Gerne beraten wir Sie auch telefonisch & geben Ihnen eine kostenfreie persönliche Auskunft zu Ihrem Projekt.

X

Wie man mit Industrie 4.0 Predictive Maintenance die Zukunft (fast) vorhersagen und Wartung optimieren kann

Zu wissen, was geschieht, bevor es geschieht, ist ein alter Menschheitstraum. Gerade im Bereich von Maschinen- und Betriebsführung wäre es sehr wertvoll, wenn man die Zukunft vorhersagen könnte. So würden Betriebsaus- und unfälle komplett vermieden werden. Leider gehören Zukunftsvorhersagen nach wie vor in den Bereich der Fantasie. Was aber heute schon zu Zeiten der Industrie 4.0 sehr nah an Hellseherei herankommt ist die Technik der Predictive Maintenance und Condition Based Maintenance.

Dieser Artikel soll eine Übersicht über die Vorausschauende Wartung bieten und zeigen, wo man die Industrie 4.0 Predictive Maintenance gewinnbringend einsetzen kann.

Sie möchten mehr darüber erfahren, wie Sie mit vorausschauender Wartung Zeit und Geld in Ihrem Unternehmen sparen können? Kontaktieren Sie uns für ein unverbindliches Beratungsgespräch!

Lassen Sie uns Ihre Anforderungen wissen & wir erstellen Ihnen innerhalb weniger Stunden ein kostenfreies Angebot.


Jetzt unverbindlich anfragen

Dieser Artikel beantwortet folgende Fragen zu Industrie 4.0 Predictive Maintenance

  • Was versteht man unter Industrie 4.0 Predictive Maintenance?
  • Wo fordert Predictive Maintenance Machine Learning und welche Rolle spielt Big Data?
  • Was sind die Voraussetzungen um Predictive Maintenance einsetzen zu können?

Industrie 4.0 Predictive Maintenance

Ein Beispiel: Wenn man sich Montag morgens ins Auto setzt, um zur Arbeit zu fahren, und der Motor dann nicht anspringt, ist das verheerend. Denn der Ausfall von Gerät, wenn man es eilig hat, ist besonders ärgerlich und kann zu weitreichenden Problemen führen. Hätte man das Auto aber am Samstag zur Werkstatt gebracht, wäre die schwache Batterie wahrscheinlich aufgefallen und ausgetauscht worden. Die Fahrt zur Arbeit am Montag wäre dann kein Problem gewesen. Aber woher sollte man am Samstag schon wissen, dass die Batterie am Montag den Geist aufgibt?

Bei KFZ ist gesetzlich eine vorbeugende Instandhaltung (oder Preventive Maintenance) vorgeschrieben. Dies bedeutet, dass man in bestimmten Zeitintervallen gewisse Wartungen durchführen und Teile austauschen muss. Die Zeitintervalle basieren auf empirischen Erfahrungswerten und sind mit viel Sicherheitspuffer geplant. Dadurch werden häufig Teile getauscht und Kosten verursacht, wenn dies noch gar nicht nötig gewesen wäre.

Würde man aber das KFZ durch Sensoren jede Sekunde seiner Existenz sehr genau beobachten, wäre man in der Lage Änderungen im Ladestrom der Batterie zu entdecken und diese gezielt, wenn es zeitlich passt, kurz vor dem Ausfall zu tauschen. Dies nennt man in der Industry 4.0 Condition Based Maintenance. Man überwacht dabei jede Maschine, jeden Prozess an allen möglichen Punkten live dank Mikroelektronik mit Sensoren. Die ausgelesenen Daten vergleicht man mit Normwerten und bei Abweichungen über einem bestimmten Grenzwert werden automatisch Wartungen angeordnet.

Der Nachteil von Condition Based Maintenance

Condition Based Maintenance weist aber weiterhin den Nachteil auf, dass man schadhafte Teile zwar erkennen kann, bevor größerer Schaden entsteht, aber es ist dennoch eine reaktive Art der Instandhaltung. Somit diktieren immer noch die äußeren Umstände den Zeitplan für die Wartung. Um wirklich vorhersagende Instandhaltung, also Predictive Maintenance zu erreichen fehlt ein weiterer Schritt.

Sollten Sie professionelle Unterstützung für Big Data Predictive Analytics Big Data benötigen, helfen unsere Statistiker Ihnen gerne weiter. Kontaktieren Sie uns einfach für eine kostenlose Beratung & ein unverbindliches Angebot.

Predictive Maintenance Machine Learning

Industrie 4.0 Predictive Maintenance setzt nämlich modernste Machine Learning Prozesse ein, um vorherzusagen, wann Instandhaltung notwendig werden wird. Wie das funktioniert verdeutliche folgende Grafik:

Industry 4.0 Sensordaten aus der Produktion werden in smarten Sensor Knoten vorverarbeitet und analysiert. Diese Daten werden auf einem Datenspeicher, der sogenannten Cloud, abgelegt. Von dort können sie u.a. von Hochleistungscomputern eingelesen werden, um mit künstlicher Intelligenz Modelle zur Vorhersage von Fehlfunktionen zu errechnen.

Bei Predictive Maintenance spielt die Entwicklung von Modellen durch künstliche Intelligenz die zentrale Rolle. Denn die unfassbar hohe Anzahl an Sensoren, die die Maschinen und Prozesse überwachen, produzieren täglich viele Gigabyte an Daten. Ein Mensch wäre gar nicht in der Lage, diese Daten zu sichten. Geschweige denn, sie zu analysieren und Modelle daraus herzuleiten.

Smarte Sensorknoten übernehmen hier die erste Analyse aller Daten, erstellen daraus Grafiken, treffen Entscheidungen und leiten die Datensätze schließlich an die Cloud weiter. Von hier haben Supercomputer darauf Zugriff und können anhand der Datensätze Modelle entwickeln, mit denen man Ausfälle mithilfe statistischer Methoden vorhersagen kann. Diese Predictive Maintenance Machine Learning Modelle werden dann in die smarten Sensorknoten eingepflegt, wo sie als Grundlage für Instandhaltungsplanung dienen. So wird Vorausschauende Wartung Realität: Anhand der in Echtzeit aufgenommenen Daten und der entwickelten Modelle kann man vorhersagen, wie der Zustand der Geräte und Prozesse in den nächsten Tagen und Wochen sein wird.

Voraussetzungen für Predictive Maintenance

Predictive Maintenance weist allerdings einige Anforderungen an Betriebe auf. Zum einen sollte schon Technologie der Industry 4.0 vorhanden sein. Dies bedeutet vor allem, dass man alle Maschinen und Prozesse mit modernsten Sensoren überwachen sollte. Die erhobenen Daten müssen sauber voranalysiert werden und in geordneten Datensätzen auf Datenbanken gespeichert und abrufbar sein.

Außerdem ist es auch entscheidend, wie viele Maschinen der gleichen Art ein Betrieb verwendet. Denn für aussagekräftiges Predictive Maintenance Machine Learning ist es notwendig, dass in den Datensätzen auch Fehlfunktionen und Ausfälle aufgenommen worden sind. Gibt es keine Daten über solche Zwischenfälle, oder gibt es von jedem Gerät nur eines im Betrieb, dann ist die Datenlagen nicht ausreichend, um Industrie 4.0 Predictive Maintenance anzuwenden.

Fazit

Solange jedoch die oben genannten Punkte erfüllt sind, steht nichts im Weg, sich näher über die Vorausschauende Wartung zu informieren und die Produktivität und Prozessstabilität auf das nächste Level zu bringen. Novustat bietet bei Bedarf eine ausführliche Beratung zu diesem Thema – kontaktieren Sie uns!

Weiterführende Links:

Industry 4.0 beim Bundesministerium für Wirtschaft und Energie

Schütze, A., & Helwig, N. (2017): Sensorik und Messtechnik für die Industrie 4.0 in tm – Technisches Messen

Jetzt Anrufen Jetzt anfragen