Predictive Maintainance

Wie Energiemonitoring hilft, Produktionsausfälle zu minimieren

Ein positiver Effekt von Internet of Things und Industrie 4.0 ergibt sich daraus, dass durch den Einsatz von Sensoren eine große Menge Produktionsdaten und Messwerte entstehen. Etwa zum Energieverbrauch ganzer Maschinen und Anlagen genauso wie einzelner Geräte und Bauelemente. Unternehmen, die ihren Energieverbrauch professionell erfassen und analysieren, profitieren nicht nur von Kosteneinsparungen durch effizientes Energiemanagement. Die gewonnenen Daten ermöglichen es ebenso, eine vorausschauende Instandhaltung zu realisieren mit dem Ziel, Wartungsarbeiten an Produktionsanlagen und Maschinenparks zeitlich zu optimieren. Das gelingt, indem auf Grundlage der erfassten, analysierten und bewerteten Daten verlässliche Informationen über die zu erwartende Rest-Lebensdauer einer Komponente entstehen. Die sensordatenbasierte vorausschauende Wartung vermeidet Reparaturen, sieht Ausfälle vorher und ermöglicht es dem Anwender vorbeugende Maßnahmen zu ergreifen.

Kosteneinsparung und Leistungsoptimierung durch Predictive Maintenance

Dieses vorausschauende Verfahren ist als ein Herzstück der Industrie 4.0 unter der Bezeichnung Predictive Maintenance bekannt. Mit dem Versprechen, Ausfälle und Störungen frühzeitig vorherzusehen, verbreitet sich dieser proaktive Ansatz zunehmend auch im industriellen Mittelstand. Denn wo Produktionskapazitäten gar nicht erst ausfallen, sparen die Unternehmen signifikant Kosten ein. Zusätzlich ermöglichen die gewonnenen Erkenntnisse es, durch eine optimierte Leistung der Anlagen die Produktivität zu steigern. Heute kommt die Lösung unter anderem bei der Wartung von Motoren in Turbinen, Flugzeugen oder Windrädern zum Einsatz.

Die Vorgänger: reaktive Wartung und präventive Wartung

Bis heute sieht die Wartung im industriellen Mittelstand häufig noch so aus: Im Betrieb tritt eine Störung auf, die Produktion stockt oder muss ganz eingestellt werden. Erst jetzt suchen und analysieren die Techniker das Problem und ergreifen Maßnahmen, um die Störung zu beseitigen. Oft dauert es Tage, bis ein erforderliches Ersatzteil geliefert und eingebaut wird. Hohe Ausfallzeiten, schlimmstenfalls sogar Lieferverzögerungen und finanzielle Einbußen sind die Folge. Einen Schritt weiter ist die präventive Wartung: Sie versucht anhand von Erfahrungswerten zu bestimmen, zu welchem Zeitpunkt welche Komponente statistisch gesehen störanfällig wird. Der Austausch erfolgt nach festgelegten Intervallen. Dies hat den Vorteil, dass mehr Ausfälle verhindert werden als bei der reaktiven Wartung – aber eben nicht alle, denn Maschinen und Anlagen halten sich nicht an Statistiken. Ein finanzieller Nachteil ergibt sich darüber hinaus dadurch, dass durch den starren Prozess auch funktionstüchtige Verschleißteile vorsorglich ausgetauscht werden, die in vielen Fällen noch weiter funktioniert hätten.

Big Data hilft, den optimalen Zeitpunkt für die Wartung zu errechnen

Predictive Maintenance verfolgt den Ansatz der präventiven Wartung radikal weiter und nutzt die aktuellen technologischen Entwicklungen um IoT, wie Big Data, um ihn zu perfektionieren. Das Ziel ist es, so früh wie möglich individuell für alle Komponenten den optimalen Zeitpunkt für den Austausch zu finden. Der Ansatz nutzt live von Maschinen erhobene Daten. Dabei fließt nicht nur das Ergebnis eines einzelnen Sensors in die Bewertung ein, sondern die Gesamtheit aller in der Anlage erhobenen Daten wird berücksichtigt. Diese Verknüpfung der Messwerte ermöglicht erst die intelligente und vorausschauende Bewertung. Algorithmen ziehen aus den Daten die richtigen Schlüsse für die Zukunft. Das Ergebnis: Unternehmen können die nötigen Maßnahmen zur Instandhaltung vorbereiten und einleiten, lange bevor die Auswirkungen spürbar werden.

Mehrwert aus Daten generieren

Der Prozess der vorausschauenden Wartung ist komplex und nur dann erfolgreich, wenn ausreichend Produktionsdaten und Messwerte über längere Zeiträume dauerhaft erfasst, gespeichert, analysiert und bewertet werden. Und schließlich ist es entscheidend, dass die Algorithmen zuverlässig berechnen, wie wahrscheinlich es ist, dass bestimmte Ereignisse eintreten werden. Um die großen Datenmengen verarbeiten zu können, setzt Predictive Maintenance auf Techniken und Datenbanken, die auch für Big-Data-Lösungen eingesetzt werden. In die Analyse einbezogen wird je nach Anforderung alles, was die Sensoren erfassen: zum Beispiel Luftfeuchtigkeit, Drehzahlen, Vibrationen, Schwingungen, Temperatur oder auch Energieverbrauch.

Predictive Maintenance basierend auf Energiedatenanalyse

Die mit dem ENIT Agenten gewonnenen Energiedaten eines Unternehmens können mit Hilfe der Predictive Maintenance für die Fehlerzustandserkennung genutzt werden. Hierbei liefert der Vergleich von Realdaten mit einer statistischen Vorhersage wertvolle Erkenntnisse: Wird eine Abweichung vom vorhergesagten Verbrauch erkannt, dient diese als Merkmal zur Fehlererkennung. Um Fehlerzustände zu erkennen, wendet das Predictive-Maintenance-System von ENIT Systems Algorithmen zur Anomaly Detection an. Ein wesentliches Merkmal der vorausschauenden Wartung ist es, dass die Algorithmen kontinuierlich dazulernen.

Je größer die Datengrundlage wird, desto größer wird auch der Vorteil der komplexen selbstlernenden Algorithmen. Das heißt konkret: Algorithmen lernen aus der Vergangenheit und erkennen relevante Merkmale automatisch.