Wert und Nutzen der vorausschauende Wartung

Bild: Lean.IQ

In den letzten Jahren hat sich die Technologie zu intelligent vernetzten Maschinen stark vereinfacht und konkrete Anwendungsfälle beweisen bereits in zahlreichen Industriebranchen, dass sich durch vorausschauende Wartung Betriebskosten senken lassen, und die Produkt- und Prozessqualität an Nachhaltigkeit gewinnt. Digitalisierung bedient also genau die Anforderungen um im globalen Wettbewerb auch in Zukunft weiter vorne mitspielen zu können.

Vorteile der vorausschauenden Wartung

Kunden suchen nach smarten, digitalen Produkten, die ihr Programm zur vorbeugenden Wartung mit folgenden Vorteilen unterstützen:

Teile-Kosten und die Investitionsausgaben reduzieren. Durch die Reduzierung der Service-Kosten und die Erhöhung der Gesamtlebensdauer einer Maschine werden die langfristigen Investitionsausgaben reduziert. Darüber hinaus ist aufgrund des gestiegenen Vertrauens in den Betriebszustand ein reduzierter Ersatzteil-Bestand möglich.

Betriebliche Effizienz steigern. Wenn die Maschinen zwischen Service-Intervallen länger in Betrieb sind und zukünftig auftretende Probleme mit hoher Wahrscheinlichkeit voraussagen lassen, kann die betriebliche Gesamteffizienz verbessert werden. Das führt zu einem besseren Geschäftsergebnis und einem Wettbewerbsvorteil.

Laufende Compliance-Kosten verringern. Korrektive und vorbeugende Wartung ist aus arbeitsrechtlicher Sicht kostspielig. Die Verbesserung der Transparenz von Problemen, bevor sie auftreten, kann erhebliche Auswirkungen auf die Senkung der damit verbundenen laufenden Compliance-Kosten haben.

Produkt- und Prozessqualität steigern. Da Maschinen effizienter und mit höherer Qualität und Lebensdauer arbeiten, steigt auch die daraus resultierende Qualität und Effektivität der Prozesse, die von der Maschinenleistung abhängen.

Dies sind nur einige der Vorteile von ‚Predictive Analytics‘ im Rahmen eines Programms zur vorbeugenden Wartung haben kann.

Durch Hinzufügen weiterer Sensoren zu Geräten und in Kombination mit einer IoT-Plattform, die große Mengen von Maschinendaten von mehreren Maschinentypen, Standorten und Anwendungen erfassen, verarbeiten und visualisieren kann, können die folgenden zusätzlichen Vorteile erzielt werden:

Echtzeitüberwachung von Maschinen. Lokale Analysen auf Sensor- oder Geräteebene, mit einem Down-Sampling hochfrequenter Sensorwerte und Aggregation in der Edge zur Reduzierung von Latenz-Zeiten, Bandbreite und Speicherkosten in der Cloud, bei gleichzeitiger Transparenz zur Maschinenleistung.

Stream-Analytics. Daten analysieren, transformieren und nach Mustern sowie Trends untersuchen, die auf bestimmte Problembereiche hinweisen, können Fehler in der Maschine sehr schnell diagnostizieren. Dazu gehören die Anzeige des Maschinenzustands, Hinweise für die vorausschauende Wartung und der Servicebereitstellung.

Flexible Optionen zur Datenvisualisierung. Eine IoT-Plattform erlaubt eine für den jeweiligen Nutzer (und seine Rolle) angepasste Visualisierung. Dies ist insbesondere für Hersteller vernetzter Industrieanlagen von Interesse, die ihren Endkunden ein spezifisches Marken-Erlebnis bieten möchten.

Analyse für mehrere Maschinen, Regionen und Anwendungen. Durch das Sammeln von Daten von mehreren Maschinentypen an mehreren Standorten und in mehreren Anwendungen kann eine Vielzahl von Daten mithilfe von Big-Data-Tools gesammelt und analysiert werden, um Trends zu ermitteln, die möglicherweise nicht erkennbar sind, wenn nur einzelne Maschinen betrachtet werden.

Datenanalyse: Ein Reifegradmodell

In den letzten Jahren sind zunehmend digitale Datenmodelle, vor allem für rotierende Maschinen wie z.B. Pumpen und Motoren, auf den Markt gekommen. Dennoch steht die Branche im erweiterten Sinne der Datenanalyse noch am Anfang. Infolgedessen haben Unternehmen immer noch eine bedeutende Chance zur eigenen Differenzierung vom Wettbewerb, indem sie pragmatische Lösungen zur Datenanalyse entwickeln und einsetzen. Zudem hat sich gezeigt, dass speziell die Unternehmen besonders erfolgreich sind, die in kleinen Entwicklungsschritten vorgehen und so kontinuierlich ihren Wissensfortschritt aufbauen. Dieser Prozess beginnt in allen Fällen mit der grundlegenden Konnektivität und der Kombination aus bestehendem Wissen von Mitarbeitern zu Maschinen bzw. Komponenten. Im nächsten Schritt verknüpft man das Wissen mit Erkenntnissen darüber, was genau zu messen ist. Nun kann man versuchen Fragen zu beantworten wie z.B.: „Wie bestimmen wir automatisch, wann ein Aufzug mit einer Wahrscheinlichkeit von 60% innerhalb von 90 Tagen ausfällt?“

Erst nachdem diese durch Intuition getriebenen Hypothesen entwickelt wurden, kann die Datenanalyse auf reale Maschinendaten angewendet werden, um die sie im Laufe einer bestimmten Periode zu beweisen oder zu widerlegen. Die Kombination aus menschlicher Eingabe und intelligenter Automatisierung ist dabei eine Möglichkeit, einen Maschinenausfall vorherzusagen. Alternativ stehen heute sogenannte „Unsupervised Machine-Learning“ Algorithmen zur Verfügung, die selbständig aus verschiedenen Daten entsprechende Ableitungen treffen. Meist kann bereits nach einer kurzen automatischen Trainingsphase des Algorithmus in den operativen Betrieb gewechselt werden. Die Wahrscheinlichkeiten einer korrekten Voraussage sind in solchen Systemen >90%.

Best Practices führende Hersteller

Nachfolgend noch eine Reihe von Best Practices, einiger führende Nutzer von Predictive-Analytics-Technologien:

Seiten: 1 2