Cloud-gestützte vorausschauende Wartung

Einführung in die Predictive Maintenance

| Autor / Redakteur: Peter Portner* / Florian Karlstetter

Die Vorzüge cloud-gestützter vorausschauender Wartung am Beispiel von Senseye.
Die Vorzüge cloud-gestützter vorausschauender Wartung am Beispiel von Senseye. (Bild: © Gorodenkoff - stock.adobe.com)

Bereits heute sind in Deutschland etwa 25 Prozent der industriellen Produktionsanlagen mit moderner Sensorik ausgestattet, die über den Status ihrer Maschinen Auskunft gibt. So werden beispielsweise Temperatur, Druck oder Rotationen in den jeweiligen Maschinen gemessen. Diese Daten können genutzt werden, um Unregelmäßigkeiten frühzeitig zu Erkennen und notwendige Reparaturen einzuleiten, bevor die Maschine ihren Dienst quittiert.

Mit stetiger Erneuerung und Modernisierung der Produktionsstätten, wächst die verfügbare Datenmenge unaufhaltsam. Um diesen Überfluss an Daten in verwertbare Informationen zu gießen, bedarf es in der Regel eines dedizierten Datenanalysten. Dies ist eines der größten Hemmnisse für viele Unternehmer, Predictive Maintenance in ihrem Betrieb zu implementieren. In einer Studie befragte Bearing Point 74 Unternehmen zum Thema „Maschinenverfügbarkeit rauf, Wartungs- und Servicekosten runter“. Darin gaben 61 Prozent der Befragten an, der Implementierungsaufwand halte sie bisher davon ab, Predictive Maintenance zu nutzen. Viele Unternehmen zögern deshalb mit der Umstellung, obwohl ihre Produktionsstätten bereits über die notwendige Sensorik verfügen.

Im Gegensatz zur Condition Based Maintenance, die in fest geregelten Abständen eine Kontrolle aller Komponenten vorschreibt, wird mit Predictive Maintenance eine Wartungsarbeit gezielt und nur bei Bedarf initiiert. Je nach Grad der Implementierung wird auch der Bestellprozess für Ersatzteile automatisiert. Das Ersatzteil muss nicht auf Vorrat gelagert werden und steht dennoch zum geplanten Reparaturtermin zur Verfügung.

Eine flexible und skalierbare Lösung bietet die cloudbasierte Auswertung dieser prozessproduzierten Daten. Die Datenauslagerung, wie sie beispielsweise bei Senseye praktiziert wird, entledigt deren Kunden der Notwendigkeit, tiefgreifende Expertise im eigenen Haus aufbauen zu müssen. Die stetig übermittelten Daten werden von einer KI in Echtzeit verarbeitet und geben über eine App Auskunft über den aktuellen Zustand aller verbundenen Maschinen. Mithilfe eines Ampelsystems können sich die Mitarbeiter schnell einen Überblick über den Zustand der Maschinen verschaffen: Grün steht für problemlose Funktionalität, gelb signalisiert einen bevorstehenden Wartungsbedarf und Rot veranlasst unmittelbare Wartung.

Vorteile einer KI-gestützten Datenanalyse

Die Prognosequalität der KI-basierten Datenanalyse ist dabei deutlich höher als die bisherige Best Practice der Expertenanalyse. Der Vorteil des selbstlernenden Algorithmus erschöpft sich dabei nicht in der Tatsache, dass er große Datenmengen in Echtzeit verarbeitet. Entscheidend für den Zugewinn an Prognosequalität ist die Ermittlung aller Indikatoren, die einen bevorstehenden Defekt ankündigen.

Die KI wird in einer 14-tägigen Trainingsperiode mit Daten aus dem laufenden Betrieb gespeist. Dabei lernt der Algorithmus das normale Verhalten aller verbundenen Maschinen kennen und definiert die Anzeichen für einen bevorstehenden Ausfall. Diese Herangehensweise ist der herkömmlichen Wartungsroutine dahingehend überlegen, dass bereits feine Schwankungen im Datensatz ausreichen, um Reparaturbedarf frühzeitig zu erkennen. Der klassische Ansatz erkennt einen Maschinenausfall oft erst, nachdem der Schaden bereits entstanden ist und die Maschine oder Teile von ihr ersetzt werden müssen.

Besonders für große Unternehmen ist die Skalierbarkeit cloudbasierter Lösung ein wichtiges Verkaufsargument. Ein spezialisierter Techniker kann nur eine begrenzte Anzahl an Maschinen zuverlässig überwachen und warten. Die Kosten steigen signifikant mit jeder zusätzlichen Maschine.

Die automatisierte Datenanalyse stellt diese Kostendynamik auf den Kopf. Mit steigender Anzahl der überwachten Maschinen und zunehmender Größe des zu analysierenden Datensatzes erhöht sich die Prognosequalität und sinken die Kosten pro überwachter Komponente.

Ob es sich für den eigenen Betrieb lohnt, auf Predictive Maintenance umzusteigen, muss im Einzelfall abgewogen werden. Sind die betriebseigenen Produktionsstätten auf dem neuesten Stand, besitzen sie in der Regel bereits alle notwendigen Sensoren – die Implementierung kann somit ohne größere Hürden gestartet werden. Besonders für kleinere Betriebe mit alten Maschinen stellen die notwendigen Investitionen jedoch oft ein schwer überwindbares Hindernis dar. Stimmen jedoch die Voraussetzungen im jeweiligen Betrieb, stellt sich der erste messbare Mehrwert bereits nach zwei Wochen ein. Nach dieser Zeit ist nämlich das initiale Training der KI abgeschlossen; die ersten Prognosen sind ab diesem Zeitpunkt verfügbar.

Entscheider sollten darauf achten, dass die angedachte Lösung einen möglichst schnellen Return of Investment garantiert. Einige Lösungen bieten beispielsweise einen ROI von durchschnittlich drei Monaten. Anfänglich wird eine Reduktion der Ausfallzeit von mindestens 20 Prozent versprochen. Dieser Wert kann später auf bis zu 40 Prozent ansteigen. Je nach Sensibilität für Ausfälle und die damit entstandenen Kosten, kann sich hier schnell eine Kosteneinsparung von 10 Prozent im laufenden Betrieb einstellen.

Fazit

Peter Portner ist Managing Director DACH bei Senseye.
Peter Portner ist Managing Director DACH bei Senseye. (Bild: Senseye)

Ob sich die Umstellung des Unternehmens auf cloudbasierte Predictive Maintenance lohnt, muss im Einzelfall entschieden werden.

Als Regel kann man festhalten: Je größer die Produktionsstätte und je moderner die Maschinen, desto schneller macht sich die Investition in Predictive Maintenance bezahlt.

Früher oder später werden sich alle Betriebe des produzierenden Gewerbes an die neuen Anforderungen der Industrie 4.0 anpassen müssen, sofern sie nicht abgehängt werden wollen.

Der Autor: Peter Portner ist Managing Director DACH bei Senseye.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 46309083 / System-Management)