Predictive Maintenance ist nichts Neues. Die vorausschauende Wartung – auch zustandsorientierte Wartung genannt – wird in der Industrie seit den 1990er Jahren angewandt. Obwohl ihre Geschichte nicht dokumentiert ist, könnte der Beginn der Predictive Maintenance darin liegen, dass ein Mechaniker zum ersten Mal sein Ohr an den Griff eines Schraubenziehers legte und feststellte, dass es sich anhörte, als würde ein Lager kaputt gehen.

Wie alle wissenschaftlichen Fortschritte haben sich auch die Methoden der Predictive Maintenance weiterentwickelt. Heute ist es möglich, durch den Einsatz von Künstlicher Intelligenz in der Industrie vorherzusagen, wann Wartungsarbeiten an bestehenden Anlagen erforderlich sind. Im Rahmen unserer Zusammenarbeit mit Industriepartnern definieren wir Predictive Maintenance als die Vorhersage kritischer Ereignisse auf der Grundlage von Daten, die während des Prozesses erfasst und gesammelt werden. Bei unseren Kunden setzen wir Methoden wie Feature Engineering ein, um die wichtigsten Informationen aus den Daten und aus Machine Learning zu extrahieren, um Muster zu verstehen und zu generalisieren, die auf kritische Ereignisse hinweisen.

Kurz zusammengefasst bietet Predictive Maintenance Folgendes:

• Die richtige Analyse der Lebensdauer von Industrieanlagen

• Rationalisiertes Ersatzteilhandling

• Höhere Anlagensicherheit und weniger menschliche Fehler

• Weniger Komplikationen mit negativen Umweltauswirkungen

Doch um diese Ergebnisse zu erzielen, liegt die Entscheidung über die richtige Predictive-Maintenance-Lösung in den Händen des Kunden. In den folgenden Abschnitten haben wir versucht, wichtige Überlegungen für die Entscheidung zwischen standardisierten Lösungen von der Stange und kundenspezifischen, maßgeschneiderten Predictive-Maintenance-Lösungen darzustellen.

Standardlösung für Predictive Maintenance

Diese Art von Lösungen eignet sich hervorragend für Anwendungsfälle, bei denen die Daten bereits gesammelt und in einer standardisierten Form dargestellt werden. Dies macht die Integration und Nutzung des angebotenen Dienstes wesentlich einfacher, weil die für die vorausschauende Wartung verwendeten Produkte und Algorithmen in der Regel sehr genau auf die Daten abgestimmt sind. Tatsächlich bieten viele Standarddienste spezielle Softwaretools für die Anbindung von Sensoren an ihre Plattform an, um diesen wichtigen Teil des Prozesses zu rationalisieren. Unternehmen, die auf eine Cloud-Infrastruktur zurückgreifen können, sind zudem am besten für Standardlösungen geeignet.

Industrieunternehmen sammeln in der Regel große Mengen an Daten von einer Vielzahl an Sensoren in ihren Anlagen. Im Allgemeinen werden solche Lösungen für Probleme empfohlen, die sich auf einen oder wenige Sensoren beschränken lassen und sich auf die übrigen Daten nicht oder nur wenig auswirken. Das bedeutet auch, dass das Problem von vornherein gut definiert sein muss. Im Idealfall weist das Domänenwissen auf die relevanten Aktoren hin, die dann als Eingaben für das verfügbare Predictive Maintenance-Modell verarbeitet und konfiguriert werden können.

Die verfügbaren Methoden reichen von einfachen Regeln oder Statistiken bis hin zu komplexeren Methoden des Machine Learnings. Frameworks des Automatisierten Machine Learnings (Auto ML) versprechen eine einfache Lösung, die kein technisches Fachwissen erfordert. Unserer Erfahrung nach sind diese Angebote jedoch für industrielle Probleme und aufgrund mangelnder Transparenz meist unzureichend.

Es besteht auch ein großer Unterschied im Verständnis der Komplexität der vorausschauenden Wartung für die Sensoren einer einzelnen Maschine im Vergleich zu Anwendungsfällen, die alle Maschinen und Sensoren einer Produktionslinie oder der gesamten Anlage umfassen sollen.

Bei komplexeren Verarbeitungsanlagen mit einer Vielzahl verschiedener Sensoren, komplizierten Arbeitsabläufen, Datenstrukturen und -darstellungen reicht eine Standardlösung wahrscheinlich nicht aus.

Maschinenlieferanten könnten davon profitieren, eine maßgeschneiderte Lösung für ihre Geräte zu entwickeln und diese dann ihren Kunden zusammen mit ihrem Produkt als Standarddienstleistung für Predictive Maintenance anzubieten. Dies wäre ein Mehrwert für ihre Maschinen, bei dem der Endkunde die Möglichkeit hätte, die zukünftige Wartung seiner Maschinen vorherzusagen. Für beide Seiten wäre dies ein Gewinn: Der Maschinenlieferant würde einen treuen Kundenstamm und ein hervorragendes Produktportfolio gewinnen, während der Endkunde Wartungsprobleme und -kosten vermeiden könnte.

Maßgeschneiderte Lösungen für Predictive Maintenance

Der maßgeschneiderte Ansatz beinhaltet die Anwendung und Anpassung bewährter Methoden der Datenverarbeitung und des Machine Learnings an die jeweilige Problemstellung. Er eignet sich am besten, wenn die Anlage über keinen standardisierten Prozess für die Sammlung, Speicherung, Anzeige und Verarbeitung von Daten verfügt. Insbesondere in Anwendungsfällen, in denen wir es mit komplexen Systemen zu tun haben, muss sich der Prozessablauf im Design der Machine-Learning-Architektur widerspiegeln.

Zu Beginn eines jeden Predictive-Maintenance-Projekts führen wir eine umfassende Datenanalyse durch und bereiten die vorhandene Dateninfrastruktur so vor, dass sie KI-fähig wird.

Wir arbeiten mit unseren Kunden zusammen, um einen Machine-Learning-Algorithmus zu entwickeln, der folgende Fragen beantwortet:

• Wie lässt sich dieses spezielle betriebliche Problem in ein Machine-Learning-Problem umwandeln?

• Wie viel Vorwissen gibt es über die Ursachen und Anzeichen, die zu Maschinenausfällen führen?

• Wie können wir die Grundursache des Problems herausfinden?

  • Gibt es eine Möglichkeit, vergangene Maschinenausfälle zu ermitteln?

  • Wer in der Organisation definiert und erfasst sie?

Oft fehlt es am Schnittpunkt zwischen dem Auftreten eines Fehlers und seiner Erfassung an Informationen.

• Wie und wo können diese Daten abgerufen und verarbeitet werden?

• Wie können die verfügbaren Daten von fehlerhaften, unklaren oder überflüssigen Informationen befreit werden?

Im Alltag sind geplante und ungeplante Ausfallzeiten in den Daten nicht immer explizit gekennzeichnet und können zu großen Spitzen und Ausreißern führen, die den Datensatz verzerren. Normalerweise sind Störungen oder Ausfälle selten, aber Machine-Learning-Algorithmen neigen dazu, häufige Muster und Störungen wie Lücken, Drifts und Spitzen zu erkennen. Daher wird eine maßgeschneiderte Lösung für die vorausschauende Wartung angepasst, um diese Probleme zu berücksichtigen.

Je besser ein Prognosemodell an die Komplexität Ihres Unternehmens angepasst ist, desto "gesünder" und aussagekräftiger sind seine Ergebnisse. Das erfordert jedoch die Verfügbarkeit von hochqualifizierten Technikern, Verarbeitern und Data Scientists, die sich der Erstellung validierter Modelle widmen. Dies kann sich für Ihre Betriebs- und Ressourceneffizienz wirklich auszahlen. Ein maßgeschneiderter Ansatz ist zwar oft teurer als standardisierte Systeme, aber das Endergebnis ist es wert.

Oft gibt es keine Einheitslösung, die für alle passt. Unserer Meinung nach muss jede Lösung bis zu einem gewissen Grad angepasst werden. Dabei kommt es auf den aktuellen Stand der IT-Infrastruktur, die Komplexität des Problems sowie das interne Know-how und die Kapazitäten in Bezug auf Data Engineering und Data Science an. Langfristig gesehen kann es weniger Zeit und Geld kosten, wenn Sie sich für eine maßgeschneiderte Lösung entscheiden.

Wenn beispielsweise Maschinenbauingenieure eine Lösung für Predictive Maintenance verwenden, müssen sie einen Lernprozess durchlaufen, um das Problem zu erkennen. Selbst wenn die gleiche Hardware verwendet wird, ist jede Implementierung einzigartig für die Anlage und ihre Umgebung und muss daher entsprechend angepasst werden.

Standard-IoT-Sensoren eignen sich unter Umständen nicht optimal für die Komponentenfertigung, da sie nicht empfindlich oder präzise genug sind. So werden beispielsweise Bewegungen, die übermäßige Vibrationen verursachen und zu einer Fehlausrichtung kleiner Komponenten führen können, von Standardsensoren möglicherweise nicht erkannt. Die Anpassung Ihrer Lösung für die vorausschauende Wartung könnte Sie also langfristig weniger Zeit und Geld kosten.

Es gibt keine "beste" oder "schlechteste" Vorgehensweise. Vielmehr geht es darum, einen Ansatz zu finden, der für Ihr vorgegebenes Budget, Ihr internes Know-how und das tatsächliche Ergebnis geeignet ist.

Ihr Industrieunternehmen wird in vielerlei Hinsicht von Predictive Maintenance anstelle von präventiven oder reaktiven Wartungsmaßnahmen profitieren. Jeder Betrieb verfügt über eine Vielzahl an Anlagen, die alle gut funktionieren müssen, damit die Produktion reibungslos und ohne Ausfallzeiten verläuft.

Wenn Sie ein Teil ersetzen müssen:

• Kostet das Geld.

• Kostet es Ihre Wartungsabteilung viel Zeit.

• Müssen Sie möglicherweise die Produktion anhalten, während das Teil ersetzt wird.

Mit Predictive Maintenance:

• Werden Sie rechtzeitig gewarnt, dass ein Teil kaputt gehen könnte.

• Können Sie das Problem beheben, solange es noch klein, einfach und billig ist.

Frühzeitige zustandsorientierte Maßnahmen verhindern, dass sich kleinere Probleme verschlimmern, ohne dass Sie dafür Zeit und Mühe aufwenden müssen. Wenn Sie eine frühzeitige Warnmeldung erhalten, können Sie die Reparatur des Teils an den Anfang des Wartungsplans setzen. Predictive Maintenance ermöglicht es Ihnen, eine Komponente zu reparieren, bevor sie versagt. Dadurch wird der häufige Austausch teurer Teile vermieden.

Außerdem haben Sie, wenn Sie von einem Teil- oder Komplettausfall unangenehm überrascht werden, möglicherweise keine Ersatzteile vorrätig. Das kann dazu führen, dass Sie die Produktion für ein oder zwei Tage unterbrechen müssen, bis die Ersatzteile geliefert werden. Ihr Wartungsteam ist ständig mit dringenden Aufgaben beschäftigt. Wenn ein Teil unerwartet ausfällt, werden andere Aufgaben auf Eis gelegt, was zu Problemen an anderer Stelle in der Fabrik führen kann.

Vorausschauende Wartung hilft Betriebsanlagen, indem sie die Kosten für die Instandhaltung senkt. Wenn Sie Predictive Maintenance und Zustandsüberwachung für Komponenten einsetzen, können Sie damit:

• Wissen, wann ein Teil kaputt gehen wird

• Es so reparieren, dass es länger hält

• Es nicht kaputt gehen lassen

• Es seltener ersetzen müssen

Bessere Umweltauswirkungen

Sie sind für gute Qualität bekannt, richtig? Predictive Maintenance kann dazu beitragen, dieses Image aufrechtzuerhalten, indem sie dafür sorgt, dass Komponenten nicht ausfallen, wenn sie es nicht sollten. Darüber hinaus möchten Sie vielleicht auch für Ihre Umweltpraktiken bekannt sein. Vorausschauende Wartung hat Auswirkungen auf die Umwelt. Durch die Vermeidung von Zwischenfällen wie z.B.:

• Öllecks

• Brände und Explosionen

• Umweltverschmutzung

Zeitersparnis

Predictive Maintenance spart Zeit und Geld, da sie die Wartungsdiagnose effizienter macht. Bei der vorausschauenden Wartung wird sichergestellt, dass jedes Bauteil dann kontrolliert wird, wenn es am ehesten benötigt wird. Das ist besser, als wenn Ihr Team einen Zeitplan befolgen muss, der jedem Teil die gleiche Zeit einräumt. Das nennt man betriebliche Effizienz!

Größere Anlagensicherheit

Predictive Maintenance kann betriebliche Schwierigkeiten reduzieren und die Zufriedenheit und das Wohlbefinden der Mitarbeiter steigern. Darüber hinaus können Sie und Ihre Vorgesetzten damit einen besseren Überblick über Ihr Unternehmen erhalten.

Mit Predictive Maintenance können Sie vermeiden, auf unvorhergesehene Probleme reagieren zu müssen, wie z.B.:

• Plötzliche Notfälle

• Lange Ausfallzeiten

• Instabile und unberechenbare Arbeitsumgebungen

Wenn Sie diese Probleme mit Hilfe von Predictive Maintenance in den Griff bekommen, können Sie Ihren Umsatz steigern, indem Sie Wartungskosten, teure Stillstände und Ausfallzeiten insgesamt reduzieren.

Die zunehmende Bedeutung maßgeschneiderter Lösungen für die vorausschauende Wartung in Industrieunternehmen eröffnet ungeahnte Möglichkeiten für das Unternehmenswachstum. Die Entwicklung innovativer Werkzeuge und Anwendungen, die in verschiedenen Branchen eingesetzt werden können, muss auch in Zukunft Teil des kontinuierlichen Prozesses sein.

Viele Menschen gehen fälschlicherweise davon aus, dass die Einführung einer Predictive-Maintenance-Strategie eine komplette Umstrukturierung ihrer Arbeitsabläufe erfordert. In Wirklichkeit sind es jedoch nur einige kleine Maßnahmen, die einen großen Unterschied machen können. Der wichtigste Ansatzpunkt sind dabei Daten. Die Umsetzung von Predictive Maintenance erfordert drei grundlegende Dinge: Daten, Zeit und Analyse. Daten sind der wichtigste Verbündete bei der Vorhersage von Ereignissen zur Erhöhung der Maschinenzuverlässigkeit. Um zu erkennen, wann und warum ein Gerät an Zuverlässigkeit verliert, sind jedoch umfangreiche Kenntnisse und ein umfassender Datensatz erforderlich. Genau aus diesem Grund ist die Zusammenarbeit mit vertrauenswürdigen Data Scientists, die eine maßgeschneiderte Lösung für Ihren speziellen Datensatz entwickeln können, der richtige Weg. Die Art und Weise, wie Ihre Predictive Maintenance-Lösung handfeste Vorteile bringen kann.

Suchen Sie also nach einer maßgeschneiderten und zuverlässigen Lösung für Ihr Unternehmen?

Warum sprechen Sie nicht mit uns über Ihre speziellen Anforderungen? Wir wollen die Benutzerfreundlichkeit der Software verstehen und in den Mittelpunkt stellen. Wir verwenden benutzerzentriertes Design, um eine Lösung zu entwickeln, die für Sie geeignet ist.