SAP Predictive Maintenance & Service
Webinar – SAP Predictive Maintenance & Service

2 | 19.07.2017 |
Agenda
Trebing + Himstedt
IoT vs. Industrie 4.0 für die Produktion
Wartung wandert in die Wolke
Dreistufiges Einführungsmodell
SAP Cloud Platform
Referenzen

3 | 19.07.2017 |
Trebing + Himstedt
Simplify Manufacturing
• Inhabergeführt, gegründet: 1992
• Von Nord bis Süd: Schwerin | Stuttgart | Basel (CH)
• Internationale Projekterfahrung
• SAP Partner seit 2005
• Kernkompetenz: Connected Manufacturing mit SAP MES und IoT
Powered by SAP Leonardo
• SAP Silver Service und Lizenzpartner

4 | 19.07.2017 |
Trebing + Himstedt SAP Historie
Europäischer
Distributor für
Lighthammer
CMS Suite
2000
Einführung von
SAP ME nach
der Akquisition
von Visiprise
2008
Nach der Akquisition
von Lighthammer
durch SAP wird
aus CMS SAP MII
SAP Service Partner
2005
SAP SELL
Partnerschaft
SAP ME RDS
Implementierungs-
partner
2013
Globaler TOP 10
SAP MII Partner
Industrie 4.0
Forschungsprojekt
KapaflexCy startet
2012
Verkauf einer
Geschäftssparte
zur Fokussierung
auf SAP
2014
2016
Industrie 4.0
Forschungsprojekt
MyCPS startet
Einführung von SAP
Predictive Maintenance
& Service
2017

5 | 19.07.2017 |
Industrie 4.0 vs. IoT in der Produktion
Effizientere Prozesse Neue Geschäftsmodelle

6 | 19.07.2017 |
Nutzen auf dem Weg zur Industrie 4.0
Sehen
Was passiert?
Verstehen
Warum passiert es?
Vorbereitet sein
Was wird
passieren?
Selbst optimierend
Wie kann autonom
reagiert werden?
1. Sichtbarkeit
2. Transparenz
3. Prognosefähigkeit
4. Adaptierbarkeit
Mehrwert durch Konnektivität
Digitaler Schatten
Single Point of Truth
Predictive Services
Connected Services

7 | 19.07.2017 |
Instandhaltung nach DIN 31051
alle
„Maßnahmen zur Bewahrung und Wiederherstellung des
Soll-Zustandes sowie zur Feststellung und Beurteilung des
Ist-Zustandes von technischen Mitteln eines Systems.“
1. Wartung
2. Inspektion
3. Instandsetzung
4. Schwachstellenbeseitigung oder auch Verbesserung

8 | 19.07.2017 |
Predictive Maintenance nach DIN 13306
„Instandhaltungsmaßnahmen, die abhängig von einer
Prognose eingeleitet werden. Die Vorhersagen basieren
entweder auf Trendanalysen oder bei bekannten
Mechanismen auf der Auswertung der jeweils nötigen
Parameter“.

9 | 19.07.2017 |
Best Practice: Wettervorhersagen
Die Trefferquote einer 24-Stunden-
Prognose bei der Wettervorhersage liegt
heute zwischen 90 und 95 Prozent, für
die ersten 72 Stunden immerhin noch
bei 80 bis 85 Prozent.

10 | 19.07.2017 |
Wartung & Service – Perspektiven
Beteiligte und Ihre Anliegen
Wie kann ich den besten Service zur richtigen Zeit erbringen?

11 | 19.07.2017 |
Wartung & Service – heute & morgen
Reifegradkurve für Maintenance-and-Service-Strategien
Unternehmen bewegen sich
von einem reaktiven zu
einem proaktiven Ansatz.
Es gibt jetzt die Chance,
Maschinendaten zur
Verbesserung von
Geschäftsprozessen zu
nutzen.
Warten bis die
Maschine
ausfällt und
dann Wartung
vornehmen.
Zustands-
orientiert
Sukzessive Entwicklung zur vollen Industrie 4.0 Mehrwerte

12 | 19.07.2017 |
Wartung 4.0 senkt Kosten
Studien* zeigen:
*Laut einer aktuellen Studie des Weltwirtschaftsforums und des Beratungsunternehmens Accenture könnten bei
geplanten gegenüber ungeplanten Reparaturen 12 % und bei den Wartungskosten fast 30 % eingespart werden.
Darüber hinaus könne der Anteil ungeplanter Stillstände um 70 % zurückgehen. In der Studie von McKinsey erwartet
man 50 % weniger Ausfallzeiten sowie 20 bis 40 % geringere Wartungskosten für Produktionsanlagen und
Medizinprodukte. Eine Roland-Berger-Studie zeigt zudem, dass mit Predictive Maintenance nur noch 15 % der Zeit
mit Instandhaltung verbracht wird, bei „reaktiver“ Instandhaltung sei dies 40 % der Zeit.

13 | 19.07.2017 |
Wie ist Ihre Instandhaltung heute?
o Reaktiv
o Vorbeugend
o Zustandsorientiert
o Vorhersagend

14 | 19.07.2017 |
Von reaktiv zu proaktiv
Cloud-Modelle machen es möglich

15 | 19.07.2017 |
Nutzen
Verbessert die Fixed-First-Visit-Rate
Verbesserte Planung und Auslastung des Servicepersonals
Reduziert die Wartungs- und Instandhaltungskosten
Reduktion der Ersatzteilhaltung und -lagerkosten
Verbessert die Service Profitabilität / interne Kostenverrechnung
Verbessert die Gesamtanlageneffektivität

16 | 19.07.2017 |
SAP Overall Equipment Effectiveness (OEE)
Die wichtigsten Quellen der Produktionsverluste identifizieren
Auslastung
Effizienz
Qualität
Verfügbarkeit
Gesamtproduktionszeit
Geplante Produktionszeit
Nettoproduktionszeit
Nettobetriebszeit
Wertmäßige
Einsatzzeit
geplante
Stillstände
ungeplante
Stillstände
Geschwin-
digkeits-
verlust
Qualitäts-
verluste
OEE = Nutzungsgradfaktor x Effizienzfaktor x Qualitätsfaktor

17 | 19.07.2017 |
Verbesserung der Gesamtanlageneffektivität
Stillstände vermeiden
Verfügbarkeit wird von technischen und organisatorischen Faktoren
beeinflusst
Ungeplante Stillstände durch technische Störungen können durch
vorausschauende Wartung eliminiert / minimiert werden
• Ausfall wird durch Wartung rechtzeitig vermieden
Geplante Stillstände durch zyklische Wartungsintervalle können durch
vorausschauende Wartung minimiert werden
• Wartung findet nur bei Bedarf statt

18 | 19.07.2017 |
In drei Stufen zum Erfolg
1. Messen
Anbindung von Steuerungs-und Sensordaten
2. Überwachen, analysieren, vorhersagen
Überwachung und Analyse von Anlagen und Abgleich mit
Geschäftsdaten zur Vorhersage von Störungen
3. Handeln
Optimierung von Instandhaltungs-und Serviceaktivitäten und
Entwicklung neuer, auf die Anlagen abgestimmter
Geschäftsmodelle

19 | 19.07.2017 |
Predictive Maintenance Prozess

20 | 19.07.2017 |
SAP Cloud Platform – Powered by SAP Leonardo
Lösungsarchitektur für IoT
SAP Leonardo for
Edge Computing
• Streaming
• Persistence
• Business
Transactions
• Predictive and
machine learning
• Analytics SAP Cloud Platform
SAP Leonardo Foundation
SAP Leonardo Bridge
Connected
Products
Connected
Assets
Connected
People
Connected
Fleet
Connected
Infrastructure
Connected
Markets
Technical Services
• Device Management
• Connectivity
• Messaging
Data Management
• Aggregat store
• Time series store
• Data archive
Business Services
• Thing model (digital twin)
• Application Development
• Re-use UI and API
Analytics Mobile Machine Learning Integration

21 | 19.07.2017 |
Der digitale Zwilling
Plattform
Service
egal von wo
Kunden
egal von wo
ERP Integration
Befähigen von
datengetriebenen
Dienstleistung per
SAP S/4 HANA
SAP PLM
SAP ME
SAP MII
SAP PCo
SAP
AddOn
Der digitale Zwilling
From „things“ to outcomes

22 | 19.07.2017 |
Maschine
hat
Sensoren
Sensoren an
IoT Plattform
anschließen.
Echtzeit
Überwachung &
Daten sammeln
Daten
rückschauend
analysieren
Auffällige Muster
erkennen und ein
vorhersagendes
Modell generieren
Vorhersagendes
Modell in Echtzeit
Überwachung
anwenden und
automatisch
nachjustieren
lassen
=
Der Weg zur vorausschauenden Wartung

23 | 19.07.2017 |
Maschine
hat
Sensoren
Sensoren an
IoT Plattform
anschließen.
Echtzeit
Überwachung &
Daten sammeln
Daten
rückschauend
analysieren
Auffällige Muster
erkennen und ein
vorhersagendes
Modell generieren
Vorhersagendes
Modell in Echtzeit
Überwachung
anwenden und
automatisch
nachjustieren
lassen
=
= Fernwartung / Condition Monitoring

24 | 19.07.2017 |
Von einfach…

25 | 19.07.2017 |
…bis komplex

26 | 19.07.2017 |
Maschine
hat
Sensoren
Sensoren an
IoT Plattform
anschließen.
Echtzeit
Überwachung &
Daten sammeln
Daten
rückschauend
analysieren
Auffällige Muster
erkennen und ein
vorhersagendes
Modell generieren
Vorhersagendes
Modell in Echtzeit
Überwachung
anwenden und
automatisch
nachjustieren
lassen
=

27 | 19.07.2017 |
Daten rückschauend analysieren
Von Big Data zu Smart Data – Bildung von Strukturmodellen
Alle Sensoren Ziel definieren Alle Sensordaten Ziel-relevante Sensoren
Device-ID
Sequential_number
Date
Time
Emergency_Stop
On_Off
Ambient_temperature
Humidity
Temperature-1
RPM-1
Vibration_1
Oil_pressure-1
Engergy-consumption-1
Water-consumption-1
Temperature-2
RPM-2
Oil_pressure-2
Water-consumption-2
Device-ID
Sequential_number
Date
Time
Emergency Stop
On_Off
Ambient temperature
Humidity
Temperature-1
RPM-1
Vibration_1
Oil_pressure-1
Water-consumption-1
Temperature-2
RPM-2
Oil_pressure-2
Water-consumption-2
Ambient temperature
RPM-2
Oil_pressure-2
Vibration
Device-ID # Date Time E_Stop On_Off A_t Humidity T-1 RPM-1 V-1 O_p1 Alarm1
12345 1 12.08.16 11:01:16 0 0 21,20 67,00 89,4 1233 4,30 124 0
12345 2 12.08.16 11:01:36 0 0 21,35 67,00 89,6 1245 4,00 124 0
12345 3 12.08.16 11:01:56 0 0 21,30 67,00 89,5 1235 4,30 124 0
12345 4 12.08.16 11:02:06 0 1 21,30 68,00 94 1560 5,60 124 1
12345 5 12.08.16 11:02:16 0 0 21,31 68,00 90 1256 4,30 124 0
12345 6 12.08.16 11:02:47 0 1 21,35 68,50 93 1540 6,25 124 1
12345 7 12.08.16 11:03:16 0 0 21,20 67,00 89,6 1240 4,25 124 0
12345 8 12.08.16 11:03:36 0 0 21,30 67,00 89,5 1245 4,50 124 0
12345 9 12.08.16 11:03:46 0 1 21,31 67,50 95 1480 5,30 124 1
12345 10 12.08.16 11:04:26 0 0 21,35 67,50 91 1233 4,50 124 0
12345 11 12.08.16 11:04:46 0 0 21,20 68,00 98,4 1245 4,30 124 0

28 | 19.07.2017 |
Maschine
hat
Sensoren
Sensoren an
IoT Plattform
anschließen.
Echtzeit
Überwachung &
Daten sammeln
Daten
rückschauend
analysieren
Auffällige Muster
erkennen und ein
vorhersagendes
Modell generieren
Vorhersagendes
Modell in Echtzeit
Überwachung
anwenden und
automatisch
nachjustieren
lassen
=

29 | 19.07.2017 |
Modellbildung
Bekannte Daten
Neue Daten
“Untertrainiertes” Modell / sehr robust
(Hohe Fehlerrate beim Training = hohe Fehlerrate
beim Test)
Robustes Modell
(geringe Fehlerrate beim Training  geringe
Fehlerrate beim Test)
“Übertrainiertes” Modell /nicht robust
(Kein Fehler beim Training, hohe Fehlerrate
beim Test)
Vorhersagemodell generieren
Wie gut ist das Modell?

30 | 19.07.2017 |
Maschine
hat
Sensoren
Sensoren an
IoT Plattform
anschließen.
Echtzeit
Überwachung &
Daten sammeln
Daten
rückschauend
analysieren
Auffällige Muster
erkennen und ein
vorhersagendes
Modell generieren
Vorhersagendes
Modell in Echtzeit
Überwachung
anwenden und
automatisch
nachjustieren
lassen
=

31 | 19.07.2017 |
Modell anwenden

32 | 19.07.2017 |
Referenzen / SAP-Pilotkunden

33 | 19.07.2017 |

34 | 19.07.2017 |
Trenitalia
https://youtu.be/583aGe0xIGY?list=PLbKV5TqAEeY9309hN4nA_gwgDn70dfC2N
8-10% Reduction
in maintenance costs
700 TB Data managed
per year via
SAP HANA platform
Improved Reliability
and availability of trains
Higher Customer satisfaction
due to improved customer service

35 | 19.07.2017 |
Live-Demo
SAP Predictive Maintenance in der SAP Cloud
https://youtu.be/RGiXWvrLwCQ?list=PLbKV5TqAEeY8AyaH0shwwZTWcT7_MDn-M

36 | 19.07.2017 |
Vielen Dank
Trebing + Himstedt
SAP IoT-Experten
Tel.: +49 385 39572-0
E-Mail: sales-sap@t-h.de
www.t-h.de/pdms

Vorausschauende Wartung mit SAP - Viel Wolke um nichts?

Empfohlen

Empfohlen

Weitere ähnliche Inhalte

Mehr von Trebing & Himstedt Prozeßautomation GmbH & Co. KG

Mehr von Trebing & Himstedt Prozeßautomation GmbH & Co. KG (20)

Vorausschauende Wartung mit SAP - Viel Wolke um nichts?