Big Data für die präventive und prädiktive Instandhaltung
Jeder Produktionsprozess, insbesondere wenn er mit Maschinen verbunden ist, erfordert eine Instandhaltung. Wenn wir eine routinemäßige Wartung der Anlagen sicherstellen – Ölwechsel, Schmierung, Austausch von Teilen –, gewährleisten wir das korrekte Funktionieren der Geräte während langer Arbeitstage und vermeiden unerwartete, ungeplante Stillstände durch Verschleiß.
Beim Kauf einer Industrieanlage liefert der Hersteller in der Regel Informationen über die Häufigkeit der Durchführung der präventiven Instandhaltung, um deren ordnungsgemäße Funktion über die gesamte Lebensdauer sicherzustellen.
Viele dieser Ergebnisse werden jedoch durch Interpolation von Labortests gewonnen. Die Festlegung des idealen Zeitpunkts für die präventive Instandhaltung erweist sich als komplexer Prozess. Zudem erfordern die Besonderheiten jedes Unternehmens, die intensive Nutzung bestimmter, für den Produktionsprozess vorteilhafterer Merkmale sowie unfallbedingte Defekte eine Anpassung der Instandhaltung an die Bedürfnisse der Anlagen.
Diese neue Schätzung wird von den verantwortlichen Personen auf der Grundlage ihrer Erfahrung vorgenommen und anschließend durch Versuch und Irrtum validiert.
Das „Hören“ auf die Anlagen reduziert unerwartete Stillstände
Es wird geschätzt, dass etwa 30 % der präventiven Instandhaltungsmaßnahmen unnötig sind. Zudem führen sie zu Eingriffen an den Geräten, die deren spätere Leistung beeinträchtigen können – sei es durch die Demontage von Teilen oder die Notwendigkeit, einen gesamten Prozess vollständig zu stoppen. Dies wirkt sich direkt auf die Produktionskosten und die Umwelt aus, insbesondere bei umweltbelastenden Produkten wie Ölen oder Kühlschmierstoffen.
Trotz aller Bemühungen treten immer wieder Situationen auf, die eine Unterbrechung des regulären Betriebs der Anlagen erzwingen. Diese Art von unerwarteten Stillständen kann auf unbekannte mechanische Defekte zurückgeführt werden. Bis die Ursache oder die Kombination von Ursachen gefunden ist, die eine Fortsetzung verhindern, sind Unternehmen und Mitarbeiter hohem Stress ausgesetzt, im besten Fall nur über kurze Zeiträume.
Wie lässt sich die perfekte präventive Instandhaltung berechnen?
Bei Baitech verfügen wir über Systeme, die eine effektive und reale präventive Instandhaltung auf Datenbasis gewährleisten, indem sie modernste Technologien und Werkzeuge der prädiktiven Instandhaltung nutzen. Ausfallzeiten, Überlastungen bei anomalen Prozessen, klimatische Bedingungen und andere Aspekte werden berücksichtigt, um basierend auf historischen Daten einen Indikator für den aktuellen Zustand der Anlagenkomponenten zu liefern. Diese Informationen werden über interaktive Dashboards visualisiert, die den tatsächlichen Zustand der Anlagen zeigen und so die Festlegung eines effizienten präventiven Instandhaltungsplans ermöglichen, der auf die realen Bedürfnisse der Anlagen zugeschnitten ist.
Doch daraus ergibt sich eine Frage: Was ist der Unterschied zwischen präventiver und prädiktiver Instandhaltung auf Basis von Big Data?
Unterschiede zwischen prädiktiver und präventiver Instandhaltung
Es stimmt, dass sie konzeptionell sehr ähnlich sind; beide basieren auf Anlageninformationen, um den optimalen Zeitpunkt für einen Austausch zu bestimmen, wodurch unnötige Prozesse und unerwartete Stillstände erheblich reduziert werden. Dennoch gibt es ein Unterscheidungsmerkmal, das den gleichzeitigen Einsatz beider Ansätze empfehlenswert macht: die Analyse der Vernetzung zwischen den von den Anlagen gelieferten Daten.
Einerseits ist der Einsatz von Big Data in präventiven Instandhaltungsprozessen sehr nützlich, um den optimalen Zeitpunkt für den Austausch von Komponenten oder Elementen zu bestimmen, die früher oder später gewechselt werden müssen, wie etwa Öle oder Kühlschmierstoffe. Basierend auf den tatsächlichen Betriebsstunden, die durch IoT-Geräte zur Datenerfassung in der Fertigung erfasst werden, sowie der Beanspruchung während dieser Stunden, können wir den exakten Verschleißzustand der Komponenten bestimmen. Dies ermöglicht es den Instandhaltungsteams, den idealen Zeitpunkt für deren Austausch festzulegen.
Was die prädiktive Instandhaltung ausmacht: Ihr Ziel ist die Überwachung und Sicherstellung der korrekten Funktion von Komponenten, für die kein programmierter Austauschprozess vorgesehen ist, wie etwa Lager, Pneumatikventile oder Greifer, um unerwartete Stillstände frühzeitig zu vermeiden. Zudem verfügt die prädiktive Instandhaltung über einen sehr wichtigen Faktor: die Korrelation von Variablen. Damit lässt sich der Verschleiß in den Prozessen bestimmen und quantifizieren.
Für die prädiktive Instandhaltung von Hardware, beispielsweise auf Basis von Machine Learning, sind andere, komplexere Informationen erforderlich als bei der präventiven Instandhaltung, die nicht auf einfachen Ursache-Wirkungs-Prinzipien beruhen. Dieselbe Korrelation von Variablen kann in einigen Fällen zu der einen oder anderen Art von Fehler führen, je nachdem, in welcher Situation sich jede einzelne Variable befindet.
Für diese Art von Berechnungen auf Basis mathematischer Modelle verfügen wir bei Baitech über eine Abteilung für Advanced Analytics in Kombination mit den besten prädiktiven Instandhaltungstechnologien. Dies ermöglicht es uns, unseren Kunden eine globale Sicht auf ihre Daten zu bieten. Wir verstehen ihre Prozesse und wissen, wie die Interaktion der Informationen ihrer Anlagen einen Mehrwert in ihrer Wertschöpfungskette schaffen kann.