Best Practices bei der Umsetzung von Predictive Maintenance – Ein Erfahrungsbericht

Predictive Maintenance: Welche intelligenten Wartungsstrategien und Best Practices gibt es? Wir zeigen es Ihnen. Lange Zeit hat sich die Industrie auf die Herstellung und den Absatz von Produkten und Anlagen fokussiert und den Aftersales Markt vernachlässigt. Durch die Vernetzung von Maschinen und die Erfassung von Echtzeitdaten bietet sich die Möglichkeit, die Daten in neuen Zusammenhängen zu betrachten. Damit verbunden sind verschiedene Benefits für das Unternehmen, zum Beispiel eine Optimierung der Produktionsqualität, ein nachhaltiger Betrieb der Maschinen und die Realisierung von Predictive Maintenance. Für den Betreiber heißt das idealerweise geringere Stillstandzeiten der Maschine sowie eine dadurch gesteigerte Produktivität.

Die „intelligente“ Windturbine

Gemeinsam mit unserem Kunden ZF, einem führenden Technologiekonzern in der Antriebs- und Fahrwerktechnik, haben wir das Thema Predictive Maintenance im Bereich Windenergie umgesetzt und wollen unsere Erkenntnisse, Erfahrungen und verschiedene Herausforderungen aus der Praxis mit Ihnen teilen.

ZF stellt Getriebe für Windturbinen her, welche nur mit großem Aufwand zu warten sind – z.B. weil diese mitten im Meer stehen. Das Ziel besteht nun darin, die „intelligente“ Windturbine zu entwickeln, um Ausfallzeiten zu minimieren und eine effiziente Wartung zu ermöglichen.

Wartungsstrategien

Im Bereich der intelligenten Maschinenwartung kann zwischen den folgenden Wartungsstrategien unterschieden werden:

• Reactive Maintenance: Erst bei einem akuten Ausfall wird das Getriebe der Windturbine gewartet.
• Preventive Maintenance: Durch vordefinierte Wartungsintervalle wird je nach Nutzung ein Ausfall vorgebeugt, d.h. beispielsweise Windkraftwerke in Zonen mit starkem Wind (Ozean) werden monatlich gewartet, jedoch nur jährlich in Zonen mit schwächerem Wind (Wüste).
• Predictive Maintenance: Maschinen werden ihrem Zustand entsprechend gewartet. Durch die Zustandsdaten an einem Windrad, kann man vorhersagen, wann zum Beispiel das Getriebe ausgetauscht werden muss.
• Preskriptive Maintenance: Es werden automatische Handlungsentscheidungen getroffen, wie etwa die selbstständige Bestellung eines Ersatzteils für ein Windrad.

Best Practices im Predictive Maintenance Projekt

Im Rahmen unserer Predictive Maintenance Projekterfahrung haben sich folgende Handlungsempfehlungen bewährt:

• Solides Datenmanagement: Die Datenflut muss beherrschbar gemacht werden, d.h. man sollte stets ein möglichst genaues Bild haben, welche Daten ermittelt werden müssen oder auch für welche Zeiträume die Daten gespeichert werden. Essentiell dafür sind echte Daten aus dem Feld.
• Versionierung und Nachvollziehbarkeit: Durch eine vollständige und nachvollziehbare Dokumentation können Analysen reproduziert oder eventuelle Fehler im Algorithmus behoben werden.
• Modularität: Um Komponenten der Software zu verändern oder zu erneuern, ohne dass es Auswirkungen auf andere Bereiche hat, sollten sie voneinander abgekapselt sein.
• Datenintegrität: Es muss sichergestellt werden, dass die Daten auf allen Ebenen, insbesondere im Datenspeicher und bei verarbeitenden Algorithmen, im Wertebereich gleich sind. Es müssen überall die gleichen Regeln für z.B. Rundungen oder die Anzahl der Nachkomma stellen garantiert sein. Damit werden Fehler vermieden.
• Datenexploration: Ziel ist das Finden neuer Merkmale und Zusammenhänge in den Daten sowie dazu passende Modellierungstechniken. Die Datenplattform soll Vorteile für den Experten haben, der damit entwickelt.

Fazit

Entscheidend für eine qualitativ hochwertige Predictive Maintenance Anwendung sind eine robuste Datensammlung und ein modularer Aufbau des Software System.

Das Internet of Things und vor allem die Cloud dienen als Türöffner für AI Anwendungen in der klassischen Industrie. Jedoch birgt das Thema auch besondere Herausforderungen in diesem Umfeld, wenn Ingenieure und Software „aufeinander treffen“. Wesentlich ist, dass echte Daten der Schlüssel für ein erfolgreiches Projekt sind. Wir befinden uns auf einem guten Weg zur „Wartungsstrategie der Zukunft“ – der sich selbst wartenden Maschinen.

Im Teil 2 erfahren Sie, wo genau Methoden der Künstlichen Intelligenz bei der Wartung unterstützen können, bzw. welche Machine Learning Methoden dahinter stecken.

Co-Autor Timo Demler

Mehr über Condition-Based Maintenance für Seilbahnen mit ZF ProVID

Mehr zu Predicitve Maintenance erfahren Sie hier

Wie unterscheidet sich Predictive Maintenance von anderen Wartungsmethoden?