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?

Condition-Based Maintenance für Seilbahnen mit ZF ProVID

Ob beim Skifahren, Wandern oder gar als Transportmittel innerhalb einer Großstadt: In all diesen Situationen kommen Seilbahnen zu Einsatz. Häufig befinden sich diese an schwer zugänglichen Orten. Trotzdem müssen diese Anlagen regelmäßig geprüft und gewartet werden. Hin und wieder steht auch der Austausch von Verschleißteilen an. Wäre es da nicht praktisch, wenn Serviceabteilungen bereits aus der Ferne grundlegende Überprüfungen durchführen könnten, ohne jedes Mal vor Ort sein zu müssen?Mehr

Mit Predictive Maintenance bzw. Monitoring raus aus der Stillstandsfalle?

Mit dieser Fragestellung hat sich der 4. Smart Maintenance Experten-Roundtable am 10. Oktober 2018 in Köln beschäftigt. Intensiv diskutiert wurden dabei Themen zu Chancen und Herausforderungen der prädiktiven Instandhaltung sowie welche Plattformthemen für die Wartung auftreten, insbesondere mit Blick auf IoT und Big Data. Denn erst der Einsatz dieser Technologien ermöglicht einen modernen Ansatz in der Wartung, z.B. Predictive Maintenance.Mehr

Mit Predictive Maintenance den Business Value maximieren

„Wir lassen uns helfen, bis wir dumm sind“ ist der Wortlaut eines Artikels von Gunter Dueck, der im November in der FAZ erschienen ist. Er setzt sich kritisch mit der Frage auseinander, wie Unternehmen mit den Herausforderungen der Digitalisierung umgehen. Eine davon ist, nicht passiv zu sein, sondern proaktiv die Chancen in die Hand zu nehmen, die zunehmende Vernetzung und Digitalisierung für das eigene Unternehmen bieten. Eine solche Chance, die durch Vernetzung und Datenanalyse entsteht, ist das Geschäftsmodell der proaktiven Wartung – Predictive Maintenance. Das bedeutet, über die laufende Analyse der Maschinendaten, mögliche Defekte und Muster bereits frühzeitig zu identifizieren. Eine Maschine wird bereits gewartet, noch bevor es zum Ausfall kommt. Das spart Kosten und eröffnet darüber hinaus Möglichkeiten für neue Geschäftsmodelle. Mehr

Predictive Maintenance: Die größten Herausforderungen für Unternehmen

Wie bereits im ersten Teil der Blog-Serie Predictive Maintenance: Die Wartung von Morgen in der Industrie 4.0beschrieben, ermöglicht der Einsatz von vorausschauender Wartung noch nie dagewesene Transparenz in den Bereichen Produktion, Aftersales sowie Forschung & Entwicklung. Ebenso wurde darüber berichtet, wie mit Hilfe dieser neuen Technologie Störungen einzelner Prozess- und Steuerungsabläufe ermittelt bzw. vermieden werden können.
In diesem Artikel wollen wir der Frage auf den Grund gehen, vor welchen Herausforderungen Produktionsunternehmen und „Datensammler“ stehen, bis sie Erkenntnisse mit profitablen Gewinnaussichten erzielen.

Mehr

Predictive Maintenance: Die Wartung von Morgen in der Industrie 4.0

Predictive Maintenance wird die traditionelle Servicekultur stark beeinflussen, wenn nicht sogar revolutionieren. Der Begriff bedeutet so viel wie „vorausschauende Wartung“, „Fehlervorhersagen treffen zu können“, „Instandhaltung“ sowie „Nutzungsspezifische Wartungshinweise zu geben“. Ob Produktions-, Logistik-, Software oder Wartungsunternehmen – Predictive Maintenance eröffnet künftig Chancen, die Effizienz zu steigern, Kosten zu senken und Innovationen schneller in den Markt zu bringen.

Mehr