Aufrufe
vor 6 Jahren

antriebstechnik 3/2018

antriebstechnik 3/2018

PREDICTIVE MAINTENANCE I

PREDICTIVE MAINTENANCE I SPECIAL Ausfallzeiten adé Intelligente Wartung als zentrale Säule der Digitalen Transformation So unterschiedlich die Aufgaben im Maintenance Management auch sein mögen, die Ressource, die es zu nutzen gilt, sind Daten. Daten, die bislang vielfach nur bedingt genutzt werden. Sie konsequent zu sammeln, zu integrieren, zu bereinigen und gezielt mit unterschiedlichen Ansätzen auszuwerten, ermöglicht es, die verschiedenen Stadien moderner Wartungskonzepte sukzessive umzusetzen. Das grundsätzliche Problem ist bekannt: Es wird meist zu viel, zu früh und zu ungezielt gewartet. Untersuchungen zeigen, dass bis zu einem Drittel der Wartungskosten verschenktes Geld ist. Das aber muss nicht mehr sein. Die Digitalisierung kann hier auch zu einem – im wahrsten Sinne des Wortes – echten „Silver Bullet“ und Innovationstreiber werden. Das Ziel: „Zero Unplanned Downtime“ – also Antriebe so zu warten, dass Ausfälle und damit verbundene Produktionspro bleme gar nicht erst entstehen. Die Kunst: Wartungsintervalle nicht noch enger, sondern nach tatsächlichem Bedarf zu takten. Das Schlüsselwort hierfür lautet: Condition Based Maintenance (CBM) – sie dient gewissermaßen als Ausgangspunkt einer Predictive-Maintenance- Wartungsstrategie. Dem Konzept zugrunde liegt also die Sammlung und Analyse von Daten, die direkt vor Ort – teilweise auch mithilfe von Edge- Computing – Aufschluss geben über den aktuellen Zustand von Assets. Der Grundgedanke: Je umfassender und detaillierter Informationen über sie und die sie beeinflussenden Umfeldfaktoren vorliegen, umso konkreter kann ihr tatsächlicher Wartungsbedarf prognostiziert werden. OEE, KI und Edge-Computing Damit rückt gleichzeitig ein weiteres Ziel von Industrie 4.0 in den Fokus: Denn auf der Agenda steht nicht nur eine insgesamt umfassendere Digitalisierung und Automatisierung, sondern auch ein effektiverer Einsatz von Sachwerten. Anders ausgedrückt: Es geht um die höhere Effizienz des eingesetzten Kapitals – die sogenannte „Overall Equipment Effectiveness“ (OEE). Sie ist eine Funktion aus Verfügbarkeit, Performance und Qualität der Assets. CBM und Predictive Maintenance sind nach unserer Auffassung zentrale Instrumente, um die OEE gezielt zu steigern. René Stäbler ist Business Development Executive bei der IBM Schweiz AG in Zürich, Schweiz Gleichzeitig passiert aber noch etwas sehr viel Fundamentaleres: CBM, Predictive Maintenance und neuerdings auch KI- basierte Wartungsansätze werden zur Basis für die Entwicklung neuer Services, disruptiven Geschäfts- und Betreibermodellen und damit zum Ausgangspunkt für mehr Innovation – Stichwort „Data Enabled Services“. Mithilfe von Remote-Monitoring ist es z. B. möglich, die Zustandsdaten von tausenden von Maschinen und Anlagen als Serviceleistung für Kunden zentral und in Echtzeit zu überwachen und zu analysieren. Smarte, adaptive Wartung kann damit selbst zu einem eigenständigen Geschäftsmodell mit unterschiedlichen Betreiber varianten ausgebaut werden. Mit Edge-Computing werden leistungs fähige Analyse-Technologien darüber hi naus zukünftig praktisch überall und immer verfügbar sein. So können z. B. Mitarbeiter, die in abgelegenen Mit Prescriptive Maintenance bekommt das alte Thema Wartung einen vollkommen neuen Spin. René Stäbler Gegenden den Zustand von Anlagen überwachen müssen, sehr viel genauer die Erfordernisse für Wartung oder den Ersatzteilbedarf ermitteln. Ein Anwendungsfall ist die sensorbasierte Zustandsüberwachung im Antriebsstrang von z. B. Windkraftanlagen. Dabei können, teilweise eben auch mithilfe von Edge-Computing, die erste Datenanalysen direkt in den Wälzlagern ermöglichen, alle relevanten Daten in Cloud-Servern zusammengefasst und analysiert werden. Die Auswertungen dieser Daten dienen dann wiederum als Grundlage für die Diagnose und vorausschauende Wartung 44 antriebstechnik 3/2018

SPECIAL I PREDICTIVE MAINTENANCE fahren oder aber das letzte aus ihm rauszuholen, um die Ware rechtzeitig am Zielort zu haben? Alle drei Optionen sind potenziell mit Kosten und Risiken verbunden („competing goals“). Die Frage ist nur, welche Option macht in der konkreten Situation am meisten Sinn? Die Potenziale für den Einsatz solcher datengetriebener Wartung sind enorm. Ein weiteres aktuelles Beispiel macht dies deutlich: So wird IBM dem Logistik-Bereich der amerikanischen Armee (Logistics Support Activity – LOGSA) helfen, aus über fünf Milliarden Datenpunkten von On-Board Sensoren „Vehicle Maintenance Failures“ vorherzusagen. Darüber hinaus übernimmt die Army Watson IoT-Lösungen, die unstrukturierte, strukturierte und Sensor-Daten direkt aus militärischen Assets analysieren. Damit wird LOGSA zukünftig besser in der Lage sein, der Armee sowohl Predictive als auch Prescriptive Wartungsinformationen zur Verfügung zu stellen. Mit diesen neuen Technologien bekommt das alte Thema Wartung einen vollkommen neuen Spin. Und im Kontext von Industrie 4.0 wird damit eine weitere wichtige Lücke geschlossen. Dies ist definitiv auch eine Chance für die etablierten Unternehmen, nicht nur ihre Wartung zu optimieren, sondern mithilfe einer digitalen „Re-Inven tion“ auch neue Umsatzquellen zu erschließen. Das gilt insbesondere für den export orientieren Wirtschaftsstandort in Mittel europa. Hier war Innovation schon immer gleichzusetzen mit Wettbewerbsvorteilen. der Wälzlager. Das ist keine Vision mehr, sondern funktionierende Realität. www.ibm.com/watson Intelligente Einblicke in „fuzzy“-Umgebungen Der Übergang ist fließend – und trotzdem spektakulär: Denn während Maintenance-Software bisher nur die Analyse strukturierter Sensordaten zugelassen hat, gehen intelligente Wartungs-Anwendungen noch einen Schritt weiter: Dem Prinzip KI-basierter Systeme folgend, deren Merkmale ver stehen – bewerten – lernen sind, ist nun auch die Entwicklung „mitdenkender“, vorausschauender Wartung keine Vision mehr. KI­ basierte IoT-Plattformen kombinieren hierfür strukturierte (Maschinen-)Daten mit der Masse an unstrukturierten Informationen wie schriftlichen Aufzeichnungen, Sprache, Geräusche, Vibrationen, Bilder, Videos und Bewegungen, analysieren und bewerten sie. Damit ermöglichen sie neue Sichtweisen auch auf komplexe, „fuzzy“-Umgebungen. Zudem gewinnen diese Anwendungen im Training mit Experten den Kontext-bezogenen nötigen Sachverstand und können damit den Verantwortlichen vor Ort bei der Einordnung von Ereignissen und bei der Entscheidungsfindung unterstützen. Ein echter Paradigmenwechsel also. Tools für professionelle Instandhaltung Von Predictive zu Prescriptive Die nächste Stufe ist Prescriptive Maintenance. Die Idee dahinter ist noch viel komplexer: Bei Prescriptive geht es nicht mehr nur um Prognosen, in welchem Zeitraum gewartet bzw. etwas ausgetauscht werden soll, sondern um die genaue Berechnung, welches Zeitfenster dafür das betriebswirtschaftlich optimalste bzw. kostengünstigste wäre. Darüber hinaus geht es um den richtigen Zeitpunkt für die Ersatzteilplanung und -beschaffung, und um ganz grundsätzliche Fragen: Etwa, ob Wartungsintervalle lokal oder global optimiert werden sollen und wie Lieferketten und Wartung am besten miteinander zu verzahnen sind. Folgendes Beispiel kann das verdeut lichen: Macht es bei Problemen mit dem Antrieb eines Schiffsmotors mehr Sinn, ihn gleich zu reparieren, oder ihn zu schonen und langsamer zu TRUMMETER ® Riemenspannung messen LEAKSHOOTER ® Druckluftleckagen suchen VSHOOTER ® Maschinenverschleiß erkennen Jetzt bestellen: 0621 3705-249 www.hilger-kern.de industrieelektronik@hilger-kern.de