Blog

Das *umBlog – Wissenswertes aus der Welt der Daten, Tech-Trends, Termine und Einblicke in unsere unglaubliche Company.

Was ist Predictive Maintenance? Probleme beheben, bevor sie entstehen

Verfasst am 19.06.2018 von Linus Kurtenbach

Was ist Predictive Maintenance? Eine #Definition. #Industrie40 #IoT #IIoT

Für den zuverlässigen Betrieb und die Instandhaltung von technischen Geräten, Maschinen und Elementen wurde in analogen Zeiten auf regelmäßige, stichprobenartige Wartung und Inspektion gesetzt. Bei unvorhergesehenem Ausfall auf Austausch und Reparatur. Im Zeitalter der Datenanalyse teilen die Maschinen von selbst mit, wenn die Regelleistung nachlässt oder sie eine Wartung brauchen. Dank dieser praktischen Vorausschau können Probleme behoben werden, bevor sie überhaupt entstehen. 

Warum Predictive Maintenance?

Industrie und IT sind heute so eng miteinander verzahnt, dass wir von der Industrie 4.0 bzw. dem Industrial Internet of Things (IIoT) sprechen. Eine wesentliche Komponente dieser "vierten industriellen Revolution" ist das intelligente Produktionsmanagement auf Basis von Datenspeicherung und -analyse. So kann der Zustand eines technischen Geräts oder Bauteils anhand von Daten transparent dargestellt und analysiert werden. Schon kleinste Abweichungen von den Regeldaten können als Anzeichen eines Fehlers erkannt und frühzeitig angegangen werden.

Wie funktioniert Predictive Maintenance? 

Predictive Maintenance nutzt Mess- und Produktionsdaten von Maschinen und Anlagen, um die Verfügbarkeit dieser so genannten kritischen Infrastrukturen zu erhöhen und Störungszeiten zu mininieren. Langfristig gedacht, geht es darum, die Lebensdauer eines Systems zu verlängern und damit die Kosten für den Betreiber nachhaltig zu senken. 

Im ersten Schritt ist es unerlässlich, große Mengen von Daten zu erfassen und zu speichern. Je umfangreicher und spezifischer bestimmte Informationen über eine Maschine und deren beeinflussende Umweltfaktoren vorliegen, desto konkreter kann analysiert und gemessen werden. Das IIoT liefert mit der Anbindung von Sensorik an Server-Systeme und Cloud-Infrastrukturen die Grundlage für die spätere Analyse und das Errechnen von Eintrittswahrscheinlichkeiten. 

Daten analysieren, Abweichungen erkennen und reagieren 

In der Regel erzeugen moderne Industriemaschinen, Flugzeuge oder Windräder riesige Mengen an Datenmaterial. Die mit Sensoren ausgestatteten Maschinen leiten große Mengen von Daten – zum Beispiel über Temperatur, Luftfeuchtigkeit oder Treibstoffverbrauch – an ein zentrales IT-System (Rechenzentrum oder Cloud-Server) weiter, wo diese in Form eines Protokolls gespeichert werden. Mittels definierter Messgrößen (Key Performance Indicator, KPI) wird dann die Analyse und anschließende Bewertung der Informationen vorgenommen.

Messgrößen müssen klar definiert sein

Bei großen Datenmengen wird nach der Sammlung und Speicherung zunächst nach Qualität und Nutzen selektiert. Nicht alle Daten bieten bei der Analyse einen Mehrwert und helfen, Störfaktoren präventiv zu beheben. Damit die Wahrscheinlichkeit eines Fehlereintritts für einen bestimmten Fall analysiert werden kann, brauchen Produktions-Controller oder Fertigungsleiter KPIs, die zum Analyseziel passen.

Geht es beispielsweise um Temperaturmessung und -daten, müssen Mensch und Maschine den Soll-Wert für den Indikator Temperatur gemeinsam definieren. Während des Betriebs oder der Produktion wird anschließend in Echtzeit der Ist-Wert gemessen und ständig mit den Soll-Werten abgeglichen. Erst jetzt kann das System bewerten, ob eine bestimmter Bereich der Ressource im grünen oder roten Bereich liegt. Aus den transparent gemachten, möglichen Abweichungen entstehen Zusammenhänge und daraus folgende Handlungsempfehlungen für Controller. 

Fester Bestandteil der industriellen Digitalisierung 

Maschinen können aus historischen Daten und Statistiken langfristig lernen und ihre Prozesse selbständig optimieren. Sind bestimmte Muster erst einmal definiert und Normbereiche festgelegt, lernt ein System zum Beispiel, dass Temperatur und Drehzahl eines Motors voneinander abhängig sind. Ist eine Variable außerhalb des Normbereichs angesiedelt – weicht ein Datum also deutlich vom allgemeinen Durchschnitt des Datensatzes oder der Datenkombination ab –, fällt sie als "Ausreißer" auf und kann identifiziert werden.

Wie geht es weiter mit Predictive Maintenance?

Die vorausschauende Instandhaltung und Wartung ist ein zentrales Potenzialfeld auf der Agenda von Unternehmen und gehört zu den wichtigsten Vorteilen der Digitalisierung. Mit ihrer Hilfe lassen sich komplette Produktionsabläufe optimieren. Ganz ohne den Menschen funktioniert dies allerdings (noch) nicht. Im Zeitalter der Digitalisierung geht es vielmehr darum, Wissen und Erfahrungswerte zu generieren und Entscheidungshilfen zuverlässig und datenbasiert abzusichern. Führung und Verantwortung behalten weiterhin wir.

Das könnte dich auch interessieren:
Was ist Predictive Analytics? – Datengetrieben wissen, was kommt

Aktuelle Blogeinträge

Social Media

Kontakt

The unbelievable Machine
Company GmbH
Grolmanstr. 40
D-10623 Berlin

+49-30-889 26 56-0 +49-30-889 26 56-11 info@unbelievable-machine.com

Kostenloses Whitepaper

Data Thinking:
Erfolgsrezept für den digitalen Wandel

Zum Whitepaper