Predictive Maintenance bei Schneider Electric
Maßgeschneidert
Um eine besonders wichtige, aber anfällige, Maschine zuverlässiger zu betreiben, hat Schneider Electric ein Predictive-Maintenance-Projekt angestoßen. Zusammen mit dem Partner Senseye konnte die Anlageneffizienz Schritt für Schritt deutlich verbessert werden.
Bild: Senseye

Mit einer Präsenz in 100 Ländern, 137.000 Mitarbeitern und einem Umsatz von 25,7 Milliarden Euro in 2018 zählt Schneider Electric zu den ganz großen Anbietern in den Märkten rund um das Energiemanagement und die Automatisierung. 90 Prozent seiner Geschäftstätigkeit fallen in den Bereich Energiebedarf. Dabei deckt das Unternehmen vier Hauptmärkte ab: Wohnen & Gebäude, IT (Rechenzentren & Netzwerke), Industrie und Infrastruktur. Das Werk von Schneider Electric im französischen Le Vaudreuil wendet in großem Maßstab Technologien an, die mit der vierten industriellen Revolution in Verbindung gebracht werden. In dem Werk gab es Probleme mit dem Zustand und ungeplanten Stillständen einer Maschine, die im Fertigungsprozess eine kritische Rolle spielt. Das Unternehmen suchte nach einer Lösung, die die vorhandenen Maschinendatenströme problemlos nutzen kann; die von den Maschinenbedienern ohne komplexen Setup oder umfangreiche Schulungen eingesetzt werden kann und die sich schnell amortisiert.

Punktgenauer Erfolg

Der Produzent führte zunächst Analysen an der problembehafteten Maschine durch, um die Hauptursache für die Ausfälle zu ermitteln und den Maschinenzustand zu bewerten. Diese Analysen ergaben, dass die Probleme zum Teil auf den langen Zeitrahmen bis zum Austausch von Altteilen zurückzuführen waren. Um dem zu begegnen, begann Schneider Electric, Komponenten regelmäßig auszutauschen. Allerdings gingen nur 18 Prozent der ungeplanten Ausfallzeiten auf das Alter der Komponenten zurück. Daher installierten die Anlagenbetreiber Temperatur- und Stromsensoren, um das Verhalten der Maschine zu überwachen. Die von diesen Sensoren gelieferten Daten wurden in der Software Aveva Insight gespeichert, dann an Senseye PdM weitergeleitet und anhand der historischen Daten vergleichend analysiert. Mit KI- und Machine Learning (ML)-Algorithmen, die auf den mechanischen Rahmenbedingungen basieren, konnte Senseye PdM – PdM steht dabei für Predictive Maintenance – die Wartungstechniker automatisch mit Warnmeldungen versorgen, bevor die Maschine ausfallen würde. So wurden beispielsweise die Maschinenbediener vor dem Ausfall einer Spindel oder Gegenspindel gewarnt, was die Gesamtanlageneffektivität (OEE) um sieben Punkte verbesserte. Nach diesem Erfolg führt Schneider Electric jetzt Senseye PdM in seiner gesamten Global Supply Chain-Sparte ein. Die Lösung wird dort zur Überwachung verschiedener Anlagen wie Pumpen, Motoren und Förderbänder eingesetzt.

www.senseye.io

2016 führte Schneider Electric seine offene, IoT-fähige Architektur und Plattform EcoStruxure ein, über die Unternehmen vernetzte Geräte, Sensoren und andere Maschinensysteme nutzen können. Senseye stellt Schneider Electric mit Senseye PdM seine cloudbasierte Lösung für vorausschauende Instandhaltung bereit, um die Betriebsbereitschaft von Anlagen, Prozessen und Maschinen zu erhöhen. Bis Ende 2020 will das Unternehmen mehr als hundert seiner Fabriken mit dieser Technologie ausstatten.

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Anzeige

Bild: Vecoplan AG
Bild: Vecoplan AG
IoT-basierte Services

IoT-basierte Services

Vecoplan nutzt bereits seit 2008 Fernzugriffsfunktionen für seine Maschinen. Mithilfe des IoT-Spezialisten Ixon hat der Maschinenbauer dieses Angebot ausgeweitet und bietet heute sogar Kameraüberwachung für seine Recyclingmaschinen an.

Bild: ISW Universität Stuttgart
Bild: ISW Universität Stuttgart
SDM in der Anwendung

SDM in der Anwendung

Software-defined Manufacturing (SDM) ist eine technische und methodische Lösung, um Produktionssysteme kontinuierlich an sich ändernde Anforderungen anzupassen. Nötig sind zunächst per Software anpassbare Komponenten wie Roboter oder Transportsysteme. Das große Potenzial an Wandelbarkeit und Optimierungsfähigkeit geht auch mit hoher Komplexität einher. Deshalb wird in einem Demonstrator gezeigt, wie die Vorteile praxisgerecht nutzbar gemacht werden.

Anzeige

Anzeige

Anzeige