• Predictive-Maintenance

Predictive Maintenance: Agieren Sie schon – oder reagieren Sie noch?

Der plötzliche Ausfall von Maschinen kann Unternehmen teuer zu stehen kommen. Oftmals werden regelmäßige Instandhaltungsmaßnahmen prophylaktisch durchgeführt, um Stillstandzeiten und Ausschuss zu vermeiden. Dank Predictive Maintenance können solch unerwartete Maschinenausfälle vorausschauend gelernt werden, um mit entsprechenden Instandhaltungsmaßnahmen gezielt reagieren zu können. Die Vernetzung der Maschinen und maschinelles Lernen sind Grundlage für die vorausschauende Instandhaltung. Die Wirksamkeit zeigen wir Ihnen anhand eines Showcases.

Was ist Predictive Maintenance?

Predictive Maintenance ist die vorausschauende Instandhaltung. Durch die Analyse von in der Vergangenheit mitgeschriebenen und somit historischen Maschinendaten werden Abhängigkeiten zwischen aufgetretenen Störungen und entsprechenden Instandhaltungsmaßnahmen erkannt. Diese Abhängigkeiten werden dafür verwendet, um in Zukunft Instandhaltungsmaßnahmen abzuleiten, bevor Störungen in der Produktion auftreten.

Ihr Nutzen durch Predictive Maintenance

  • Kostenreduktion: Durch Predictive Maintenance werden teure Ausfälle von Maschinen vermieden. Notwendige Instandhaltungsmaßnahmen werden gezielt durchgeführt bevor Schäden entstehen und unterliegen keinen starren Wartungsintervallen, in denen lieber Instandhaltungsmaßnahmen zu oft durchgeführt werden als zu wenig.
  • Reduzierung des Ausschusses: Durch die Analyse der Maschinendaten können Abhängigkeiten zu möglichen Ausschussproduktionen erkannt werden. Gegenmaßnahmen können ergriffen werden.
  • Verbesserte Planbarkeit: Predictive Maintenance macht eine zuverlässige und vorausschauende Planung der Anlagen möglich. Folglich können Instandhaltungsmaßnahmen effizient koordiniert und Stillstandzeiten optimiert werden.
  • Optimierung von Betriebsabläufen: Durch die stetige Datenanalyse können Maschinen in ihrer Funktionsfähigkeit besser verstanden werden und somit Bedienfehler bzw. fehlerhafte Einstellungen frühzeitig erkannt werden. Dies führt zu optimierten Betriebsabläufen sowie einer verbesserten Qualität der Produktionsergebnisse.

Ein Showcase für Predictive Maintenance – aus Ihren Maschinendaten lernen

In unserem Showcase auf der Hannover Messe Industrie (HMI) haben wir gemeinsam mit dem Analytics und Data Team der Axians gezeigt wie Predictive Maintenance in der Praxis funktioniert.

Der Showcase basiert auf drei verschiedene Sensoren: ein Lichtsensor, ein Temperatursensor und ein Luftfeuchtigkeitssensor – stellvertretend für unterschiedliche Sensordaten in Ihrer Maschine. Der Aufbau ist wie folgt:

  • Sensordaten: Die Sensordaten werden laufend mitgeschrieben. Die drei Sensoren sind in einer Sensorbox eingebaut.
  • Maschinelles Lernen: Es werden mathematische und statistische Modelle genutzt, um aus den mitgeschriebenen Datenbeständen die Luftfeuchtigkeit zu lernen und Veränderungen an der Luftfeuchtigkeit vorausschauend anzeigen zu können.
  • Trainingsphase: Die Trainingsphase besteht (symbolisch) daraus, dass die Sensorbox in beide Hände genommen wird (d.h. das Licht wird dunkler) und in die Box gepustet wird (d.h. die Temperatur steigt an). Anschließend wird die Luftfeuchtigkeit höher. Folglich wird gelernt, dass geringer werdenden Lichtintensität und bei steigender Temperatur auch die Luftfeuchtigkeit erhöht wird, so dass die Luftfeuchtigkeit aufgrund der anderen beiden Daten vorausschauend bestimmt werden kann. Ist diese Zusammenhang gelernt und die Sensorbox wird anschließend in die Hände genommen, ohne dass in die Box gepustet wird, so wird eine höhere Luftfeuchtigkeit vorausschauend angezeigt. Wird dies mehrmals durchgeführt, so wird der angelernte Zusammenhang wieder verworfen.
  • Dashboard: Im Dashboard können die Sensorwerte verfolgt werden.

IoT Showcase

Wird der Showcase in ein Predictive Maintenance Szenario übersetzt, kann es heißen, dass eine erhöhte Luftfeuchtigkeit eine Instandhaltungsmaßnahme erfordert und somit vorhergesagt werden kann. Selbstverständlich können in einem realen Szenario die Abhängigkeiten ungleich komplexer sein. Bei einer Komplexität von 500 Datenpunkten oder mehr ist die Bearbeitung für Menschen alleine nicht mehr handhabbar, für künstliche Intelligenz stellt dies aber kein Problem dar. Gerade bei zunehmender Komplexität hat der Algorithmus Vorteile vor dem Menschen.

Jede Maschine tickt anders und hat andere Einflussfaktoren

Durch unsere Erfahrung und breites Ökosystem an Partnern sind wir in der Lage eine innovative auf Ihre konkreten Anforderungen zugeschnittene Lösung aus einer Hand zu entwickeln. Wir können von der Installation des Sensors, über Sammlung und Transport der Daten bzw. deren Analyse bis bin zum Dashboard den kompletten Prozess abbilden und Ihnen erfolgreich bei Digitalisierung Ihrer Produktion zur Seite stehen.

Sie sind selbst in diesem Bereich tätig und möchten in den Dialog treten wie Predictive Maintenance in Ihrem Fall aussehen könnte? Wir freuen uns auf Ihre Kontaktaufnahme und unterstützen Sie gerne dabei Ihre Ideen in die Tat umzusetzen!

 

Von |2017-06-03T00:46:53+00:0002. Juni 2017|