Die Vermeidung ungeplanter Stillstände ist das Ziel des intelligenten Analysesystems, das in der Montage des BMW-Werks Regensburg eingesetzt wird. Das System zur vorausschauenden Instandhaltung arbeitet sowohl proaktiv als auch präventiv – genau das leistet die intelligente Überwachung.
Der Einsatz datengestützter Analysen für die Fördertechnik ermöglicht es, potenzielle Fehler frühzeitig zu erkennen und zu vermeiden, sodass eine optimale Fahrzeugproduktion aufrechterhalten wird. Unterstützt durch künstliche Intelligenz verhindert das System allein im Werk Regensburg durchschnittlich rund 500 Minuten Störungen pro Jahr in der Fahrzeugmontage.
Verbesserte, präventive Reaktionszeit
Bei der Montage im BMW-Werk Regensburg werden Fahrzeuge üblicherweise auf mobilen Trägern oder Skids befestigt, die an einer Kette durch die Produktionshallen bewegt werden. Jede technische Störung in diesen anspruchsvollen Transportsystemen kann zum Stillstand der Montagelinien führen, was höheren Instandhaltungsaufwand und damit höhere Kosten zur Folge hat.
Um solche Situationen zu vermeiden, hat das Innovationsteam von BMW in Regensburg ein System entwickelt, das potenzielle technische Defekte frühzeitig erkennen kann und so Produktivitätsverluste verhindert. Die Elemente der Förderbänder können aus der Montagelinie entfernt und außerhalb der Produktionsumgebung an anderer Stelle repariert werden. Ein Vorteil dieses Systems besteht darin, dass die Überwachung keine zusätzlichen Sensoren oder Hardware erfordert, sondern bestehende Daten der installierten Komponenten und Förderbänder auswertet. Werden Abweichungen erkannt, wird ein Alarm ausgelöst.
Die Träger, die die Fahrzeuge durch die Montagelinie transportieren, senden verschiedene Daten an das Steuerungssystem des Trägers. Diese Daten werden anschließend über das Träger- und Werkssteuerungssystem an die Plattform für vorausschauende Instandhaltung in der Cloud der BMW Group übertragen.
Hier beginnt die Analyse: Der Algorithmus sucht kontinuierlich nach Abweichungen, etwa Schwankungen im Energieverbrauch, ungewöhnlichen Förderbandbewegungen oder schlecht lesbaren Barcodes, die zu einem Fehler führen könnten. Werden Abweichungen erkannt, erhält die Instandhaltungsleitstelle eine Warnung, die daraufhin dem diensthabenden Instandhaltungstechniker zugewiesen wird. „Das Überwachungssystem in unserer Leitstelle ist rund um die Uhr aktiv“, sagt Projektleiter Oliver Mrasek. „So können wir schnell auf jeden Fehler reagieren und das betroffene Fahrzeug aus dem Zyklus nehmen.“
Einsatz künstlicher Intelligenz (KI)
Die vorausschauende Instandhaltung ist, wie Mrasek betont, keine isolierte Lösung. Das System wurde in Zusammenarbeit mit dem zentralen Shopfloor-Management der BMW Group standardisiert, um eine schnelle und reibungslose Implementierung in anderen Werken zu erleichtern. Dieser Ansatz erweist sich zudem als besonders kosteneffizient: „Wir benötigen keine zusätzlichen Sensoren, daher beschränken sich unsere Kosten auf Speicher- und Datenverarbeitungskosten.“
Machine-Learning-Modelle wurden innerhalb der BMW Group entwickelt und in das System integriert, das Heatmaps mit verschiedenen Farbcodes nutzt, um Abweichungen visuell darzustellen. „Dadurch können wir unterschiedliche Fehlermuster in Komponenten nachverfolgen und strategisch reagieren“, erklärt Mrasek.
Die Algorithmen werden auf Basis von Praxisdaten kontinuierlich verbessert und verfeinert. Das Team arbeitet derzeit daran, weitere Anlagen anzuschließen, um das System weiter zu optimieren und empfohlene Maßnahmen in die Fehlermeldungen zu integrieren. So kann eine Fehlermeldung beispielsweise auf ähnliche Probleme an anderer Stelle in einem System hinweisen, was die Fehlerbehebung für die Techniker vereinfacht. „Eine optimale vorausschauende Instandhaltung spart nicht nur Geld, sondern bedeutet auch, dass wir die geplante Anzahl an Fahrzeugen pünktlich liefern können, was die Produktion deutlich stressfreier macht“, ergänzt Deniz Ince, der Data Scientist des Teams.
Das Streben nach Vorhersagbarkeit
Mrasek und sein Team haben die vergangenen sechs Jahre der Entwicklung dieses datengestützten Überwachungssystems gewidmet. Derzeit werden auf diese Weise etwa 80 % der Hauptmontagelinien überwacht. „Natürlich können wir nicht jeden Fehler im Voraus erkennen oder verhindern, aber allein derzeit vermeiden wir mindestens 500 Minuten Stillstand pro Jahr in der Fahrzeugmontage“, so Mrasek.
Die Berechnung der Einsparungen ist einfach. Im Werk Regensburg läuft etwa jede Minute ein Fahrzeug vom Band, und das System wird bereits in den Förderbandsystemen der Werke in Dingolfing, Leipzig und Berlin eingesetzt.
Ziel ist es, die Möglichkeiten der KI weiter auszuloten, wobei das System lernen soll einzuschätzen, wie viel Zeit zwischen der Erkennung eines Fehlers und dem potenziellen Stillstand vergeht. Dies kann die Techniker dabei unterstützen, die Instandhaltung durch Priorisierung zu planen. Mrasek sieht auch in anderen Bereichen des Werks Potenzial: „Wir testen derzeit, ob wir das System beispielsweise auch für die Anlagen einsetzen können, die für das Befüllen der Fahrzeuge mit Bremsflüssigkeit und Kühlmittel benötigt werden.“
Obwohl es bereits mehrere Optionen für vorausschauende Instandhaltung gibt, ist das integrierte lernende System aus Regensburg bislang einzigartig. Beim Kauf neuer Förderbandtechnik wird die Kompatibilität mit der vorausschauenden Instandhaltung bereits berücksichtigt. Anlagenhersteller loben das System, da sie von den gelieferten Auswertungen profitieren. Die BMW Group hat für das System bereits zwei Patente angemeldet, was seinen innovativen Charakter unterstreicht.