So lassen sich Ausfälle im Betriebs- und Produktionsablauf vermeiden

Anbieter zum Thema

Metrofunk Kabel-Union GmbH

TURCK GmbH

SAB Bröckskes GmbH & Co KG

TIBCO Software GmbH

3 konkrete Anwendungsszenarien

Soweit die Theorie, doch wie sieht es in der Praxis mit Predictive Maintenance aus?

• Ein Beispiel eines Herstellers von Belüftungssystemen für Laptops: Anhand von Daten, die das für die Montage der Lüfterflügel verwendete Spritzgießsystem generiert, kann das Unternehmen feststellen, wie oft das System überhitzt und ob die Lüfterflügel dadurch im laufenden Betrieb der Belastung womöglich nicht standhalten und brechen. Die Produktionsleiter werden per Alarm über diese Anomalie informiert und können per Drilldown in die Daten der genauen Ursache des Problems (etwa ein Versagen der Kühlkreislauf-Komponenten) auf den Grund gehen. Das Unternehmen bleibt so von kostspieligen Rückrufaktionen verschont.

• Ein weiteres anschauliches Beispiel findet sich in der Öl- und Gasindustrie, wo das Versagen eines Bohrsystems potentiell eine Million Dollar pro Ausfallstunde kosten kann. Gewöhnlich werden in diesem Bereich Sensordaten zwar gesammelt, aber nicht algorithmisch analysiert und kontrolliert. Anstatt sich lediglich historische Daten anzusehen, sollten Sensordaten wie in diesem Fall zum Beispiel die Motortemperatur, Motorvibration und der Förderdruck einer Pumpe in Echtzeit überwacht werden, sodass Anomalien sofort auffallen. Anhand der erhobenen Daten (Druck, Temperatur, Vibration) können dann auch Alert-Regeln erstellt werden wie: Falls in einem Zeitrahmen von zehn Minuten Vibrationen zunehmen, in Folge dessen dann auch die Temperatur ansteigt und für Spannungsabfälle sorgt, soll ein Alarm mit hoher Priorität ausgelöst werden. Mit einem solchen Predictive Maintenance-Ansatz erhöhte ein ölförderndes Unternehmen in den USA die sogenannte Meantime-before-Failure der eingesetzten Pumpen um ein Prozent. Was nach wenig klingt, reichte bereits, um Einsparungen in Höhe von acht 8 Mio. Dollar pro Jahr zu erzielen.

• Weitere Anwendungsszenarien umfassen unter anderem die Wartung von Windrädern wie etwa planmäßige Servicewartungen, die Analyse von Ausfallursachen, Zustandsüberwachung usw. oder aber auch Industrie 4.0-Projekte. Ein großer Hersteller von Windturbinen etwa ist auf Predictive Maintenance und damit den unterbrechungsfreien Betrieb seiner Anlagen angewiesen, da er sonst die vereinbarten SLAs und die darin garantierte Megawattstundenanzahl nicht einhalten könnte.

Echtzeit-Analysen und der richtige Kontext sind der Schlüssel

Wegen der zunehmenden Vernetzung von Maschinen, Anlagen und Komponenten und gerade im Hinblick auf Industrie 4.0 spielen die vorausschauende und vorsorgliche Instandhaltung eine immer bedeutendere Rolle. Dabei ist entscheidend, dass Daten intelligent (Smart Data) und schnell (Fast Data) verarbeitet werden, denn Fakt ist: Sie verlieren mit der Zeit an Wert und Gültigkeit. Event Processing und Echtzeit-Analysen geben Anwendern jedoch die Möglichkeit, zu agieren bevor dies passiert.

Um Big Data Analytics aber effizient nutzen zu können, müssen Daten und Datenströme – und zwar nicht nur historische – auch im richtigen Kontext verwendet und Zusammenhänge zwischen einzelnen Datensätzen hergestellt werden. Es geht darum, in Echtzeit die kritischen Momente und Muster innerhalb der Vielzahl an Ereignissen festzustellen, die den Betriebs- oder Produktionsablauf stören, und darauf sofort reagieren zu können. Das umfasst auch, zu entscheiden, ob automatisch (algorithmisch) Reaktionen auf Ereignisse erfolgen oder doch Menschen – etwa anhand von Echtzeit-Dashboards oder Alarmen – intervenieren und Entscheidungen treffen sollen. Am besten ist die Kombination aus Beidem.

* Wolfgang Kelz, Vice President Solution Consulting EMEA bei Tibco Software

(ID:44282143)