Suchen

Predictive Maintenance

So lassen sich Ausfälle im Betriebs- und Produktionsablauf vermeiden

| Autor/ Redakteur: Wolfgang Kelz* / Ines Stotz

Vor dem Hintergrund der zunehmenden Vernetzung von Maschinen, Anlagen und Komponenten wird die vorausschauende bzw. vorsorgliche Instandhaltung immer wichtiger. Dabei ist es essentiell, dass Daten intelligent und schnell verarbeitet werden. Ein funktionierender Ansatz: Predictive Analytics.

Firmen zum Thema

Mit Predictive Analytics lassen sich kritische Geschäftsmomente im Betriebs- und Produktionsablauf entdecken. Das kann enorme Kosten sparen und neue Geschäftsmodelle eröffnen.
Mit Predictive Analytics lassen sich kritische Geschäftsmomente im Betriebs- und Produktionsablauf entdecken. Das kann enorme Kosten sparen und neue Geschäftsmodelle eröffnen.
( Bild: © designer491/Fotolia.com )

Wie viele Branchen befindet sich auch die Fertigung im Umbruch. Bedarf und Nachfrage sowie Anforderungen der Kunden verändern sich laufend, genauso wie die globale Marktsituation. Entsprechend oft gibt es Produkt-Updates, die Lebenszyklen werden immer kürzer. Gleichzeitig will das produzierende Gewerbe das Maximum aus seinen Produktionsanlagen herausholen, Kosten und Komplexität senken und Prozesse optimieren, um dadurch die Produktivität zu steigern und auf alle möglichen Zukunftsszenarien vorbereitet zu sein.

Big Data Analytics bzw. Advanced Streaming Analytics bietet das Potenzial, Produktions-prozesse zu optimieren und beispielsweise Ausfälle in der Produktion frühzeitig zu erkennen. Es lassen sich Frühwarnsysteme entwickeln, die dabei helfen, derartige Probleme ganz zu vermeiden bzw. sofort darauf zu reagieren. Eine Stufe weiter geht die vorausschauende Wartung (Predictive Maintenance).

Bildergalerie

Big Data und Preventative/Predictive Maintenance in der Fertigung

Preventative Maintenance, auch geplante Wartung genannt, ist heutzutage für viele Fertigungsbetriebe gang und gäbe. Nach vorher festgelegten Wartungsintervallen oder erwarteten Lebenszyklen werden Komponenten ausgetauscht, z.B. das Motorenöl eines Fahrzeugs nach 10.000 km gewechselt. Auch Konzepte für das Condition Monitoring zur Überwachung von Geräten und Maschinen im operativen Betrieb sind bekannt und weitgehend eingeführt. Zunehmend an Bedeutung gewinnt Predictive Maintenance.

Big Data bietet die Möglichkeit, anhand operativer Parameter eine Vielzahl an zusätzlichen Informationen über Maschinen zu sammeln. Werden diese Daten dann auch ausgewertet, lassen sich Ausfälle bzw. Stillstände frühzeitig vorhersagen. Neu ist auch, dass diese Auswertungen mittels Advanced Streaming Analytics beinahe in Echtzeit erfolgen können. Mit interaktiven Echtzeit-Dashboards und Visualisierungen lassen sich genaueste Einblicke in die Fertigungsprozesse gewinnen, d.h. Anlagen, Sensoren, Controller und sonstiges Equipment überwachen, Prozesse vereinfachen und Probleme zeitnah vorhersehen.

Für Predictive Maintenance ist also der tatsächliche Zustand des Equipments ausschlaggebend, nicht fixe Wartungsintervalle. Es geht im Grunde darum, einen Ausfall vorherzusehen, bevor dieser tatsächlich passiert. Um bei dem Beispiel mit dem Auto zu bleiben: Anstatt alle 10.000 km das Öl zu wechseln, werden auf Basis der Predictive Maintenance-Methodik regelmäßig Proben entnommen und das Öl erst dann ausgetauscht, wenn es sich über einen bestimmten Grenzwert hinaus verschlechtert.

Predictive Analytics-Tools verhindern Ausfälle

Wie läuft diese Methodik konkret ab? Statistische Predictive Maintenance-Modelle werden aufgestellt, indem Sensordaten, Prozess-Messdaten und Umgebungsdaten, sogenannte Prädiktoren, in ein Analytics-Tool eingespeist und durch Auswertungen bestimmte Muster – z.B.: Unter welchen Bedingungen ist eine Maschine in der Vergangenheit ausgefallen? – erkannt werden. In diesem Zusammenhang spielt etwa die Nutzung des sogenannten Gradient Boosted Modeling (GBM), eine sehr leistungsfähige Machine Learning-Methode, eine Rolle. Sie dient dazu, Root-Cause-Analysen und -Vorhersagemodelle zu erstellen. Im Gegensatz zu klassischen statistischen Methoden können mit diesem Vorgehen die wichtigsten Prädiktoren aus einem riesigen Pool von Daten ausfindig gemacht werden.

Hierfür kommen Predictive Analytics-Tools wie etwa Tibco Spotfire und Terr (Tibco Enterprise Runtime for R) zum Einsatz. Im Endeffekt können die aufgestellten Echtzeit-Modelle und Algorithmen für viele unterschiedliche Anwendungsszenarien angewendet werden und funktionieren angefangen bei Gasturbinen oder Ölpumpen bis hin zu Flugzeug-Triebwerken. Die Modelle geben zuverlässig Aufschluss über Veränderungen bei Ausfallraten, sagen Garantiefälle vorher, können für die Kontrolle der Produktqualität eingesetzt werden und unterstützen dabei, Ausfallzeiten zu verhindern oder fehlerhafte Produkte zu entdecken.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44282143)