Erfindung für die Industrie 4.0

Predictive Maintenance steigert Effektivität

Wer erinnert sich nicht an Disneyvogel Daniel Düsentrieb. Der Ingenieur und Erfinder entwarf die fellbesetzte Türklinke und den heißen Eistee für den Winter. Für einen Sommer wie diesen hätte er einen Luftroller im Angebot gehabt. Der zum Leidwesen seiner menschlichen Kollegen gern zitierte Satz „Dem Ingeniör ist nichts zu schwör“ geht auf ihn zurück – das Ergebnis der hinreißenden Übersetzung der Comics aus dem Amerikanischen ins Deutsche.


Heute sehen sich Ingenieure in der Industrie 4.0 tatsächlich mit „schwören“ Aufgaben konfrontiert, die nach einer brauchbaren Erfindung rufen. Wie zum Beispiel funktioniert das proaktive Warten von Maschinen und Anlagen fernab von herkömmlichen präventiven oder reaktiven Ansätzen? Predictive Maintenance heißt die Antwort, um Ausfallzeiten drastisch zu reduzieren. Feinfühlige Sensoren erfassen Messwerte und Daten, kluge Software prognostiziert Störungen und bringt die Verantwortlichen zum richtigen Zeitpunkt ins Handeln – bevor die kostenintensive Ausfallzeit ansteht.

Wir von FIVE1 unterstützen Sie hier – im wichtigen Austausch mit Ihren Ingenieuren – beim Erfassen, Digitalisieren und Übermitteln von großen Datenmengen.  Dabei gilt es die Daten zu speichern, analysieren und zu bewerten und in Folge dessen die Wahrscheinlichkeit ob und wann bestimmte Ereignisse eintreten zu berechnen. Die Erfolge sind vielversprechend: weniger Ausfälle, eine reduzierte Anzahl an Maschinen, kleinere Lager und Optimierung des Aufwands bei besserer Qualität.

Predictive Maintenance unterscheidet sich deutlich von alten Wartungsansätzen. 1a- funktionierende Verschleißteile werden beispielsweise nicht stur nach Intervall ausgetauscht. Predictive Maintenance errechnet vielmehr einfach den exakt-richtigen Zeitpunkt.

Um ein geeignetes Predictive Maintenance System aufbauen zu können, sind diese drei wesentlichen Schritte notwendig:

Schritt 1: Bestimmen der relevanten Bauteile

Schritt 2: Modellierung der Maschinen und Anlagen bzgl. Fehler

Schritt 3: Benchmarking der Modelle

Im ersten Schritt empfiehlt es sich, das Projekt in enger Abstimmung mit dem Prozessingenieur vor Ort durchzuführen, denn nur so lässt sich das benötigte Fachwissen in ein mathematisches Modell transformieren. Mittels FMECA (Failure Mode, Effects and Criticality Analysis) und vier Zonen Graph werden die relevanten Bauteile bestimmt. Dabei wird auf einen hohen Detaillierungsgrad wert gelegt.

Nachdem die Systeme/Bauteile, die im Fokus der Predictive Maintenance stehen, definiert wurden, gilt es nun diese zu modellieren. Dabei stehen zwei Modelltypen zur Verfügung: das physikalisch motivierte Modell oder das datengetriebene Modell.

Der physikalische Ansatz verlangt eine kürzere Datenhistorie, aber ein größeres Domainwissen und rechnerischen Aufwand, da für die Vorhersage u.U. nichtlineare Differentialgleichungen gelöst werden müssen.

Der datengetriebene Ansatz erfordert einen kreativen Umgang mit Prädiktoren. Welche Größen können ein System beeinflussen und wie können diese gemessen werden? Auf dieser Basis können verschiedene Machine-Learning-Modelle trainiert werden.

Im dritten Schritt geht es um das Benchmarking der Modelle. Dazu müssen die Vorhersagealgorithmen eine Reihe von Tests bestehen, welche die Performance sichern und eine fundierte Entscheidung für die Produktivsetzung ermöglichen.

Der oben vorgestellte Ansatz bezieht sich lediglich auf das Versagen eines Systems/Bauteils. Dabei werden nur Clustereffekte im System berücksichtigt (Welches Bauteil gibt das Wartungsintervall vor bzw. welche Bauteile müssen zusammen getauscht werden?). Das Thema Predictive Maintenance ist jedoch komplexer als die reine Anwendung von Maschine-Learning-Modellen.

Wenn die Kosten der Maintenance optimiert werden sollen, müssen die Service-Sessions verbessert und der Fokus auf die ganze Anlage erweitert werden. Damit eine problemlose Versorgung mit Ersatzteilen gewährleistet ist, muss die Supply Chain für die Maintenance Services ebenfalls berücksichtigt werden. Hier muss geklärt werden mit wieviel Vorlauf Material und Techniker geordert werden, damit das System vor dem Ausfall gewartet werden kann. Um diese Fragen beantworten zu können und den Maintanence Schedule bestmöglich anzupassen, empfiehlt es sich mathematische Optimierungsalgorithmen zu verwenden.

Das klingt vielversprechend? Ist es auch. Schreiben Sie uns und lassen Sie sich zu Predictive Maintenance für Ihre Anlage, Ihren Fuhrpark oder zu anderen Industrieanwendungen 4.0 beraten. Wir freuen uns auf Ihre Kontaktaufnahme an sales@five1.de.

Getagged mit: , , , , , ,

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*

*