Aus Daten Nutzen schöpfen: Wie Predictive Maintenance Produktivität und Effizienz steigert

So können Unternehmen die Predictive Maintenance-Reise gelassen starten

In der heutigen immer digitaleren Welt kann Predictive Maintenance wesentlich einfacher in die Tat umgesetzt werden, als so mancher denkt. So kann eine vorausschauende Wartungsstrategie etwa bereits verfügbare Daten von Komponenten nutzen und diese Informationen analysieren, um Störsignale hervorzuheben, die auf einen potenziellen Ausfall hinweisen können. Offensichtliche Beispiele sind Vibrationen oder Temperaturen. Da die meisten Komponenten mit einer definierten Grundschwingung oder einer regelmäßigen Betriebstemperatur laufen, ermöglicht die Überwachung dieser Kenngrößen die Identifizierung von Veränderungen, die auf einen beginnenden Ausfall einer Komponente hindeuten können. Eine genauere Betrachtung dieser Parameter ermöglicht es vorherzusagen, wann ein Maschinenausfall droht. Der erste Schritt auf dem Weg zur vorausschauenden Instandhaltung besteht darin, kritische Elemente des Prozesses zu identifizieren. Was sind historisch gesehen die Hauptursachen für ungeplante Stillstände, und wo im System treten sie auf? Auf diese Weise können Unternehmen grundlegende Informationen über die Datenerfassungsmöglichkeiten ihrer Systeme sammeln und für ihre ersten Analysen nutzen.

Häufig sind die kritischen Komponenten, um die es hier geht, Motoren und mechanische Elemente wie Magnetventile. Das Hinzufügen von Predictive Maintenance-Lösungen stellt in der Regel eine einfache Aufgabe dar, und oft müssen diese auch nicht mit weiteren Systemen gekoppelt werden. Zusätzliche Technologie ist meist nicht erforderlich. Lediglich die Fähigkeit zur Datenaufzeichnung muss gegeben sein. Viele drehzahlgeregelten Antriebe besitzen etwa bereits eine Stromüberwachungsfunktion, so dass die Daten bereits verfügbar sind. Wenn ein Umrichter diese Funktion nicht bietet, lassen sich stattdessen Stromwandler an den Motoren einsetzen. Schwingungssensoren können erhöhte oder sich ändernde Schwingungspegel erkennen, die helfen, einen Ausfall vorherzusagen, während Pneumatik-Komponenten Positionssensoren enthalten, mit denen sich der Zustand des Geräts durch Analyse der Ein- und Ausfahrzeit bestimmen lässt.

Daten verlässlich erfassen und bewerten

Eine Herausforderung besteht allerdings darin, dass Daten unterschiedlich interpretiert werden müssen. Zum Beispiel zeichnen die meisten Maschinen die Stopp- und Startpositionen des Magneten auf, doch für die vorausschauende Wartung muss die Zeit aufgezeichnet werden, die benötigt wird, um von einem Punkt zum anderen zu gelangen. Diese Zeit sollte stetig sein, denn jede Abweichung kann auf ein Problem mit dem Zylinder hindeuten. Nachdem Unternehmen ihre individuellen Lösungen zur Datenerfassung identifiziert haben, ist der folgerichtige Schritt die Bewertung der Datenerfassungsoptionen. Einige veraltete Steuerungssysteme verfügen über keine Datenerfassungsfunktion. Es ist verständlich, dass hier kein Appetit auf eine kompletten Technologiewechsel herrscht, nur um diese eine Aufgabe zu bewältigen. Eine bewährte Alternative ist es, eine sekundäre Automatisierungsschicht hinzuzufügen, um ausschließlich Daten zu erfassen und eine Schnittstelle zum Überwachungssystem zu schaffen. Dies ist recht kostengünstig, da keine Steuerungsfunktionen erforderlich sind.

Jedes Unternehmen muss den für sich passenden Wartungs-Mix finden

Es gibt verschiedene Stufen der vorausschauenden Wartung, und sobald Firmen beginnen, große Datenmengen zu sammeln, wächst die Komplexität. Außerdem kann es schwierig sein, Messwerte herauszufiltern, die sich auf normale Unterbrechungen beziehen, aber einen auffälligen Datensatz verursachen können. Das periodische Beladen einer Maschine kann zum Beispiel eine Schwingungsspitze verursachen, oder es kann eine sich wiederholende Abfolge im Prozess ergeben, die eine Zunahme der Schwingungen und damit eine Variation in den Messungen verursacht.

Auf künstlicher Intelligenz (KI) basierende Technologie kann in diesem Zusammenhang eine gute Lösung bieten: Durch sie lassen sich Muster schnell erlernen und regelmäßige Aktivitäten herausfiltern, während anomale Zustände erkannt und hervorgehoben werden. Edge-basierte KI-Lösungen eignen sich hervorragend für die Überwachung von Informationen aus einer relativ kleinen Anzahl von Datensätzen in Echtzeit, um eine sofortige Datenanalyse zu ermöglichen, mit der sich Geräte regelmäßig anpassen lassen.

Fazit: Integrierten Maintenance-Funktionen gehört die Zukunft

Wachsende Datenmengen in der Fabrik und eine verbesserte Verfügbarkeit einfacher Analysewerkzeuge haben dazu geführt, dass die Wartungsfunktion eine wichtige Säule zur Schöpfung von Produktivitätssteigerungen wird. Automatisierungsanbieter, die die wichtige Rolle der Predictive Maintenance erkannt haben, haben bereits Lösungen entwickelt, die Wartungsfunktionen in ihr Angebot integrieren. Die neueste Generation von OMRON-Robotern enthält beispielsweise integrierte Wartungsfunktionen, die Daten leicht zugänglich macht, um Predictive Maintenance zu vereinfachen. Künftig wird Wartung eine integrale Funktion zahlreicher weiterer Komponenten sein. Speziell die Sensortechnologie adressiert diesen Bedarf eindringlich. Vibrationssensoren haben zwar bereits einen analogen Ausgang. Jedoch ist ihre Frequenz für die meisten Steuerungen viel zu hoch, um sie aufzuzeichnen. Heute werden stattdessen vermehrt Sensoren mit Schnittstelle entwickelt, die das Sammeln und Senden von Daten an Analysepakete ermöglicht. In nicht allzu ferner Zukunft wird die Sensorik nicht mehr nur für Wartungsaufgaben eingesetzt oder ausgewertet, sondern in bestehende Systeme integriert sein. Dies wird dazu beitragen, dass innovative Wartungskonzepte vermehrt einen positiven Beitrag zum Unternehmenserfolg leisten, indem sie die Produktivität steigern und Ausschuß minimieren.