Automotive · Beratung für vorausschauende Wartung
Nach Plan gewartet, ohne Vorwarnung ausgefallen
Ein Automobilhersteller verlor Produktionszeit und Geld durch ungeplante Maschinenausfälle. Gewartet wurde nach festem Zeitplan, unabhängig vom tatsächlichen Zustand der Maschine, und echte Ausfälle hielten die Linie trotzdem an. In einem mehrtägigen Beratungsprojekt haben wir die Infrastruktur bewertet, geeignete Technologien geprüft und eine Lösungsarchitektur für Predictive Maintenance auf Basis von Big Data und maschinellem Lernen erarbeitet.
Ergebnisse
Kunde: Automobilhersteller (unter NDA)
Eine Produktionsumgebung mit hochwertigen Maschinen und hohen Ausfallkosten. Der Hersteller steht unter NDA und wird deshalb hier nicht genannt.
- Branche
- Automotive und Fertigung
- Projektart
- Beratung und Architekturentwurf
- Schwerpunkt
- Predictive Maintenance
- Technologien
- Big Data und maschinelles Lernen, bewertet
- Ergebnis
- Lösungsarchitektur und Roadmap
- Format
- Mehrtägige Workshops
Kurz gefasst
Für Wartung bezahlen und trotzdem die Linie verlieren
- Fällt eine kritische Maschine aus, steht die ganze Linie, und jede Stunde Stillstand ist entgangene Produktion und entgangener Umsatz.
- Gewartet wurde nach Zeitplan. Das hieß: Geld für unnötige Wartung an gesunden Maschinen und trotzdem Überraschung durch echte Ausfälle.
- Dass Predictive Maintenance der richtige Weg ist, wusste das Unternehmen. Es fehlte das Wissen, welche Technologien zur eigenen Infrastruktur passen, welche Daten nötig sind und wie sich das in den Betrieb einfügt.
- Das Projekt hat diese drei Fragen beantwortet und eine Architektur mit einem Stufenplan hinterlassen, kein Whitepaper.
Die Ausgangslage
Die Aufgabe
Einem Automobilhersteller zeigen, wie Predictive Maintenance in seiner konkreten Produktionsumgebung aussieht: die Infrastruktur bewerten, passende Technologien prüfen und eine Architektur liefern, die sich umsetzen lässt.
In der Automobilfertigung gehören ungeplante Maschinenausfälle zu den teuersten Problemen einer Produktionslinie. Fällt eine kritische Maschine aus, steht die ganze Linie, und jede Stunde schlägt direkt als entgangene Produktion und entgangener Umsatz zu Buche.
Der Hersteller wartete nach Zeitplan: in festen Intervallen, unabhängig vom tatsächlichen Zustand. Das bedeutete unnötige Wartungskosten an funktionierenden Maschinen und trotzdem unerwartete Ausfälle.
Dass vorausschauende Wartung mit Sensordaten und ML der richtige Weg war, stand fest. Es fehlte das interne Wissen, um zu beurteilen, welche Technologien zur eigenen Infrastruktur passen, welche Daten erfasst werden müssen und wie sich ein solches System in die bestehenden Abläufe einfügt.
Der Bau
Was wir gebaut haben
Wir haben ein strukturiertes, mehrtägiges Beratungsprojekt in vier aufeinander aufbauenden Schritten durchgeführt.
Bedarfsanalyse
In ausführlichen Gesprächen mit Wartung, Produktion und Technik haben wir die konkreten Schmerzpunkte erfasst: welche Maschinen die meisten Stillstände verursachen, welche Daten schon erfasst werden, wo der größte finanzielle Hebel liegt und wie ein Erfolg aus Sicht des Herstellers aussieht.
Technologiebewertung
Wir haben bewertet, welche Big-Data- und Machine-Learning-Ansätze zur Umgebung passen, unter Berücksichtigung der Maschinentypen, der verfügbaren Sensordaten, der bestehenden IT und der Frage, ob das Team ein vorausschauendes System langfristig betreiben und pflegen kann.
Infrastrukturanalyse
Wir haben die vorhandene Infrastruktur gründlich geprüft, Datenerfassung, Speicher, Netzwerk und Integrationspunkte, um festzustellen, was sich nutzen lässt und was gebaut oder aufgerüstet werden müsste.
Lösungsarchitektur
Am Ende stand ein umfassendes Architekturdokument: wie ein vorausschauendes Wartungssystem in dieser Umgebung funktioniert, vom Sensor über Verarbeitung und ML-Inferenz bis zum Wartungsalarm, mit den Anbindungen an bestehende Systeme und den Komponenten, die gebaut oder beschafft werden müssen.
Was sich geändert hat
Das Ergebnis
Der Hersteller erhielt eine klare, umsetzbare Roadmap: kein allgemeines Whitepaper, sondern eine Architektur für seine Maschinen, seine Infrastruktur und seine Betriebsanforderungen.
Das Team wusste danach, in welche Technologien es investieren, welche Daten es erfassen und wie es die Umsetzung in Stufen angehen sollte.
So sollten viele KI-Projekte beginnen: mit einer gezielten Bestandsaufnahme, die „Was sollen wir bauen und warum?“ beantwortet, bevor ein großer Entwicklungsaufwand beginnt. Die Umsetzung zielt dann auf das richtige Problem mit dem richtigen Ansatz, und das ist der günstigste Schutz vor einer teuren Fehlentscheidung.
Fragen zu diesem Projekt
Einem Automobilhersteller zeigen, wie Predictive Maintenance in seiner konkreten Produktionsumgebung aussieht: die Infrastruktur bewerten, passende Technologien prüfen und eine Architektur liefern, die sich umsetzen lässt.
Workshops zu Bestandsaufnahme, Bewertung und Architektur: Mehrtägig. Eine vollständige Lösungsarchitektur für Predictive Maintenance: Architektur. Ein Umsetzungsplan, zugeschnitten auf die bestehende Infrastruktur: Roadmap.
Eingesetzte Technik: Predictive Maintenance, Big-Data-Architektur, Machine Learning, Infrastrukturbewertung, Sensordatenstrategie, Lösungsarchitektur.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
