Anwen­dungs­fall im Maschi­nen- und Anlagenbau

Predictive Maintenance

Pro­ak­ti­ve Durch­füh­rung von War­tun­gen und Ver­mei­dung von Still­stän­den durch die Über­wa­chung und Ana­ly­se von Live-Daten.

Typische Problemstellung in der Industrie

Pro­duk­ti­ons­an­la­gen sind für Indus­trie­un­ter­neh­men ein wich­ti­ges Kapi­tal und zen­tral für deren Wert­schöp­fungs­pro­zess. Jedoch gestal­tet sich deren War­tung und Instand­hal­tung oft zeit- und kos­ten­in­ten­siv, da sich in der Pro­duk­ti­on der Indus­trie der Ver­schleiß von Werk­zeu­gen, Kom­po­nen­ten und Bau­tei­len in einer Maschi­ne oder Anla­ge teil­wei­se sehr unter­schied­lich voll­zieht. Die Tei­le wer­den je nach Nut­zung, Fer­ti­gungs­ein­satz und Belas­tung sowie Ein­satz­zeit oder Betriebs­zeit der Maschi­ne unter­schied­lich stark bean­sprucht. Als wei­te­re Ein­fluss­fak­to­ren wir­ken Umge­bungs­be­din­gun­gen, wie bspw. Tem­pe­ra­tur, Luft­feuch­tig­keit oder Staub sowie auch die Häu­fig­keit der War­tung und Instandhaltung.

Häu­fig wer­den Bau­tei­le bei der War­tung oder Instand­hal­tung gemäß Ser­vice- und War­tungs­plan des Her­stel­lers aus­ge­tauscht, um Stö­run­gen und damit einen unge­plan­ten Still­stand auf­grund eines Maschi­nen­aus­falls oder des Ver­sa­gens einer Kom­po­nen­ten wäh­rend des Betriebs zu ver­mei­den.  Dies geschieht auch dann, wenn Ele­men­te noch eine aus­rei­chen­de Rest­le­bens­dau­er bis zum nächs­ten War­tungs­ter­min haben, da der tat­säch­li­che Ver­schleiß meist unbe­rück­sich­tigt bleibt. Trotz­dem, dass der vor­ge­ge­be­ne und star­re War­tungs­plan nach Zeit­vor­ga­ben ein­ge­hal­ten wur­de, kön­nen wei­ter­hin unge­plan­te Aus­fäl­le und Still­stands­zei­ten auf­tre­ten. Auch der mensch­li­che Ein­fluss­fak­tor, der auf die Kom­pe­tenz und Gewis­sen­haf­tig­keit des jewei­li­gen Ser­vice­tech­ni­kers zurück­zu­füh­ren ist, wirkt in sel­te­nen Fäl­len hier eben­falls mit. 

Somit wer­den einer­seits die Lebens­dau­er der Kom­po­nen­ten und Tei­le in der Regel nicht voll­stän­dig aus­ge­nutzt und damit Wer­te unge­nutzt “ver­schenkt”. Ande­rer­seits ver­ur­sa­chen die kalen­der­ori­en­tier­ten regel­mä­ßi­gen War­tun­gen nach Vor­ga­ben der Her­stel­ler meist hohe Kos­ten. Die trotz­dem auf­tre­ten­den, unge­plan­ten Still­stän­de und Aus­fall­zei­ten stö­ren den Pro­duk­ti­ons­pro­zess und sind zusätz­lich teuer.

Doch wie kön­nen Unter­neh­men hier Abhil­fe schaf­fen und vor­aus­schau­end agieren?

Was ist Predicitve Maintenance?

Pre­dic­ti­ve Main­ten­an­ce (vor­aus­schau­en­de War­tung) trifft durch den Ver­gleich von his­to­ri­schen mit Echt­zeit-Daten Vor­her­sa­gen über den zuneh­men­den Ver­schleiß und Schä­di­gungs­ver­lauf für ein­zel­nen Tei­len oder Kom­po­nen­ten von Maschi­nen. Dadurch sol­len Stö­run­gen und unge­plan­te Still­stän­de von Maschi­nen und Anla­gen ver­hin­dert wer­den.  Durch Mus­ter- und Ano­ma­lie­er­ken­nung wer­den auf Basis der Maschi­nen­da­ten recht­zei­ti­ge Zeit­punk­te für War­tung und Instand­hal­tung abge­lei­tet. Pre­dic­ti­ve Main­ten­an­ce setzt des­halb die Erfas­sung instand­hal­tungs­re­le­van­ter Daten ent­spre­chend des Con­di­ti­on Moni­to­rings voraus.

Predictive Maintenance als Lösung

Um die Funk­ti­on und den ord­nungs­ge­mä­ßen Zustand von Tei­len in der Maschi­ne oder Anla­ge sicher­zu­stel­len, wer­den kri­ti­sche bzw. ver­schleiß­be­haf­te­te Kom­po­nen­ten, Bau­tei­le und Aggre­ga­te mit Sen­so­ren aus­ge­stat­tet. So besteht die Mög­lich­keit zur Erfas­sung rele­van­ter Zustands- und Leis­tungs­da­ten, wie zum Bei­spiel Tem­pe­ra­tur, Dreh­zahl, Dreh­mo­ment, Geräu­sche, Schwin­gun­gen, Füll­stan­de, Vis­ko­si­tät, Druck, Takt­zeit, Men­ge und Betriebs­stun­den. Oft­mals kön­nen auch Daten bereits vor­han­de­ner Sen­so­ren für die Daten­er­he­bung genutzt wer­den. Alle die­se Sen­so­ren wer­den auf der Fel­debe­ne über das Indus­tri­al Inter­net of Things ver­netzt, um die Daten ein­zel­ner Sen­so­ren mit­ein­an­der kom­bi­nie­ren und dar­aus Ablei­tun­gen tref­fen zu kön­nen. Unter­stüt­zung bei der kon­ti­nu­ier­li­chen Daten­er­he­bung, Daten­spei­che­rung und Aus­wer­tung zum Moni­to­ring des Zustands der Maschi­nen bie­ten intel­li­gen­te Soft­ware­tools, wie z.B. die IIoT Buil­ding Blocks.

Die­se Sys­te­me unter­stüt­zen oft­mals ver­schie­de­ne Arten von Instal­la­ti­ons­mög­lich­kei­ten. Sie kön­nen direkt auf der Maschi­nen­steue­rung instal­liert wer­den oder alter­na­tiv kön­nen sie die Daten über das Netz­werk, z. B. via des Schnitt­stel­len­stan­dard OPC UA sam­meln. Man­che Sys­te­me unter­stüt­zen zudem eine Kom­mu­ni­ka­ti­on über das offe­ne Netz­werk­pro­to­koll MQTT direkt mit der Cloud. Varia­ble Soft­ware­sys­te­me unter­stüt­zen dabei die Aus­rüs­tung und Ver­net­zung von Maschi­nen unter­schied­li­cher Genera­tio­nen bzw. mit unter­schied­li­chen Bear­bei­tungs­me­tho­den mit Sen­so­ren. Das ist der ers­te wesent­li­che Schritt auf dem Weg zur Digi­ta­li­sie­rung im Maschi­nen- und Anlagenbau.

Zusätz­lich ist eine zeit­li­che Syn­chro­ni­sa­ti­on der unter­schied­li­chen Daten wich­tig, damit eine Ver­gleich­bar­keit sicher­ge­stellt und Abhän­gig­kei­ten erkannt wer­den kön­nen. Um eine Aus­sa­ge­kraft der Daten zu bekom­men, genügt dem­entspre­chend das rei­ne Sam­meln von Roh­da­ten nicht. Auch in die­sem Schritt sind geeig­ne­te Soft­ware­tools eine wich­ti­ge Unter­stüt­zung. So über­nimmt bspw. der Data Collec­tor eine Anglei­chung der Daten direkt zur Lauf­zeit noch vor dem Spei­cher­vor­gang. Dabei ent­ste­hen gro­ße Men­gen an hoch­fre­quen­ten Daten. Des­halb ist bei der Aus­wahl pas­sen­der Soft­ware­lö­sun­gen und Sys­tem­kon­fi­gu­ra­tio­nen wich­tig, dass die Leis­tungs­fä­hig­keit der Maschi­ne und die Pro­zes­se der gesam­ten Anla­ge nicht beein­träch­tigt sind. Um dies sicher­zu­stel­len, bie­tet sich die Aus­la­ge­rung der Daten­spei­che­rung in Echt­zeit auf einer Edge Cloud an. 

Die gesam­mel­ten Daten­men­gen gilt es nun in einem nächs­ten Schritt struk­tu­riert zu ana­ly­sie­ren. Gera­de hier kann ein ein­ge­setz­tes intel­li­gen­tes Eco­sys­tem, wie z. B. die IIoT Buil­ding Blocks einen gro­ßen Mehr­wert bie­ten. Es unter­stützt von der Maschi­nen­über­wa­chung und Erken­nung von Abwei­chun­gen bis hin zur Ein­stel­lung vor­de­fi­nier­ter Warn- und Feh­ler­gren­zen für Mess­wer­te und Maschi­nen­da­ten, z.B. Alar­mie­rungs­me­cha­nis­men für Tem­pe­ra­tur, Geschwin­dig­keit, Dreh­zahl oder Takt­zeit. Das Moni­to­ring sowie die Visua­li­sie­rung von gewünsch­ten Sta­tus- und Zustand­sin­for­ma­tio­nen kön­nen dabei in Echt­zeit auf indi­vi­du­ell kon­fi­gu­rier­ba­ren, über­sicht­li­chen Dash­boards erfol­gen. Dafür eig­nen sich Open-Source-Lösun­gen, z.B. die Soft­ware Grafa­na. Die Visua­li­sie­rung von Ereig­nis­sen und Aus­wer­tun­gen kann dadurch indi­vi­du­ell für jeden Anwen­der und für ver­schie­de­ne End­ge­rä­te, auch für mobi­le Smart Devices, erfol­gen. Auto­ma­ti­sche Mel­dun­gen an den Maschi­nen­be­die­ner oder Exper­ten für die Maschi­ne, bspw. den haus­in­ter­nen Tech­ni­ker im Unter­neh­men oder den exter­nen Ser­vice­tech­ni­ker sind eben­falls einstellbar.

Mit­hil­fe der Sen­so­ren und der IIoT-Lösung kön­nen somit die tat­säch­li­chen Bean­spru­chun­gen der Kom­po­nen­ten und Bau­tei­le prä­zi­se erfasst und visua­li­siert wer­den. Dar­auf auf­bau­end kann mit intel­li­gen­ten Algo­rith­men und Ansät­zen von Machi­ne Lear­ning Tech­no­lo­gien zudem die zu erwar­ten­de Rest­le­bens­dau­er pro­gnos­ti­ziert wer­den. Uner­war­tet auf­tre­ten­de Abwei­chun­gen, z. B. erhöh­te Schwin­gun­gen, Stör­ge­räu­sche oder ver­än­der­ter Strom­ver­brauch, die auf eine hohe Abnut­zung und einen künf­ti­gen Aus­fall hin­deu­ten, wer­den sehr früh­zei­tig erkannt und erlau­ben das Bil­den von Aus­sa­gen und Vor­her­sa­gen über die Ver­füg­bar­keit, den Sta­tus und Zustand der Anla­ge. Die Iden­ti­fi­ka­ti­on und Loka­li­sie­rung von mög­li­chen Feh­ler­quel­len bil­den die Grund­la­ge zur Fest­le­gung des nächs­ten, prä­dik­ti­ven nut­zungs- und ver­schleiß­ab­hän­gi­gen War­tungs­ter­mins: Genau dar­um geht es bei Pre­dic­ti­ve Maintenance.

Pre­dic­ti­ve Main­ten­an­ce bie­tet zudem die Mög­lich­keit zur Fern­dia­gno­se und Fern­war­tung durch den Ser­vice­tech­ni­ker, wodurch des­sen Anfahrt und die Besor­gung von Ersatz­tei­len zusätz­lich opti­miert wer­den können. 

Vorteile durch Predicitive Maintenance

Mit dem Ein­satz von Pre­dic­ti­ve Main­ten­an­ce gehört die War­tung oder Instand­hal­tung “stur” nach dem Kalen­der oder nach Betriebs­stun­den der Ver­gan­gen­heit an. Durch die recht­zei­ti­ge Mel­dung für eine bedarfs- und zustands­ge­rech­te prä­dik­ti­ve War­tung wird die Lebens­dau­er der Kom­po­nen­ten und Bau­tei­le opti­mal aus­ge­schöpft. Neben Aspek­ten der Wirt­schaft­lich­keit und Res­sour­cen­scho­nung kann damit auch der Still­stand der Maschi­ne oder Anla­ge redu­ziert wer­den. Eine früh­zei­ti­ge Mel­dung, bevor eine Stö­rung ein­tritt oder es zum Aus­fall kommt, sichert zudem die Qua­li­tät der pro­du­zier­ten Erzeug­nis­se und Pro­duk­te ab.

Auch eine vor­aus­schau­en­de Pro­gno­se und Pla­nung des War­tungs­ter­mins oder der Instand­hal­tung außer­halb der Betriebs­zeit ist durch den Ein­satz von Pre­dic­ti­ve Main­ten­an­ce mög­lich. Die Dia­gno­se der zu war­ten­den Kom­po­nen­ten oder aus­zu­tau­schen­den Ele­men­te kann ent­spre­chend der tat­säch­li­chen Abnut­zung ein­deu­tig vor­ge­nom­men wer­den. Die erfor­der­li­chen Werk­zeu­ge und Ersatz­tei­le wer­den vom Tech­ni­ker mit­ge­bracht, da die Maß­nah­men bereits vor­her bekannt sind. Ein zwei­ter Besuch im Unter­neh­men ist nicht erforderlich.

Somit befin­det sich die Maschi­ne stets in einem opti­ma­len Zustand. Dar­aus resul­tie­ren eine hohe Aus­fall­si­cher­heit, die Scho­nung der Kom­po­nen­ten und die Sicher­stel­lung der Fer­ti­gungs­qua­li­tät. In der Regel tre­ten kei­ne unge­plan­ten Maschi­nen­aus­fäl­le und Still­stand­zei­ten mehr auf und die War­tungs­kos­ten ins­ge­samt wer­den minimiert.

Dar­über hin­aus kön­nen mit einem gro­ßen Daten­be­stand prin­zi­pi­el­le Schwach­stel­len leich­ter ent­deckt und besei­tigt bzw. bei Neu­ent­wick­lun­gen berück­sich­tigt wer­den. Wei­ter­ge­hend kann die Maschi­ne durch Machi­ne Lear­ning Ansät­ze künf­tig selb­stän­dig die Leis­tung so ein­stel­len, dass Extrem­be­las­tun­gen ver­mie­den werden.

Mit Pre­dic­ti­ve Main­ten­an­ce star­ten Sie und Ihr Unter­neh­men in einen der bekann­tes­ten und wich­tigs­ten Anwen­dungs­fäl­le von IIoT-Tech­no­lo­gien.
Machen Sie den ers­ten Schritt mit unse­rem Bau­stein Collect, um Ihre Anla­gen daten­ba­siert und res­sour­cen­op­ti­miert zu steuern.

Ihr Ansprech­part­ner

Möch­ten Sie nähe­re Infor­ma­tio­nen oder Bera­tung zu Pre­dic­ti­ve Main­ten­an­ce in Ihrem Unter­neh­men?
Wir ste­hen für Ihre Fra­gen ger­ne zur Verfügung.

Wolf­ram Schä­fer
Tel.: +49 (0) 7127 / 92 31–0
E‑Mail: wolfram.schaefer@ite-si.de

Bild von Wolfram Schäfer, Geschäftsführer iT Engineering Software Innovations GmbH

Ihr Ansprech­part­ner

Möch­ten Sie nähe­re Infor­ma­tio­nen oder Bera­tung zu Pre­dic­ti­ve Main­ten­an­ce in Ihrem Unter­neh­men?
Wir ste­hen für Ihre Fra­gen ger­ne zur Verfügung.

Wolf­ram Schä­fer
Tel.: +49 (0) 7127 / 92 31–0
E‑Mail: wolfram.schaefer@ite-si.de