Smart Predictive Maintenance ist eine moderne Wartungstechnik, die mehrere Technologien und Wartungsansätze beinhaltet (einschließlich der leistungsstarken und fortschrittlichen Methode Predictive Maintenance (PdM)). Man könnte Smart Predictive Maintenance (SPdM) folgendermaßen definieren:
SPdM ist die kontinuierliche Überwachung und Analyse eines Netzwerks von Assets, die die Vorhersage und Benachrichtigung von potenziellen Ausfällen ermöglicht. Darüber hinaus über Wartungsplanung und Ersatzteilplanung informiert, sowie die Automatisierung von Wartungstasks.
Smart Predictive Maintenance geht auf dreierlei Art über die vorausschauende Wartung (PdM) hinaus:
1. SPdM überwacht ein Netzwerk von Assets, die über das Internet of Things (IoT) verbunden sind. Beim IoT geht es nicht nur ausschließlich um Sensoren und Aktoren. Der wahre Wert von IoT liegt in den digitalen Verbindungen, die es erzeugt. Digitale Informationen waren vor der Erfindung des Internets in den 1960er Jahren nicht sehr nützlich, da sie alle lokal auf einzelnen Computern gespeichert waren und nicht remote weitergegeben werden konnten. Das IoT verbindet Informationen ähnlich wie das Internet, nur das es Daten von operativen Technologien (OT) sind. Wenn Sie Ihre Assets vernetzen, können Sie die Integrität aller Assets in einem einzigen verwalteten Dashboard anzeigen. Außerdem erzeugt ein Netzwerk viel mehr Datenpunkte als einzelne Maschinen. Durch die Kombination der OT-Netzwerkdaten können Wartungsexperten Muster zwischen den Maschinenfehlern finden und eine maschinelle Lernplattform nutzen, die die Vorhersagealgorithmen im Laufe der Zeit optimieren bzw. verbessern kann.
2. SPdM ist im Stande einige Wartungsaufgaben zu automatisieren. Predictive Maintenance (PdM) kann potenzielle Fehler von Maschinen vorhersagen. SPdM geht jedoch noch einen Schritt weiter und automatisiert einige Wartungsaufgaben mithilfe von kognitiven Datenverarbeitungstechnologien. Wenn beispielsweise ein potenzieller Fehler in einem Asset erkannt wird, löst Smart Predictive Maintenance einen Wartungsauftrag aus, weist ihm einen Techniker zu und plant ein Ticket in einem CMMS (Computerized Maintenance Managed System). Als Nächstes könnte SPdM den Ersatzteilbestand prüfen, der erforderlich ist, um die fehlerhafte Komponente in einem ERP-System zu ersetzen und in den Arbeitsauftrag zu übernehmen. Wenn das entsprechende Teil nicht vorhanden ist, könnte SPdM eine Bestellanforderung im ERP-System anlegen, die nur noch vom Beschaffungsspezialisten genehmigt werden muss.
3. SPdM ist in andere Instandhaltungsmanagementsysteme integriert. Um bestimmte Aufgaben zu automatisieren, sollte die Predictive-Maintenance-Plattform entweder in das CMMS-, ERP- oder Manufacturing Execution System (MES) integriert werden. Herkömmliches PdM kann fehlschlagen, wenn es nicht in Ihre täglichen Wartungsverfahren integriert ist. Durch die Integration von SPdM mit anderen Wartungssystemen können Sie sowohl eine nachhaltige Plattform für Prozesse als auch das Potenzial zur Automatisierung von Wartungsprozessen im Laufe der Zeit entwickeln.
Fünf Schritte zu Smart Predictive Maintenance
Sobald die Wartungsstrategie und -prozesse definiert sind und erfolgreich implementiert wurden, kann man über den Einsatz von Technologiebeschleunigern zu Ihrem Wartungsprogramm nachdenken. Obwohl Technologie Ihr Wartungsprogramm in der Tat beschleunigen kann, wird eine Wartung nicht in der Regel an einem Tag durchgeführt. Der Schlüssel ist die Entwicklung einer gründlichen End-State-Vision und eine kleine Pilotphase. Abbildung 2 listet die fünf Schritte auf, die Sie ergreifen können, um SPdM zu erreichen.
Eine Pilotphase sollte in der Regel drei bis vier Monate in einer einzigen Produktionslinie oder bzw. nur ein oder zwei gut geeignete Assets in Anspruch nehmen. Sie kann zunächst die ersten beiden Schritte Asset Monitoring & Health und Condition Monitoring abdecken. Der Grund, warum Sie im Allgemeinen nicht direkt zur vorausschauenden Wartung übergehen können, besteht darin, dass es einige Zeit in Anspruch nehmen wird um Datenerfassungsprozesse einzurichten. Was aber am wichtigsten ist, das Asset muss mindestens einige Male ausfallen bzw. die definierte Toleranzgrenze muss überschritten werden, um Algorithmen auf sie sinnvoll anwenden zu können. Je öfter eine Maschine mit der Zeit ausfällt, desto besser werden die Vorhersagen bzw. Modelle werden.
Sobald Daten zuverlässig erfasst werden und ein Asset genügend Fehlerdaten geliefert hat, können die Fehlerschwellenwerte optimiert werden. Dann kann ein Datenwissenschaftler, der in der statistischen Analyse versiert ist, mit der Erstellung von Vorhersagemodellen beginnen. Durch vorausschauende Wartung können die Maschinenverfügbarkeit und die Betriebszeit häufig um 20 bis 30 Prozent gesteigert werden. Je mehr Fehler auftreten, desto besser kann eine maschinelle Lernplattform die Ausfalldaten überwachen und die Algorithmen aktualisieren. Dadurch kann man die Prognosefähigkeit bei jedem Ausfall erhöhen, mit dem Ziel ungeplante Ausfallzeiten zu minimieren. Die Einrichtung und Entwicklung einer solchen Plattform kann einige Zeit in Anspruch nehmen, weshalb es sehr wichtig ist, frühzeitig damit zu beginnen und sich zunächst auf die wichtigsten Ressourcen zu konzentrieren.
[bctt tweet=”Smart Predictive Maintenance: Der Schlüssel zu Industrie 4.0 #industrie40 #PredictiveMaintenance #Automation #IoT” username=”AISOMA_AG”]
Unternehmen der Energie- und Raumfahrtindustrie setzen seit Jahren PdM-Techniken ein und werden sich in naher Zukunft wahrscheinlich auf SPdM zubewegen. Wie oben beschrieben, kann eine derartige Wartungsstrategie der Schlüssel zur Verbesserung des Durchsatzes, der Effizienz, der Qualität und der Sicherheit einer Anlage sein. Gleichzeitig können der Wartungsaufwand und die Kosten für die Ersatzteilhaltung gesenkt werden. Und was noch wichtiger ist: Der Weg zu SPdM ist eine Reise, die mit einem kleinen Schritt beginnt. Egal, wo Sie sich auf Ihrer Wartungsreise befinden, wir von AISOMA können Sie dabei mit unseren Experten unterstützen. Sprechen Sie uns an.
Kontakt: info@aisoma.de
Ihr AISOMA Team
Weitere Artikel zum Themngebiet Predictive Maintenance