Predictive Maintenance optimiert Wartung

Sie sind verantwortlich für die Instandhaltung mehrerer (komplexer) Maschinen oder Anlagen und sind daran interessiert

• defekte Teile frühzeitig auszutauschen,
• die Restlebensdauer von Teilen zuverlässig zu bestimmen,
• ungeplante Produktionsausfälle zu vermeiden und
• so Kosten zu sparen und Kunden zuverlässig bedienen zu können?

Dann könnte Predictive Maintenance das Mittel der Wahl sein, um Ihre Ziele zu erreichen. Oder informieren Sie sich einfach so auf dieser Seite über diesen spannenden Data-Science-Use-Case und seine Anwendungen.

Ausgangsbasis Eine typische Predictive-Maintenance-Fragestellung

Eine große Anlage ist mit einer Vielzahl an Sensoren ausgestattet, die in kurzen Zeitabständen Messwerte erfassen. Von diesen Messwerten erhofft man sich, frühzeitig Informationen zu bekommen, wenn in der Anlage ein ungewöhnlicher Zustand herrscht. Solche Fehlerzustände sollen frühzeitig erkannt und angegangen werden. Dabei ist zu beachten, dass die Werte der Sensoren häufig stark von äußeren Bedingungen und voneinander abhängig sind. Welche Wartungsarbeiten sind notwendig und wann sollten diese sinnvollerweise durchgeführt werden?

Was zu tun ist Lösung: Multivariates Monitoring von Sensoren

Multivariates Monitoring von Sensoren unterstützt die Erkennung von Fehlerzuständen. Das heißt insbesondere, dass nicht nur das Verhalten und der Verlauf einzelner Sensoren entscheidend ist, sondern wie sich verschiedene Sensoren zueinander verhalten. Im Falle von unerwartetem Verhalten der Sensoren, beispielsweise beim Überschreiten gewisser Schwellen, können automatisch Warnsignale ausgegeben werden. Ein großer Vorteil ist, dass solche kritischen Schwellen mittels Data Analytics ermittelt werden können und nicht durch Experten vorgegeben werden müssen. Gerade im Fall komplexer Wechselwirkungen zwischen Sensoren ist das ein großer Vorteil.

Durch diese vorausschauenden Analysen können Wartungsarbeiten frühzeitig geplant werden. Ein Nutzer-Dashboard ermöglicht das Anzeigen von Signalen sowie das Zurückverfolgen der Fehlerursache bzw. Fehlerposition. Indem Nutzer Feedback zu den gemeldeten Signalen geben, können zugrundeliegende Verfahren der künstlichen Intelligenz sukzessive hinzulernen und auf Dauer noch verlässlicher ungewöhnliches Verhalten in der Anlage erkennen und melden.

Wenn Fehler häufig auftreten, können Machine-Learning-Verfahren dabei unterstützen, die Muster und Zusammenhänge zu erkennen, die zu den jeweiligen Fehlern führen. Nicht selten werden auf diese Weise derartige Zusammenhänge überhaupt erst sichtbar und können künftig in Betracht genommen werden. So genügt es, erst dann Maßnahmen zu ergreifen, wenn der Verschleiß von Bau- oder Maschinenteilen auch wirklich akut wird und nicht, wenn beispielsweise ein bestimmter vorgegebener Zeitraum seit dem letzten Austausch vergangen ist. Das spart Zeit und Mühe.

Weitere Informationen Videomaterial rund um das Thema 'Predictive Maintenance'

Einen Deep Dive in den Data-Science-Use-Case “Planning Maintenance Activities with Data Analytics” am Beispiel des Monitorings von Windkraftanlagen vermittelt das Video "Planning Maintenance Activities with Data Analytics".

Blogartikel rund um das Thema ‘Predictive Maintenance’