Registrierungspflichtiger Artikel

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.