Wert und Nutzen der vorausschauenden Wartung

Welchen Wert haben digitale Lösungen zur vorbeugenden Wartung? Bzw. wie teuer sind heutzutage Ausfallzeiten aufgrund von Geräteausfällen? Maschinenhersteller und auch Betreiber wünschen sich zunehmend mehr Einblick in den Maschinenzustand und insbesondere in den vorhergesagten Maschinenzustand.
Bild: Lean.IQ

In den letzten Jahren hat sich die Technologie zu intelligent vernetzten Maschinen stark vereinfacht und konkrete Anwendungsfälle beweisen bereits in zahlreichen Industriebranchen, dass sich durch vorausschauende Wartung Betriebskosten senken lassen, und die Produkt- und Prozessqualität an Nachhaltigkeit gewinnt. Digitalisierung bedient also genau die Anforderungen um im globalen Wettbewerb auch in Zukunft weiter vorne mitspielen zu können.

Vorteile der vorausschauenden Wartung

Kunden suchen nach smarten, digitalen Produkten, die ihr Programm zur vorbeugenden Wartung mit folgenden Vorteilen unterstützen:

Teile-Kosten und die Investitionsausgaben reduzieren. Durch die Reduzierung der Service-Kosten und die Erhöhung der Gesamtlebensdauer einer Maschine werden die langfristigen Investitionsausgaben reduziert. Darüber hinaus ist aufgrund des gestiegenen Vertrauens in den Betriebszustand ein reduzierter Ersatzteil-Bestand möglich.

Betriebliche Effizienz steigern. Wenn die Maschinen zwischen Service-Intervallen länger in Betrieb sind und zukünftig auftretende Probleme mit hoher Wahrscheinlichkeit voraussagen lassen, kann die betriebliche Gesamteffizienz verbessert werden. Das führt zu einem besseren Geschäftsergebnis und einem Wettbewerbsvorteil.

Laufende Compliance-Kosten verringern. Korrektive und vorbeugende Wartung ist aus arbeitsrechtlicher Sicht kostspielig. Die Verbesserung der Transparenz von Problemen, bevor sie auftreten, kann erhebliche Auswirkungen auf die Senkung der damit verbundenen laufenden Compliance-Kosten haben.

Produkt- und Prozessqualität steigern. Da Maschinen effizienter und mit höherer Qualität und Lebensdauer arbeiten, steigt auch die daraus resultierende Qualität und Effektivität der Prozesse, die von der Maschinenleistung abhängen.

Dies sind nur einige der Vorteile von ‚Predictive Analytics‘ im Rahmen eines Programms zur vorbeugenden Wartung haben kann.

Durch Hinzufügen weiterer Sensoren zu Geräten und in Kombination mit einer IoT-Plattform, die große Mengen von Maschinendaten von mehreren Maschinentypen, Standorten und Anwendungen erfassen, verarbeiten und visualisieren kann, können die folgenden zusätzlichen Vorteile erzielt werden:

Echtzeitüberwachung von Maschinen. Lokale Analysen auf Sensor- oder Geräteebene, mit einem Down-Sampling hochfrequenter Sensorwerte und Aggregation in der Edge zur Reduzierung von Latenz-Zeiten, Bandbreite und Speicherkosten in der Cloud, bei gleichzeitiger Transparenz zur Maschinenleistung.

Stream-Analytics. Daten analysieren, transformieren und nach Mustern sowie Trends untersuchen, die auf bestimmte Problembereiche hinweisen, können Fehler in der Maschine sehr schnell diagnostizieren. Dazu gehören die Anzeige des Maschinenzustands, Hinweise für die vorausschauende Wartung und der Servicebereitstellung.

Flexible Optionen zur Datenvisualisierung. Eine IoT-Plattform erlaubt eine für den jeweiligen Nutzer (und seine Rolle) angepasste Visualisierung. Dies ist insbesondere für Hersteller vernetzter Industrieanlagen von Interesse, die ihren Endkunden ein spezifisches Marken-Erlebnis bieten möchten.

Analyse für mehrere Maschinen, Regionen und Anwendungen. Durch das Sammeln von Daten von mehreren Maschinentypen an mehreren Standorten und in mehreren Anwendungen kann eine Vielzahl von Daten mithilfe von Big-Data-Tools gesammelt und analysiert werden, um Trends zu ermitteln, die möglicherweise nicht erkennbar sind, wenn nur einzelne Maschinen betrachtet werden.

Datenanalyse: Ein Reifegradmodell

In den letzten Jahren sind zunehmend digitale Datenmodelle, vor allem für rotierende Maschinen wie z.B. Pumpen und Motoren, auf den Markt gekommen. Dennoch steht die Branche im erweiterten Sinne der Datenanalyse noch am Anfang. Infolgedessen haben Unternehmen immer noch eine bedeutende Chance zur eigenen Differenzierung vom Wettbewerb, indem sie pragmatische Lösungen zur Datenanalyse entwickeln und einsetzen. Zudem hat sich gezeigt, dass speziell die Unternehmen besonders erfolgreich sind, die in kleinen Entwicklungsschritten vorgehen und so kontinuierlich ihren Wissensfortschritt aufbauen. Dieser Prozess beginnt in allen Fällen mit der grundlegenden Konnektivität und der Kombination aus bestehendem Wissen von Mitarbeitern zu Maschinen bzw. Komponenten. Im nächsten Schritt verknüpft man das Wissen mit Erkenntnissen darüber, was genau zu messen ist. Nun kann man versuchen Fragen zu beantworten wie z.B.: „Wie bestimmen wir automatisch, wann ein Aufzug mit einer Wahrscheinlichkeit von 60% innerhalb von 90 Tagen ausfällt?“

Erst nachdem diese durch Intuition getriebenen Hypothesen entwickelt wurden, kann die Datenanalyse auf reale Maschinendaten angewendet werden, um die sie im Laufe einer bestimmten Periode zu beweisen oder zu widerlegen. Die Kombination aus menschlicher Eingabe und intelligenter Automatisierung ist dabei eine Möglichkeit, einen Maschinenausfall vorherzusagen. Alternativ stehen heute sogenannte „Unsupervised Machine-Learning“ Algorithmen zur Verfügung, die selbständig aus verschiedenen Daten entsprechende Ableitungen treffen. Meist kann bereits nach einer kurzen automatischen Trainingsphase des Algorithmus in den operativen Betrieb gewechselt werden. Die Wahrscheinlichkeiten einer korrekten Voraussage sind in solchen Systemen >90%.

Best Practices führende Hersteller

Nachfolgend noch eine Reihe von Best Practices, einiger führende Nutzer von Predictive-Analytics-Technologien:

Verlassen Sie sich auf die menschliche Intuition von erfahrenen Mechanikern. Verwerfen Sie nicht dieses wichtige menschliche Wissen, sondern verlassen Sie sich darauf. Führende Unternehmen beauftragen ihre Top-Mechaniker oder Maschinenkonstrukteure mit vorausschauenden Wartungsprojekten, die den Betrieb der Maschine verstehen, und wissen unter welchen Umständen bestimmte Komponenten häufig ausfallen.

Kriechen, laufen, rennen (Crawl-Walk-Run). Erliegen Sie nicht der falschen Wahrheit, dass das Auffinden von Erkenntnissen zur prädiktiven Analyse gänzlich automatisiert werden kann. Obwohl das Vertrauen in erfahrene Mechaniker zur Erstellung von Hypothesen ein kritischer erster Schritt ist, können Sie die Nuancen, die zum Ausfall einer Maschine führen können, durchaus überraschen. Beginnen Sie langsam, sammeln Sie Daten, beweisen / widerlegen Sie Hypothesen im Laufe der Zeit und finden Sie dann die richtige Mischung aus Sensoren und melden Sie Frequenzen als einen Lernprozess, der sich im Laufe der Zeit entwickelt.

Nutzen Sie Predictive Analytics als Reise. Zu Beginn befinden sie sich in einem Kausalitätsdilemma, wenn es darum geht, zu bestimmen, was zuerst kommt: die Daten oder die Analyse. In Wirklichkeit sind die beiden untrennbar miteinander verbunden. Predictive Analytics als eine Reise zu verstehen, die mit der grundlegenden Konnektivität beginnt, ist ein Schlüssel-Rezept für den Erfolg.

Fazit

Predictive-Maintenance-Programme müssen nicht kostspielig sein. Insbesondere wenn Unternehmen sich bei der Entwicklung von Hypothesen auf die menschliche Intuition verlassen, also einen Crawl-Walk-Run-Ansatz verfolgen und Predictive Analytics als eine Reise betrachten. Man beginnt mit der grundlegenden Konnektivität und verschafft sich durch kontinuierliche Datenaggregation und -analyse ein stetig präziser werdendes Bild. Lean.IQ stellt konkrete Konzepte vor, die eine Umsetzung beschleunigen können. Darin führende Unternehmen, die diese Best Practices anwenden, können kostspielige Betriebskosten zu einer Quelle erheblichen Wettbewerbsvorteils machen.

Das könnte Sie auch Interessieren