Aufrufe
vor 3 Monaten

antriebstechnik 6/2018

antriebstechnik 6/2018

KOMPONENTEN UND SOFTWARE

KOMPONENTEN UND SOFTWARE Von Predictive Maintenance profitieren Der richtige Weg für kleine und mittlere Unternehmen Mithilfe von Predictive Maintenance Wartungszeiten vorbeugend zu planen und Ausfallzeiten zu minimieren, verspricht für jedes Unternehmen große Einsparpotenziale. Während viele Großunternehmen längst von der Analyse historischer Daten profitieren, scheut der Mittelstand aus Know-how- und Kapazitätsgründen oft noch vor diesem Thema zurück. Wie aber die entscheidenden Wettbewerbsvorteile nutzen? Schlagworte wie Industrie 4.0, Digitalisierung oder Big/Smart Data führen im industriellen Umfeld schnell zum Paradebeispiel Predictive Maintenance, der zustandsbasierten Wartung. Bislang war es der Intuition erfahrener Mitarbeiter vorbehalten, an Maschinen einen Wartungsbedarf zu erkennen und entsprechende Maßnahmen zeitlich effizient durchzuführen. Technologie, die dieses „Handauflegen“ mithilfe von Sensoren und IT automatisieren kann, sorgt momentan für Aufmerksamkeit. Aber wie sieht es in der Praxis aus? Und zwar nicht beim Multi-Millionen-Euro-Produkt eines Weltkonzerns, sondern bei den Systemen eines ganz bodenständigen Mittelständlers? Verschiedene Wartungsmethoden In der Praxis haben sich zwei Wartungsmethoden etabliert: die reaktive Wartung (wenn etwas kaputt geht, wird es ersetzt) und die präventive Wartung (nach einem festen Turnus wird etwas ersetzt, egal, ob es kaputt ist oder nicht). Beide Methoden sind offensichtlich nicht optimal; im reaktiven Fall verlieren die Unternehmen Zeit, bis das System wieder läuft, im präventiven Fall geben sie möglicherweise Geld aus, obwohl es noch nicht erforderlich gewesen wäre. Predictive Maintenance – die prädiktive oder zustandsbasiert vorausschauende Wartung – verspricht die Lösung: Sie ist der Versuch, mithilfe von Sensor- und sonstigen Daten den Zustand einer Maschine so genau zu beschreiben, dass vorausgesagt werden kann, wann welches Teil ersetzt werden muss (Vorhersagemodelle), also der reaktive Fall eintreten würde. So könnten bspw. im Falle eines Lagers Schwingungen, Temperaturen oder Drehzahlen, die von den Normalwerten abweichen, auf ein baldiges Versagen hinweisen. Dr. Andreas Wierse ist Geschäftsführer der Sicos BW GmbH in Stuttgart und Dr. Till Riedel ist Projektleiter Smart Data Innovation Lab beim Karlsruher Institut für Technologie KIT In Bild 01 ist das Zusammenspiel der Daten mit den Vorhersagemodellen dargestellt. „Log-Daten“ sind in diesem Fall z. B. Messdaten des Antriebs, „Service-Daten“ können Notizen von Technikern, Wartungszeitpunkte, durchgeführte Arbeiten oder subjektive Einschätzungen von z. B. Verschleiß o. ä. sein. Alle diese Informationen fließen in die Vorhersagemodelle ein: Sie werden genutzt, um die Modelle so anzulernen, dass sie die charakteristischen Konstellationen vor einem Ausfall erkennen. Dabei ist bei den meisten Verfahren unbedingt erforderlich, dass in den Daten, die zum Trainieren der Modelle genutzt werden, auch echte Fehlerfälle mit allen dazugehörigen Daten enthalten sind. Denn: will man ein System so trainieren, dass es Fehler voraussagt, müssen in den Trainingsdaten zu Lernzwecken ausreichend viele Fehler enthalten sein. Was sich zunächst einmal trivial anhört, ist vor dem Hintergrund der praktischen Produktentwicklung alles andere als selbstverständlich: Der Hersteller eines Antriebs muss eine gewisse Zuverlässigkeit seines Produktes garantieren. Insbesondere im höherpreisigen Segment bedeutet das, dass Fehler nur selten vorkommen dürfen. Je besser also das Produkt, desto weniger Fehler und desto weniger Trainingsdaten stehen zur Verfügung; umgekehrt ausgedrückt: man muss erheblich länger oder von mehr Produkten Daten sammeln, um überhaupt die kritische Menge an Fehlerfällen in diesen Daten zu finden, die man für wirklich gute Vorhersagemodelle braucht. Lohnt sich der Kostenaufwand? An dieser Stelle kommt die Kostenbetrachtung ins Spiel. Bei den Vorhersagemodellen gibt es im Hinblick auf die Wartung vereinfacht gesagt zwei kritische Fälle; diese haben zwar miteinander zu tun, sind aber nicht direkt gekoppelt: 1. Die „Richtigpositivrate“, d. h. das Modell sagt korrekt voraus, dass eine Wartung stattfinden muss. 2. Die „Falschpositivrate“, d. h. das Modell sagt voraus, dass eine Wartung stattfinden muss, diese ist aber eigentlich noch nicht 50 antriebstechnik 6/2018

KOMPONENTEN UND SOFTWARE 01 Zusammenhang zwischen Daten, Vorhersagemodell und Wartung 02 Potenzial für eine Kostenersparnis Vorhersagemodelle Richtigpositivrate 100 % vorhergesagte Kostenersparnis Erwartete Kosten 1400T € 80 % 1200T € 1000T € 60 % 40 % Vergleich: Kosten reaktiver Wartung 800T € 600T € Log Daten Wartung Service Daten 20 % 0 % T € 0,00 % 0,01 % 0,02 % 0,03 % 0,04 % 0,05 % 0,06 % Falschpositivrate 400T € 200T € erforderlich. In Bild 02 sind diese beiden Raten einander gegenübergestellt; die blaue Kurve setzt sie zueinander in Beziehung (es ergibt sich i. d. R. keine Gerade, da die Wechselwirkungen in der Praxis nur selten linear sind). Bei einem Blick auf die Extreme ist der Zusammenhang leicht verständlich: Will ein Unternehmen sicherstellen, dass das Vorhersagemodell im Fall einer erforderlichen Wartung keinesfalls einen Fehler macht, muss es im Zweifelsfall das Anfordern einer eigentlich noch unnötigen Wartung in Kauf nehmen; die Falschpositivrate ist dann höher. Hierauf werden die Verantwortlichen nur dann abzielen, wenn die Kosten einer versäumten Wartung so hoch sind, dass sie die Kosten einer überflüssigen Wartung deutlich überwiegen. Will man die Falschpositivrate dagegen auf Null drücken (also ganz sicher gehen, dass nie eine überflüssige Wartung durchgeführt wird), nimmt man am besten keine Wartung vor. Das macht in den Fällen Sinn, in denen der Schaden durch eine nicht durchgeführte Wartung gering, die Wartung aber extrem teuer ist. Hier ist dann allerdings auch die Richtigpositivrate gleich Null, was einer reaktiven Wartung entspricht. Die Kosten entsprechen der gestrichelten Linie. Die blaue Kurve im Diagramm zeigt einen typischen Zusammenhang zwischen diesen beispielhaft erreichbaren Vorhersagegenauigkeiten an, die graue Kurve die entsprechend resultierenden Kosten. Im rechten Teil der Abbildung (also wenn man sichergehen möchte, dass man keine erforderliche Wartung verpasst) sind die Kosten deutlich höher als bei der reaktiven Wartung. Typischerweise entspricht das irgendwann einer präventiven Wartung, mit entsprechend höheren Kosten im Beispiel. Im Beispiel ist eine Kosteneinsparung durch die prädiktive Wartung im Vergleich zur reaktiven Wartung nur bei einer Falschpositivrate von lediglich etwa 0,2 % erkennbar. Auch wenn dies ein wenig plakativ und das Potenzial in vielen Fällen sicherlich größer sein mag, zeigt dies deutlich: Eine Einsparung ist keinesfalls eine Selbstverständlichkeit. Unternehmen sollten sich alle Kosten – für eine Wartung und eine versäumte Wartung gleichermaßen – anschauen und den Zusammenhang zwischen den beiden Positivraten ermitteln. Erst in der Gesamtbetrachtung lässt sich beurteilen, ob der Einsatz der prädiktiven Wartung sinnvoll ist. Eine zustandsbasierte Dynamisierung der Wartung führt zu einer adaptiven Mischung von reaktiven und präventiven Wartungsprozessen, mit all ihren organisatorischen Konsequenzen. Hilfestellung für KMU Gerade Mittelständler tun sich verständlicherweise bei der Beurteilung, ob, wann und wie Big/Smart-Data-Technologien wie Predictive Maintenance für sie lohnenswert sind, noch schwer. Doch für sie gibt es bundesweit mittlerweile zahlreiche Anlaufstellen (Initiativen, Förderprogramme oder Kompetenzzentren), die ihnen zur Seite stehen. So bietet z. B. das Smart Data Solution Center Baden Württemberg (www.sdsc-bw.de) für KMU eine neutrale und unabhängige Smart-Data-Beratung. Anhand einer kostenlosen Potenzialanalyse beurteilt das Center, ob sich die Aufbereitung, Analyse und Auswertung vorhandener Daten für die Unternehmen lohnen. Falls ja, beraten die Experten zur Projektrealisation und begleiten auch die Umsetzung. Fotos: 01+02: Wierse, Riedel, „Smart Data Analytics Praxishandbuch“, De Gruyter 2017 www.sicos-bw.de Tools für professionelle Instandhaltung TRUMMETER ® Riemenspannung messen LEAKSHOOTER ® Druckluftleckagen suchen VSHOOTER ® Maschinenverschleiß erkennen Jetzt bestellen: 0621 3705-249 www.hilger-kern.de industrieelektronik@hilger-kern.de

Aktuelle Ausgabe

Aktuelle Ausgabe