Suchen

Predictive Maintanance

Intelligente Wartung nach Bedarf

| Autor/ Redakteur: Philipp Schmidt* / Sebastian Human

Die Big-Data-Technologie Advanced Analytics birgt großes Potenzial für Unternehmen. Basierend auf Daten lassen sich damit komplexe Zusammenhänge genau analysieren und auf die Zukunft hochrechnen. Die vorausschauende Wartung in der Produktion ist nur eines von mehreren möglichen Einsatzszenarien.

Firmen zum Thema

Die Wartung von Maschinen und Anlagen ist ein nicht zu unterschätzender Posten bei Firmenausgaben, den man mittels Analytics-Technologien gezielt angehen kann.
Die Wartung von Maschinen und Anlagen ist ein nicht zu unterschätzender Posten bei Firmenausgaben, den man mittels Analytics-Technologien gezielt angehen kann.
( Bild: gemeinfrei / Pixabay )

Wann ist der perfekte Zeitpunkt für die Wartung einer Produktionsanlage? Diese Frage ließ sich bislang nur anhand von Schätzungen und Erfahrungswerten beantworten. Heute werden dafür zuverlässige Daten herangezogen, auf deren Basis sich die Wartung vorausschauend steuern lässt. Predictive Maintenance ist das Stichwort. Die Anwendung basiert auf Advanced Analytics, einer Big-Data-Technologie, bei der sich anhand von Vergangenheitsdaten und speziellen Vorhersagemodellen Zukunftsszenarien ableiten lassen. Unternehmen können auf diese Weise selbst komplexe Zusammenhänge schnell analysieren und dadurch bessere Entscheidungen treffen. Doch wie genau funktioniert die Technologie, die hinter Anwendungsszenarien wie der intelligenten Wartung steckt?

Ausgangspunkt von Advanced Analytics und damit auch Predictive Maintenance ist die Erhebung von Daten – zum Beispiel zu einer Produktionsanlage oder Maschine. Diese Daten werden analysiert und in mathematischen Modellen erfasst, um daraus Prognosen für die Zukunft abzuleiten. Dabei lässt sich zwischen zwei Varianten unterscheiden: Die zeitbasierte Vorhersage gibt einen Ausblick darauf, wie sich ein Wert in Zukunft verhalten wird. Die wertbasierte Vorhersage zeigt, wie sich ein Wert verhält, wenn ein anderer verändert wird. Dieses Modell wird beispielsweise verwendet, um zu ermitteln, wie viel Energie eine Anlage bei einer veränderten Produktionsmenge verbrauchen wird. Berechnen lassen sich solche Prognosen mithilfe von mathematischen Modellen, so genannten Predictive Models. Die Basis bilden dabei entweder statistische Regressionsanalysen oder maschinelles Lernen mittels neuronaler Netzwerke.

Wartung nach tatsächlichem Bedarf

Bisher unterlagen Maschinen und Anlagen einem festen Wartungszyklus, der irgendwann einmal festgelegt worden ist. Allerdings richtet sich die tatsächliche Beanspruchung einer Maschine normalerweise nicht nach festgelegten Zeiten und Abständen, sondern nach individuellen Kriterien wie etwa: Zu welchem Zweck ist die Maschine im Einsatz? Wie alt ist sie? Wie stark wird sie belastet? Ein Wartungszyklus in immer gleichen Abständen wird dieser Tatsache nicht gerecht. Und damit kann er steigende Kosten mit sich bringen. Etwa wenn ein Bauteil häufiger ausgewechselt wird als notwendig. Oder wenn der Austausch zu spät erfolgt und es zu einem Maschinenschaden und damit zu Produktionsausfällen kommt.

Mit Predictive Maintenance lässt sich die Wartung einer Maschine nach ihrem tatsächlichen Instandhaltungsbedarf steuern. Zu diesem Zweck werden im laufenden Betrieb kontinuierlich Daten gesammelt und analysiert. Auf Basis dieser Datensätze lernt das System beständig dazu und ermöglicht es, Live-Daten über ein Modell zu interpretieren. Damit lassen sich für jede Maschine und jede Komponente individuelle Instandhaltungstermine definieren. Das macht die Produktion wesentlich smarter und reduziert Kosten sowie die Gefahr von Ausfällen. Eine wichtige Rolle spielt dabei die jeweilige Beanspruchung der Maschine: Bei höherer Auslastung wird der Wartungszeitraum verringert und so einem Maschinenschaden vorgebeugt. Bei geringer Belastung wird der Wartungszeitpunkt entsprechend nach hinten verschoben, was unnötige Kosten und Stillstände vermeidet. Ersatzteile können so zum richtigen Zeitpunkt in der richtigen Menge bestellt und die Arbeitszeiten der Techniker optimal geplant werden.

Qualitätsabweichungen schon im Vorfeld feststellen

Ein Einsatzgebiet von Advanced Analytics ist beispielsweise die Herstellung von Abfüll- und Verpackungslösungen. So werden etwa bestimmte Prozessparameter von Maschinen und Anlagen überwacht, um schon im Vorfeld Qualitätsabweichungen feststellen zu können. Die Steuerung kann dabei eine Softwareplattform wie zenon von COPA-DATA ermöglichen, mit der sich die erhobenen Daten visuell aufbereiten und analysieren lassen. Dadurch können wertvolle Informationen gewonnen werden: Der Verschleiß einer Flaschenbeschichtungsstation lässt sich so frühzeitig erkennen und die Instandhaltungstermine entsprechend im Voraus planen.

Eine weitere Einsatzmöglichkeit ist die Klassifizierung von Ereignissen nach Schweregrad. Handelt es sich um eine reine Warnung – oder müssen wir von einer kritischen Störung ausgehen? Neben der vorausschauenden Wartung wird Advanced Analytics auch im Ressourcen-Management sowie in der Produktionsplanung und -kontrolle eingesetzt. Zum Beispiel lässt sich aus den erfassten Daten einer Produktionsanlage ein genaues Bild über den Ressourcen-Verbrauch erstellen – und zwar nicht nur für die Vergangenheit, sondern hochgerechnet bis zum Ende des Abrechnungszeitraums. Damit können Unternehmen ihre Ressourcen exakt planen und steuern. Ein weiteres Einsatzgebiet ist die Prozessoptimierung. Um das Produktionsergebnis einer Maschine zu verbessern, gilt es zunächst zu identifizieren, wie sich einzelne Parameter jeweils auf den Produktionsprozess auswirken. Dieser Prozess lässt sich mithilfe von Advanced Analytics enorm beschleunigen, da die Technologie es ermöglicht, Korrelationen zwischen einzelnen Werten und Datenpunkten zu ermitteln.

* Philipp Schmidt arbeitet als Head of Innovation Management bei COPA-DATA.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 46044787)

Industry Of Things; gemeinfrei; PIXABAY; Photo by Ramón Salinero on Unsplash; ; Moleskine; metamorworks - stock.adobe.com; Anna-Lena Hillenbrand; Siemens Healthineers; Palo Alto Networks