Suchen

Expertenbeitrag

Gerhard Altmann

Gerhard Altmann

Senior Director Global Manufacturing Industry Practice, SAS Deutschland

Predictive Maintenance

Wenn die Maschine mit dem Servicemitarbeiter kommuniziert

| Autor/ Redakteur: Gerhard Altmann / Sebastian Human

Im Straßenverkehr, im Ladengeschäft, in der Produktionshalle: Die Auswertung von Sensordaten birgt viele Optimierungschancen. Doch wenn vernetzte Geräte und Maschinen intelligent miteinander kommunizieren sollen, braucht man leistungsstarke Analytics.

Firmen zum Thema

Sensor- und andere IoT-Daten können wertvolle Informationen liefern, um mittels innovativer analytischer Technologien kostspielige Ausfallzeiten zu verhindern.
Sensor- und andere IoT-Daten können wertvolle Informationen liefern, um mittels innovativer analytischer Technologien kostspielige Ausfallzeiten zu verhindern.
( Bild: gemeinfrei / Pexels )

Technologien wie Künstliche Intelligenz (KI), deren Teilbereich Machine Learning oder das Internet of Things treiben heute so ziemlich jede Branche um. Ganz vorne mit dabei ist der produzierende Sektor bei der Nutzung dieser Daten.

Ein Beispiel dafür ist Predictive Maintenance. Das Versagen von Geräten, Anlagen und Infrastrukturen stellt nicht nur ein finanzielles, sondern oft auch ein erhebliches Sicherheitsrisiko dar. Energie- und Transportunternehmen, aber auch Hersteller und Betreiber von Endgeräten, müssen Schwachstellen in ihren Produkten frühzeitig erkennen, um präventive Maßnahmen zu ergreifen und dieses Risiko zu minimieren.

Dass das heute geht, liegt zum erheblichen Teil daran, dass ganz andere Daten zur Verfügung stehen als noch vor zehn Jahren. Denn inzwischen ist jedes Gerät und jede Maschine grundsätzlich auch Datenlieferant. Erst Analytics bereitet die Produktions-, Maschinen- und Betriebsdaten jedoch so auf, dass sie valide Informationen liefern, beispielsweise über den bevorstehenden Leistungsabfall einer Maschine. Ebenso fundamental ist eine konsolidierte Datenbasis. Idealerweise gibt es sogar schon ein Modell, das die eingehenden Daten für die Analyse optimal aufbereitet. Im nächsten Schritt werden nicht nur Sensordaten ausgewertet, sondern auf Basis von Big-Data-Analysen gezielte Vorhersagen für den Wartungsbedarf getroffen – und zwar mit Edge Analytics, die dort ansetzt, wo Daten entstehen.

Valide Modelle sind das A und O

Der Lebenszyklus eines Computertomografen liefert ein anschauliches Beispiel, wie eine solche prädiktive Wartung aussieht.

  • Modelle entwickeln. Diese bilden die Voraussetzung, um anhand von Sensordaten und Event Codes die Ausfallwahrscheinlichkeit einer Komponente (sei es die Röntgeneinheit, die Kühlung oder der Patiententisch) mit hoher Trefferquote und geringer Anzahl von Fehlalarmen vorherzusagen.
  • Mit Geschäftsregeln verknüpfen. Diese bringen analytische Vorhersagen mit Handlungsempfehlungen zusammen und helfen bei Entscheidungen. Konkret könnten folgende Fragen eine Rolle spielen: Was mache ich, wenn die Ausfallwahrscheinlichkeit für den Patiententisch hoch ist? Wie schnell muss ich reagieren, wenn der Kunde einen Premium-Servicevertrag hat? Inwiefern unterscheidet sich die Vorgehensweise, wenn sich das Gerät in einem Krankenhaus oder in der Radiologie-Praxis befindet?
  • Modelle und Regeln zu den Daten bringen. Zum Beispiel direkt in einen Datenstrom oder über eine Datenbank in ein operatives Dispatching-System, das dem Gerätetechniker sagt, welche Ersatzteile und Werkzeuge er in sein Fahrzeug packen muss, welche Kliniken er in welcher Reihenfolge anfährt und welche Komponenten er warten muss – unabhängig davon, ob das System schon ausgefallen ist oder nicht.
  • Kontinuierliches Monitoring. Eine Model Governance ermöglicht die automatische Prüfung der statistischen Modelle auf ihre Vorhersagekraft, wobei ein Alarm ausgelöst wird, falls ein analytisches Modell überarbeitet werden muss.

Ersatzteiltourismus vermeiden

Prädiktive Wartung kann von Maschinenbauern genutzt werden, um zum Beispiel die Servicequalität zu verbessern, indem sie eine maximale Kontinuität in der Performance ihrer Geräte gewährleisten. Konkret kann das so aussehen: Für einen Medizintechnikspezialisten ist ein wichtiger Aspekt die Reduzierung des sogenannten „Ersatzteiltourismus“, also das überflüssige Hin- und Herschicken und Austauschen von Ersatzteilen bei Systemen, wo es nicht nötig wäre. Um dieses möglichst gering zu halten und dadurch Kosten zu vermeiden, schaut sich das Unternehmen die Teile an, die mit einem entsprechenden Vermerk zurückkommen, dass kein Defekt gefunden wurde. Anhand der gesammelten Informationen lässt sich ausmachen, bei welchen Teilen in einem System dieser Prozentsatz besonders hoch ist. Anhand dieses Wissens können entsprechende Maßnahmen ergriffen werden (beispielsweise erst andere Teile auswechseln, wenn das System nicht mehr funktioniert). Diese evidenzbasierten Daten schaffen für den Servicemanager die Grundlage, um den Serviceprozess zu optimieren.

Ziel: 100 Prozent Einsatzfähigkeit

Damit aus Sensor- und anderen IoT-Daten relevante Informationen gezogen werden können, sind innovative analytische Technologien erforderlich – beispielsweise Edge Analytics. Hersteller, die vorausschauende Analysen in ihre Maschinen einbauen, stärken die Profitabilität ihrer Kunden, indem sie die Anzahl der Betriebsstunden maximieren und im Idealfall auf 100 Prozent bringen.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45956809)

Über den Autor

Gerhard Altmann

Gerhard Altmann

Senior Director Global Manufacturing Industry Practice, SAS Deutschland

Industry of Things; gemeinfrei; yoh4nn für iStock; ©chombosan - stock.adobe.com; ; chombosan - stock.adobe.com; Fraunhofer-IOSB; ©strichfiguren.de - stock.adobe.com; gemeinfrei - Pete Linforth/Pixabay; Moleskine; Siemens Healthineers; Palo Alto Networks