Advanced Analytics

Andrea Gillhuber,

Intelligente und bedarfsgerechte Wartung

Komplexe Zusammenhänge lassen sich auf der Basis von Daten genau analysieren und auf die Zukunft hochrechnen. Besonders häufig kommt die Technologie Advanced Analytics bei der vorausschauenden Wartung in der Produktion zum Einsatz.

Besonders häufig kommt Advanced Analytics bei der vorausschauenden Wartung in der Produktion zum Einsatz. © Copa Data

Wann ist der richtige Zeitpunkt für die Wartung einer Maschine? Bislang ließ sich diese Frage nur anhand von Schätzungen und Erfahrungswerten beantworten. Die Folge: Werden Maschinen zu spät gewartet, kann dies zu teuren Produktionsausfällen führen. Werden hingegen Maschinenteile zu früh ausgetauscht, entstehen unnötige Kosten. Heute werden für die Beantwortung dieser Frage verlässliche Daten herangezogen, auf deren Basis sich die Wartung vorausschauend steuern lässt. Predictive Maintenance lautet das Schlagwort und basiert auf Advanced Analytics. Bei der Big-Data-Technologie lassen sich anhand von Vergangenheitsdaten und speziellen Vorhersagemodellen Zukunftsszenarien ableiten. Der Vorteil liegt darin, dass sich auf diese Weise selbst komplexe Zusammenhänge schnell analysieren lassen. Basierend darauf lassen sich fundierte Entscheidungen treffen.

Doch wie genau funktioniert die Technologie, die hinter Anwendungsszenarien wie der intelligenten Wartung steckt?

Grundlage für Advanced Analytics und damit auch für die vorausschauende Wartung ist die Erhebung von Daten – etwa zu einer Produktionsanlage oder Maschine. Um daraus Prognosen für die Zukunft abzuleiten, müssen diese Daten analysiert und in mathematischen Modellen erfasst werden. Dabei gibt es zwei verschiedene Varianten: Die zeitbasierte Vorhersage gibt einen Ausblick darauf, wie sich ein Wert in Zukunft verhalten wird. Die wertbasierte Vorhersage zeigt, wie sich ein Wert verhält, wenn ein anderer verändert wird. Dieses Modell kann beispielsweise ermitteln, wie viel Energie eine Anlage bei einer veränderten Produktionsmenge verbrauchen wird. Basis für die Berechnung solcher Prognosen sind mathematische Modelle, so genannte Predictive Models, die entweder mit statistischen Regressionsanalysen funktionieren oder auf maschinelles Lernen mittels neuronaler Netze zurückgreifen.

Anzeige

Wartung nach Bedarf

Jede Maschine muss gewartet werden. Doch die Frage ist: Wann ist der richtige Zeitpunkt? Das kann pauschal nicht festgelegt werden. Denn er hängt von verschiedenen Parametern ab, beispielsweise wie alt die Maschine ist, wie stark sie belastet wird oder zu welchem Zweck sie im Einsatz ist. Wer seine Maschinen nach einem fest definierten Zyklus in immer gleichen Abständen wartet, wird diesen individuellen Kriterien also nicht gerecht. Das kann steigende Kosten mit sich bringen. Zum Beispiel, wenn ein Bauteil häufiger ausgewechselt wird als notwendig. Oder wenn der Austausch zu spät erfolgt und es zu einem Maschinenschaden und damit zu Produktionsausfällen kommt.

Der passende Zeitpunkt für den nächsten Wartungstermin, der früher nur anhand von Schätzungen und Erfahrungswerten zu beantworten war, lässt sich heute genau berechnen – auf Basis von Vergangenheitsdaten und statistischen Vorhersagemodellen. Dazu braucht es Daten aus dem laufenden Betrieb, die analysiert werden. Auf Basis dieser Datensätze lernt das System beständig dazu und ermöglicht es,

Live-Daten über ein Modell zu interpretieren. Damit lassen sich für jede Maschine und jede Komponente individuelle Instandhaltungstermine definieren. Im Ergebnis macht das die Produktion wesentlich smarter und senkt die Kosten sowie die Gefahr von Ausfällen. Denn die Wartung richtet sich dann nach der tatsächlichen Beanspruchung der Maschine: Bei höherer Belastung wird der Wartungszeitraum verringert und so einem Maschinenschaden vorgebeugt. Bei geringer Belastung wird der Wartungszeitpunkt entsprechend nach hinten verschoben. Das vermeidet unnötige Kosten und Stillstände und erhöht so die Effizienz. Ersatzteile können zum richtigen Zeitpunkt in der richtigen Menge bestellt und die Arbeitszeiten der Techniker optimal geplant werden.

Qualitätsabweichungen im Vorfeld feststellen

Ein typisches Beispiel für den Einsatz von Predictive Maintenance ist die Instandsetzung von Abfüll- und Verpackungsanlagen in der Lebensmittelindustrie. Dabei werden bestimmte Prozessparameter von Maschinen und Anlagen überwacht. So können bereits im Vorfeld eventuelle Qualitätsabweichungen automatisch erkannt werden. Die Steuerung erfolgt über die Softwareplattform zenon von Copa Data, mit der sich die erfassten Daten visuell aufbereiten und analysieren lassen. Wertvolle Informationen werden dadurch ersichtlich, beispielsweise der Verschleiß einer Flaschenbeschichtungsstation. Werden Abnutzungserscheinungen frühzeitig entdeckt, können Wartungstermine entsprechend im Voraus geplant werden. Dabei ist auch eine Klassifizierung von Ereignissen nach Schweregrad möglich: Handelt es sich nur um eine Warnung – oder müssen wir tatsächlich von einer Störung ausgehen?

Neben der vorausschauenden Wartung wird Advanced Analytics auch im Ressourcen-Management sowie in der Produktionsplanung und -kontrolle eingesetzt. Aus den Daten einer Fertigungsanlage lässt sich ein genaues Bild über den Ressourcenverbrauch erstellen. Und das geht nicht nur für die Vergangenheit, sondern als Hochrechnung auch bis zum Ende des Abrechnungszeitraums. Damit können Unternehmen ihre Ressourcen exakt planen und steuern.

Ein weiteres Einsatzgebiet ist die Prozessoptimierung: Wenn bekannt ist, wie sich einzelne Parameter auf den Herstellungsprozess auswirken, kann das Produktionsergebnis einer Maschine verbessert werden. Advanced-Analytics-Anwendungen sind in der Lage, Korrelationen zwischen einzelnen Werten und Datenpunkten zu ermitteln. Auf diese Weise lässt sich der Prozess enorm beschleunigen.

Nach Unterlagen von Copa Data / ag

Anzeige

Das könnte Sie auch interessieren

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige