Predictive Maintenance

Von Produktionsoptimierung zu neuen Servicemodellen.

Predictive Maintenance

Predictive Maintenance gehört zu den zentralen Anwendungsfällen innerhalb der Industrie 4.0.

Die Analyse von großen Datenmengen, die über vernetzte Sensoren aus dem Betrieb erhoben werden, ermöglicht es, verlässliche Voraussagen zu treffen, wie sich der Zustand von Maschinen und Anlagen über die Zeit entwickeln wird und wann eine Wartung vorzunehmen ist.

Der Zustand der Produktionsanlagen hat auch direkten Einfluss auf die Produktqualität; somit ist Predictive Maintenance eng mit Predictive Quality verbunden. Letztlich erlauben die neuen technologischen Szenarien auch die Entwicklung innovativer Servicemodelle, durch die Maschinenhersteller neue Standards im Bereich Kundenbeziehungsmanagement setzen können.

Modell und Infrastruktur

Den Kern jedes Predictive Maintenance Szenarios bildet das Vorhersagemodell: Die Modellierung beginnt mit der Identifikation der Parameter, wie etwa Temperatur, Druck oder Vibration, die mit dem Verschleiß korrelieren, und der zeitlichen Entwicklung dieser Parameter im Betrieb. Die Grundlage sind bereits erhobene Daten. Die Anwendung des Modells auf historische Datenbestände erlaubt die Überprüfung und die Verfeinerung, bis die Vorhersage hinreichend genau ist. Durch den Einsatz von Machine Learning Technologie werden die Modelle zudem mit der Zeit immer smarter und die Prognosekraft steigt stetig.

Dazu müssen sowohl die IT Infrastruktur wie auch die Netzwerke dem hohen Datenaufkommen gewachsen sein. Die Stichworte lauten Big Data und Internet der Dinge. Entscheidend ist hierbei, dass die unterschiedlichen Datentypen miteinander in Einklang gebracht werden, um Korrelationen aufdecken zu können. Der Einsatz von Cloud Computing Technologie bietet in diesem Kontext einige zentrale Vorteile wie hohe Skalierbarkeit und standortunabhängigen Zugriff über das Internet..

Der Wert von Reply

Mit Brick Reply bietet Reply eine umfassende Manufacturing Operations Management Plattform, die alle Ausrüstung im Produktionsbereich integriert und deren Daten für ein großes Spektrum von Anwendungen zur Verfügung stellt. Durch die Verbindung mit Senseye, können die Daten aus dem Zustandsmonitoring problemlos für Prognosen und Predictive Maintenance Zwecke ausgewertet werden.

Reply unterstützt Unternehmen aus der Industrie zudem bei der Entwicklung zielführender Innovationen, dem Service Design, dem Einsatz neuester Technologie zur Schaffung zukunftsweisender Geschäftsmodelle und durch Management Consulting, um den Transformationsprozess in Unternehmen entlang der Paradigmen von Industrie 4.0 erfolgreich voranzutreiben.

Reply verfügt in allen relevanten Bereichen über umfangreiche Erfahrung: Machine Learning, Cloud Computing, Data Science sowie IoT und Architecture.

Predictive Maintenance in der Praxis

Je höher die Anforderungen an die Präzision bei der Herstellung eines Produktes, desto geringer ist die Toleranz bei Abweichungen von Produktionsparametern. In einem stahlverarbeitenden Betrieb, der Präzisionsbauteile für die Pharma-, chemische oder Automobilindustrie herstellt, lassen sich durch das Monitoring der Produktionsbedingungen Fehler im Endprodukt sehr genau vorhersagen. Diese Erkenntnisse ermöglichen es, im laufenden Produktionsprozess schnell zu reagieren und ggf. nachgelagerte Produktionsschritte in den „Energiesparmodus“ zu versetzen, wenn notwendige Nachbesserungen am Produkt den Prozess verzögern.

Zum anderen werden Zusammenhänge zwischen Fehlerhäufigkeit und der Leistung der Produktionsanlage sichtbar. Wartungsarbeiten können so geplant werden, dass vorab definierte Grenzwerte eingehalten werden. Diese proaktive Instandhaltung verhindert kostenintensive, ungeplante Produktionsausfälle und trägt zugleich maßgeblich zur vorausschauenden Qualitätssicherung bei.

Die wesentlichen Vorteile für das produzierende Gewerbe bestehen in einer höheren Overall Equipment Effectiveness (OEE) durch:

  • Höherer Verfügbarkeitsfaktor durch effizientere Planbarkeit von Wartungszeitpunkten;
  • Erhöhung der Produktqualität durch schnellere Identifizierung und Beseitigung der Ursachen von Qualitätsabweichungen;
  • Reduktion von Gewährleistungsfällen und des Ausschusses durch die erhöhte Produktqualität.

Neue Servicemodelle auf dem Weg zur integrierten Industrie

Auf der Seite der Maschinenhersteller eröffnet der Einsatz vernetzter Sensoren auch völlig neue Servicemodelle. Dank Datenaustausch über das Internet der Dinge sind Vorhersagen über den Ausfallzeitpunkt von Verschleißteilen möglich. Serviceteams können so wegeoptimiert entsandt werden, noch bevor es zu einem Ausfall der Maschine beim Kunden vor Ort kommt. Dieser proaktive Service hat gegenüber dem klassischen, reaktiven Ansatz deutliche Vorteile: Es gibt für den Kunden zu keiner Zeit Grund zur Unzufriedenheit. Damit können auch Pay-per-Perfomance-Modelle realisiert werden, die in einer kundenzentrierten Strategie zur Differenzierung vom Wettbewerb dienen. Auf der Maschinenherstellerseite liegen die wesentlichen Vorteile in:

  • Echtzeit-optimierte Lagerhaltung von Ersatzteilen;
  • Effizienzsteigerung bei der Planung und Durchführung von Serviceeinsätzen;
  • Zufriedenere Kunden durch proaktiven Service;
  • Verlässliche Datengrundlage für Produktverbesserungs- und Innovationsprozesse;

Diese Verzahnung von Hersteller und Anwender macht deutlich, wie über Predictive Maintenance ein großer Schritt in Richtung integrierter Industrie gelingt. Die Daten aus dem Produktionsprozess, die für Predictive Maintenance erhoben werden, bieten die Chance einer weiteren Digitalisierung der Prozesse im Bereich von Produktion und Service Management. Dadurch können zusätzliche Mehrwerte auf Seiten der Hersteller und Anwender geschaffen werden.