Predictive Maintenance - Ein Blick in die Glaskugel oder doch Realität?

Das Versprechen, das im Anwendungsgebiet der Predictive Maintenance adressiert wird, gleicht einem Blick in die Glaskugel. Teure Reparaturen und Ausfälle vorhersehen und vorbeugende Maßnahmen zum richtigen Zeitpunkt ergreifen können. Was sich anhört wie ein Märchen ist bereits Realität.

Was ist Predictive Maintenance?

Die grundsätzliche Idee, auf Basis vorhandener Daten Voraussagen der Zukunft zu treffen, ist nicht neu. Bereits vor mehreren Jahren wurde mit dem Begriff Big Data der Grundstein für dieses Anwendungsgebiet gelegt. Big Data und Predictive Analytics sind eng miteinander verbunden und werden auch in anderen Bereichen seit mehreren Jahren erfolgreich eingesetzt (beispielsweise bei der Entwicklung von Vorhersagemodellen für Banken und Versicherungen zur Identifikation von Kreditkartenrisiken, illegalen Finanztransaktionen oder im Handel zur Vorhersage von Trendverschiebungen).

Zunehmend wird nun auch in der Systemwartung im Umfeld anlagenintensiver Prozesse, wie in der Fertigung oder im Infrastruktur-Sektor (Energieversorger, Schieneninfrastruktur), auf Techniken der Predictive Analytics gesetzt und somit das Fachgebiet der Predictive Maintenance (PdM) begründet.

Es lohnt sich ein kurzer Blick auf die bekannten Ansätze in der Systemwartung. Diese lassen sich grob in drei Stoßrichtungen gliedern:

  • Schadensabhängige Strategien (reaktiv)
  • Vorbeugende Strategien (zeit- bzw. zustandsabhängig)
  • Pedictive Maintenance (prognostizierend)

Die schadensabhängige Strategie sieht Wartungsmaßnahmen erst beim Eintreten des Fehlerfalles vor. Erst beim Ausfall wird die Reparatur durchgeführt. Dies führt unweigerlich zu ungeplanten Stillständen in der Leistungserbringung und erfordert eine rasche Verfügbarkeit der Ersatzteile. Kosten des Ausfalles sind mit den Kosten der Lagerhaltung von Ersatzteilen abzuwägen.

Im Gegensatz dazu versucht man unter Einsatz der vorbeugenden Strategie Ausfälle zu minimieren indem präventive Wartungsmaßnahmen gesetzt werden. Wartungsmaßnahmen sind somit planbar und führen zu geringeren Ausfallszeiten. Nachteil dieser Strategie ist die u.U. zu häufige Wartung mit vorzeitigem Austausch intakter Komponenten. Verschiedene Ausprägungen sind möglich, z.B. Zeit-, Nutzungs- oder zustandsbasierte Wartungspläne. Letztere erfordert bereits Zustandsinformationen die entweder durch manuelle Inspektionen oder in technisch fortgeschrittenen Systemen bereits über Sensoren eingeholt werden.

Predictive Maintenance (auch als vorausschauende Instandhaltung bezeichnet) ist die Erweiterung der zustandsabhängigen Instandhaltung. In den Modellen werden nicht nur aktuelle Zustandsdaten mit Soll-Zuständen verglichen, sondern versucht Muster in der Zustandsentwicklung zu identifizieren und auch auf die Zukunft gerichtete Daten einzubeziehen (Wetterprognosen, geplante Maschinenauslastung, etc.). Ziel ist die möglichst genaue Vorhersage, wann eine konkrete Anlage ausfallen wird.

Richtig eingesetzt hilft die PdM Strategie den Unternehmen, einen Wettbewerbsvorteil herauszuarbeiten. Es gilt die Themen

  • Effizienz (Kosteneffizienz in der Wartung, Maschinenauslastung)
  • Qualität (Produktqualität)
  • Service (Termintreue, Leistungsfähigkeit)

zu adressieren.

Untersuchungen belegen, dass sich Unternehmen bereits auf den Weg gemacht haben, diese Vorteile zu realisieren. Eine Studie zeigt (IBM/MIT Study in The New Intelligent Enterprise), dass die Anzahl an Unternehmen, die Analytics zum Zweck des weiteren Ausbaus von Wettbewerbsvorteilen nutzen, im Vergleich zur letzten Erhebung um 60 Prozent gestiegen ist. „Early Adopters“ der Analytics bauen also ihre Führungsposition weiter aus.

 

Wo wird diese Technologie verwendet?

Predictive Maintenance kann überall dort zum Einsatz kommen, wo Zustände von Anlagen oder Maschinen über Sensoren erfasst und einem zentralen Analytics System zugeführt werden können.

Insbesondere folgende Bedingungen sprechen für den Einsatz von PdM:

  • Knappe Anlagenkapazitäten
  • Hohe Stillstandskosten im Fehlerfall
  • Hohe Ersatzteilkosten
  • Lange Lieferzeiten für Ersatzteile
  • Hohe Erwartungen an Termintreue (Just-in-Time Produktion)

Erfolgreiche Fallbeispiele existieren u.a. für Windkraftanlagen, wo ungeplante Ausfälle nahezu vollständig vermieden werden konnten. Über Schwingungssensoren an kritischen Anlagenkomponenten werden die Zustandsdaten erfasst und über mathematische Verfahren analysiert. In Kombination mit externen Einflussfaktoren wie Wetter- und Strombedarfsvorhersagen können Prognosen zu sich anbahnenden Schäden erstellen werden und eine Planung von Wartungsmaßnahmen in geeigneten Zeitfenstern erfolgen. Hier gibt es Beispiele, in denen durch PdM Strategien Kosten von mehreren €100K in einzelnen Fehlerfällen eingespart werden konnten.

Auch im Bereich Automotive oder Rail-Infrastruktur, beides sehr Anlagen-/Maschinenintensive Branchen, existieren umfangreiche Optimierungspotentiale durch PdM.

 

Wie funktioniert die Technologie?

Anders als bei klassischen Methoden wird nicht mehr nur auf die Vergangenheit und den Status quo fokussiert, sondern auf das Erkennen statistischer Zusammenhänge und Zukunftsprognosen. Mathematische Vorhersagemodelle, die sich auch auf Mustererkennung in den Datenreihen der Sensoren stützen, sollen schon frühzeitig feststellen, wann sich Zustände in einen kritischen Bereich verändern werden.

Dazu werden immer mehr Produktionsanlagen, Maschinenparks und andere Betriebsmittel mit Sensoren ausgestattet.  Mit der ganzen Palette an Sensortechnologien wird der Anlagenzustand überwacht (Geräusche, dreidimensionalen Schwingungsdaten, Stromverbrauch, Systemdruck, Partikel im Schmiermitteln, Temperatur, etc.). Fortschritte in der Prozessor- und Speichertechnologie ermöglichen es zudem, die Vielzahl an Sensordaten mit überschaubaren Kosten zu speichern und bei Bedarf auch in Echtzeit zu verarbeiten.

 

Prozessschritte

Datenerfassung und Speicherung
Voraussetzung für die Anwendung von PdM ist die automatisierte kontinuierliche Aufzeichnung und zentrale Speicherung von Sensordaten. Daten von dislozierten Anlagen sind somit für die Analysemethoden zentral verfügbar.

Analyse und Auswertung

Schritt 1: Identifizieren der Fehler-Ereignisse (Targets) die aus den Sensordaten abgeleitet werden sollen. Die Gegenüberstellung von Fehler-Ereignissen zu den Sensordaten ist maßgeblich in der Erkennung von Mustern, die auf einen sich anbahnenden Fehlerfall hindeuten. Aus dieser Gegenüberstellung sollen jene Sensoren identifiziert werden, mit deren Datenreihen ein kausaler Zusammenhang zwischen Fehlerfall und bestimmten Datenmustern erkannt wird.

Schritt 2: Aus den identifizierten Sensordaten sollen die „Key Influencer“ ermittelt werden. Also jene Sensoren, die am meisten mit dem Ziel-Ereignis in Verbindung stehen. Somit kann die Anzahl an Variablen, die im Modell berücksichtigt werden, auf ein Minimum reduziert werden. Idealerweise sind es wenige Sensoren, die hier entscheidend sind.

Schritt 3: Identifizieren von fehlerhaften Sensordaten. Sensoren liefern nicht immer korrekte Ergebnisse. Über Regressionsmodelle wird versucht, Zusammenhänge zwischen Sensordaten zu erkennen. Erwartete Sensordaten auf der Basis von Datenreihen anderer Sensoren werden mit den tatsächlichen Sensordaten verglichen. Abweichungen zwischen errechneten und tatsächlichen Sensordaten deuten auf Anomalien in den Sensordaten hin. In einer Wahrscheinlichkeitsbewertung muss entschieden werden, ob diese Sensordaten für die Predictive Analytics Aussage herangezogen werden.

Die genannten Analysen führen zu tausenden Modellen, um die Zusammenhänge zu beschreiben. Automatisierte Predictive Systeme unterstützen hier beim Generieren dieser Modelle. Das Einbeziehen von externen Daten (Wetter etc.) und das Fortschreiben der Regressionsmodelle in die Zukunft, führt letztendlich zu den gewünschten Ergebnissen der PdM, die in das Instandahltungs­management einfließen.

 

Mag. Thomas Aigner
Erstellt: 2016-12-02
von: Mag.  Thomas Aigner