Prädiktive Wartung Prädiktive Wartung ermöglicht frühzeitige Identifikation potenzieller Ausfälle

Anbieter zum Thema

MEGLA GmbH

PSI Software SE | Business Unit Discrete Manufacturing

becos gmbH

Vorausschauende Wartung steht an der Spitze der modernen Wartungsstrategien und nutzt das Potenzial der Datenanalyse und künstlicher Intelligenz, um bevorstehende Wartungsaufgaben frühzeitig zu erkennen. Die prädiktive Wartung steht im Kontrast zu traditionellen Strategien wie der reaktiven oder präventiven Wartung. Die Verwendung moderner Methoden mit maschinellem Lernen ermöglicht die Auswertung großer Datenmengen und erleichtert eine frühzeitige Identifikation potenzieller Ausfälle.

Prädiktive Wartung bedeutet eine kontinuierliche Überwachung der Zustandsdaten der Anlage, wobei die Datenanalyse die Wahrscheinlichkeit von Fehlerauftritten bestimmt und potenzielle Ausfälle vorhersagt. Die Philosophie dieses Wartungsansatzes ist, Wartungsarbeiten oder Reparaturen zu günstigen Zeitpunkten durchzuführen, um Betriebsunterbrechungen und die damit verbundenen Kosten zu minimieren.

Ein ungeplanter Stopp der Produktion durch den Ausfall einer Komponente bedingt nicht nur einen wirtschaftlichen Schaden, sondern stellt auch Gefahren für Mitarbeiter dar. Die Suche nach einem Fehler in der Produktionsanlage kann mühsam sein. Dieses Vorgehen wird als reaktive Wartung bezeichnet. Es wird erst repariert, wenn etwas beschädigt und nicht mehr funktionstüchtig ist. Um ungeplante Produktionsstopps zu vermeiden, werden präventive Wartungen durchgeführt. Dabei werden Teile der Anlage nach einer bestimmten Laufzeit gewartet, ohne den Zustand (Abnutzungsvorrat) der Anlagenteile zu berücksichtigen. Das hat die Folge, dass die Ressourcen nicht umfänglich genutzt werden und Anlagenteile ausgetauscht werden, die noch voll funktionsfähig sind.

Prädiktive Wartung als datengetriebener Ansatz

Prädiktive Wartung hingegen verspricht, möglichst hohe Laufzeiten von Anlagen oder Anlagenteilen zu erreichen, die Wartungskosten zu minimieren und ungeplante Ausfälle zu vermeiden. In modernen Produktionsanlagen werden viele Daten erhoben und gespeichert. Die prädiktive Wartung ist ein sogenannter datengetriebener Ansatz. Das bedeutet, dass Daten aus der Produktion, wie zum Beispiel Rotationsgeschwindigkeiten von Motoren, Stromverbrauch oder Temperaturen, die Grundlage für diesen Ansatz bilden. Die Daten werden verwendet, um den Abnutzungsvorrat der Anlagenteile abzuschätzen. Die Einführung von prädiktiver Wartung ist mit einer Vielzahl von Vorteilen verbunden:

• Reduzierung ungeplanter Produktionsausfälle
• Verlängerte Lebensdauer von Anlagen und Anlagenteilen
• Kostenreduktion in der Produktion
• Sicherheit im Betrieb

Unter dem Begriff intelligente Intelligenz sammeln sich Technologien wie Maschinelles Lernen, Deep Learning und Neuronale Netze, auf denen die prädiktive Wartung aufbaut. Mit diesen Methoden werden Daten unterschiedlicher Quellen, zum Beispiel Sensordaten, Betriebsdaten und Wartungsprotokolle analysiert, um Muster in den Daten zu identifizieren, die auf Ausfälle beziehungsweise den Abnutzungsvorrat hinweisen. Durch diese Auswertung historischer und aktueller Daten kann die Wahrscheinlichkeit potenzieller Ausfälle der Anlage oder Anlagenteile vorhergesagt werden.

Der Ausdruck „Daten sind das neue Öl“ wurde 2017 im Economist geprägt. Dennoch sind unentdeckte Potenziale in Datenpools erkennbar. Hinsichtlich der Datenspeicherung existieren zwei Ansätze. Der erste bevorzugt die Speicherung nur unbedingt erforderlicher Daten. Dieser Ansatz erweist sich zum Beispiel im Umgang mit sensiblen oder personenbezogenen Daten als sinnvoll. Der zweite hingegen befürwortet die Speicherung möglichst vieler Informationen in ihrer ungefilterten Rohform. Diese Vorgehensweise eignet sich besonders für Produktionsdaten, da hier in der Regel keine sensiblen oder personenbezogenen Daten anfallen.

Erfassung von Maschinen- und Anlagendaten ist unerlässlich

Somit besteht die Möglichkeit, Analysen auch im Nachhinein durchzuführen und neue Methoden anzuwenden, die vom Datenreichtum profitieren. Denn eine umfängliche Erfassung von Maschinen- und Anlagendaten ist unabdingbar für eine moderne Produktion. Einige Historian-Systeme haben sich bewährt, um diese Produktionsdaten zu speichern und für Analysen bereitzustellen. Ein prominenter Vertreter ist das Aveva-PI-System, mit dem sich Produktionsanlagen vollständig aufzeichnen lassen. Die prädiktive Wartung bietet klare Vorteile. Dennoch stehen Betriebe vor Herausforderungen wie Datenmenge, -qualität, Kosten und Integration des Vorhersagemodells in die Produktion.

Um diese anzugehen, muss zunächst die Datengrundlage im Detail betrachtet werden, wofür der Kontext und das Domänenverständnis unabdingbar sind. Daher ermitteln die Data Scientists bei Megla zunächst ein vollständiges Bild im Rahmen eines Interviews mit allen Stakeholdern. Das Prinzip zur Abschätzung der Ausfallwahrscheinlichkeit besteht darin, Abweichungen vom Normalzustand in den Daten zu identifizieren. Die bisherigen Bemühungen, ungeplante Produktionsstopps zu vermeiden, sind in der Regel erfolgreich und Fehlfunktionen werden nur selten aufgezeichnet. Daher ist die Definition des Normalzustandes eine der wichtigsten Aufgaben. Anschließend werden die Daten im Kontext analysiert und evaluiert, ob prädiktive Wartung möglich ist.

Dadurch kann Vertrauen, sowohl in die Daten als auch die neue Technik, aufgebaut werden. Erst danach werden spezialisierte Modelle entwickelt. Wenn diese Modelle verifiziert und validiert sind, werden sie in die Produktion eingebunden. Auch hier gibt es unterschiedliche Möglichkeiten. Sind Analyse-Plattformen, wie Trend-Miner, in der Produktion vorhanden, kann das finale Modell gegebenenfalls darin eingebunden werden. Auch angepasste Softwarelösungen können in die bestehende Infrastruktur eingegliedert werden. Diese Herangehensweise orientiert sich an dem etablierten CRISP-DM (branchenübergreifender Standardprozess für Data Mining) und wird von Megla in allen Data-Science-Dienstleistungen angewendet.

Prädiktive Wartung auf dem Vormarsch

Prädiktive Wartung revolutioniert industrielle Instandhaltung. Frühzeitige Problemerkennung steigert die Betriebseffizienz, senkt Kosten und verbessert die Sicherheit. Trotz Herausforderungen durch Technologie und KI-Tools wird die Verbreitung der prädiktiven Wartung vorangetrieben. Dies markiert den Anfang einer risikobasierten Wartung, bei der nicht nur die Ausfallwahrscheinlichkeit, sondern auch die betrieblichen Konsequenzen eines Ausfalls berücksichtigt werden.

Der Trend zur Nutzung datengetriebener Ansätze deutet auf eine Zukunft hin, in der prädiktive Wartung nicht nur als Wettbewerbsvorteil gilt, sondern als branchenübergreifende Standardpraxis, die Wartungsstrategien und die Betriebszuverlässigkeit global revolutioniert.

Der Autor Dr. Gregor Schweppe ist Leiter Competence Center Data Science bei der Megla GmbH.