Suchen

Predictive Maintenance Dem Ausfall von Maschinen zuvorkommen

| Autor / Redakteur: Gerhard Altmann / Stefanie Michel

Techniken wie Künstliche Intelligenz (KI), Machine Learning oder Internet of Things (IoT) treiben heute fast jede Branche um. Auch die Fertigungsindustrie ist ein Vorreiter, wenn es um die Auswertung von Daten geht. Prädiktive Wartung und Produktionsqualität sollen davon profitieren – und dafür ist Data Analytics nötig.

Firmen zum Thema

Wann wird die Maschine (voraussichtlich) „krank“? Diese Frage lässt sich mit der Analyse von aktuellen Betriebs-, Maschinen- und Produktionsdaten so frühzeitig beantworten, dass Maßnahmen eingeleitet werden können.
Wann wird die Maschine (voraussichtlich) „krank“? Diese Frage lässt sich mit der Analyse von aktuellen Betriebs-, Maschinen- und Produktionsdaten so frühzeitig beantworten, dass Maßnahmen eingeleitet werden können.
(Bild: ©seksan94 - stock.adobe.com)

Ein kapitaler Schaden am Magnetresonanztomografen, der geborstene Rotor einer Windkraftanlage, ein streikender Roboterschweißarm in der Automobilfertigung – 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 medizinischer Geräte müssen Schwachstellen in ihren Prozessen und Produkten frühzeitig kennen und Qualitätsverluste vorhersagen.

Heute stehen der Produktion dafür Informationen zur Verfügung, auf die sie vorher keinen zeitnahen Zugriff hatte. Daten strömen aus unterschiedlichsten Quellen herein: aus Anlagen an Fertigungsstraßen, aus Sensoren an Geräten beim Kunden oder aus dem Vertrieb. Große Datenmengen und Rechenpower bilden die Voraussetzung, um bessere Vorhersagen zu treffen und präzisere Analysen durchzuführen. Erst Data Analytics bereitet die Produktions-, Maschinen- und Betriebsdaten jedoch so auf, dass sie Auskunft über den aktuellen Status der Produktion und über zukünftige Entwicklungen geben. 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.

Bildergalerie

Daten auswerten, wo sie entstehen

Voraussetzung ist jedoch, dass diese Daten ohne Zeitverlust ausgewertet werden – möglichst ohne aufwendige Datentransfers, sondern dort, wo sie entstehen. Konkret: ganz nah am Sensor.

Analytics „on the Edge“ ist daher eines der Kernthemen für die Produktion. Kleinrechner können analytische Modelle zur Bewertung der Relevanz von Sensordaten direkt in der Maschine ausführen. Über eine Event Stream Processing (ESP) Engine lassen sich Daten direkt während der Übertragung analysieren, also im Datenstrom und noch vor der Speicherung. Die Technologie funktioniert als intelligenter Filter; so lässt sich der Datentransport reduzieren. Das ermöglicht es dem analytischen System, potenzielle Probleme schon im Vorfeld abzuwenden, indem eine Maschine heruntergefahren, ein Alert ausgegeben oder eine andere Maßnahme in die Wege geleitet wird.

Was für die prädiktive Wartung nötig ist

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 einer geringen 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 Radiologiepraxis befindet?
  • Modelle und Regeln zu den Daten bringen: Zum Beispiel direkt in einen Datenstrom oder über eine Datenbank in ein operatives Dispatching-System. Dieses System sagt dem Gerätetechniker, 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.

Bester Kundenservice: Zur rechten Zeit am rechten Ort

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, den sogenannten Ersatzteiletourismus zu reduzieren; damit ist das überflüssige Hin- und Herschicken und Austauschen von Ersatzteilen bei Systemen gemeint, bei denen 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, die visuell aufbereitet und damit einfach verständlich gemacht werden, lässt sich ausmachen, bei welchen Teilen in einem System dieser Anteil besonders hoch ist. Anhand dieses Wissens können entsprechende Maßnahmen ergriffen werden, beispielsweise werden erst andere Teile ausgewechselt, wenn das System nicht mehr funktioniert. Diese evidenzbasierten Daten geben dem Servicemanager die Grundlage, den Serviceprozess zu optimieren.

Mit dem Einsatz von Predictive Analytics können Betriebsabläufe optimiert und Erträge erhöht werden, daher ist das Verfahren für jede Branche interessant und wichtig. Allerdings unterscheiden sich die verschiedenen Branchen in der Dauer und Tiefe der Anwendung von Predictive 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 % bringen.

* Gerhard Altmann ist Senior Director Global Manufacturing Industry Practice bei der SAS Institute GmbH in 69118 Heidelberg

(ID:45585167)

Über den Autor

 Gerhard Altmann

Gerhard Altmann

Senior Director Global Manufacturing Industry Practice, SAS Deutschland