Big Data Analysis & Predictive Maintenance: Was KMU´s von Konzernen lernen können

Das Cloud Research Lab unserer Partner-Hochschule Furtwangen hat im Rahmen des „Project HALFBACK“ einen Workshop zum Thema: „Big Data Analysis for SMEs in Industry 4.0“ an der IHK in Strasbourg veranstaltet. Halfback ist ein Projekt, das sich mit der Entwicklung von hochverfügbaren Fertigungsprozessen beschäftigt. Mithilfe von Vorhersagen (Prediction) sollen Defekte an Maschinen, Qualitätsverlust oder fehlende Materialverfügbarkeit gezielt verhindert werden. Das erfolgt, in dem Wartungen geplant, Austausch bzw. Ersatz von Komponenten und Materialien effizienter abgewickelt wird oder sogar durch ein intelligentes Verlagern der Fertigung in eine andere Produktionsstätte.
Das Projekt wird gefördert vom EU Fonds für regionale Entwicklung und hat damit einen internationalen Auftrag in Zusammenarbeit mit der INSA Strasbourg und der Uni Strasbourg.
Weitere Partner aus der Industrie ergänzen das Projekt mit ihren Erfahrungen.

Praxisbeispiel: Predictive Maintenance für Windturbinengetriebe

Die Hochschule Furtwangen hat uns auf Grund unserer Erfahrung von Predictive Maintenance und Big Data Themen eingeladen. So konnte ich unsere Expertise teilen und ein konkretes Projekt – das intelligente Windturbinengetriebe – etwas genauer vorstellen.
Vor allem der Bericht über die Erfahrungen und die Tipps zu Best Practices fanden größtes Interesse, da der Erfahrungsschatz hier noch rar ist. Zwar sind Vorgehensmodelle verfügbar – deren Erprobung aber steht zum Teil noch aus.
Nicht schlecht staunten die Zuhörer, als die Zahlen über Datenmengen zur Sprache kamen. Diese große Anzahl an Daten resultiert aus der Abtastrate und der Betriebszeit eines Windturbinengetriebes sowie der Anzahl an Sensoren. Damit entstehen pro Turbine und pro Betriebstag über 120.000 Datensätze, die dann noch verarbeitet werden müssen.

 Best Practices für Predictive Maintenance Projekte

• Best Practice Tipp Nr. 1: Umgehend Wege zur Prüfung und Validierung der eingehenden Daten finden!
  Die Basis für aussagekräftige Vorhersagen sind valide Daten. Diese müssen also fortwährend auf ihre Qualität geprüft und sichergestellt werden, dass es Mechanismen gibt, die eine Weiterverarbeitung nur dann erlauben, wenn die Qualität stimmt.
• Best Practice Tipp Nr. 2: Verwenden Sie so schnell wie möglich Daten aus dem Feld!
  Das gilt für alle IoT- und Predictive Maintenance Projekte – ungeachtet der Größe des Projektes oder des Unternehmens. Nur die echte Datenlieferkette mit realen Daten erlaubt es, schnell weitere unvorhergesehene Fehlerquellen zu identifizieren. Angefangen von der Zuverlässigkeit der Sensoren, über die Zusammenstellung der Daten via IoT Device bis zur Übertragung der Daten gibt es viele potentielle Störer, die man in Simulationen einfach nicht bedenkt und damit das Projekt dann stark beeinflussen können.

Wie starte ich in ein Predictive Maintenance Projekt? Hier Template herunterladen

Links:

https://www.hs-furtwangen.de/forschung/forschungsprojekte/halfback/

https://www.hs-furtwangen.de/en/research/forschungsprojekte/halfback/