Maschinen-EKG – so können Unternehmen Anomalien erkennen und den Gesundheitszustand ihrer Maschinen in der Zukunft prognostizieren.

Die Bedeutung von Instandhaltungsmaßnahmen

Instandhaltungsbudgets stellen mittlerweile den größten Kostenblock der gesamten Betriebskosten von Produktionsanlagen dar, aber in vielen Fällen erzielen diese nicht die erhoffte Wirkung. Untersuchungen über die Wirksamkeit von Instandhaltungsprogrammen haben aufgezeigt, dass ein Drittel aller Ausgaben wirkungslos verpufft, was v.a. unzureichenden Instandhaltungsstrategien geschuldet ist. Instandhaltungsmaßnahmen, die Ihre Wirkung nicht entfalten können, führen zum Verlust der Profitabilität und damit der Wettbewerbsfähigkeit. Deren Ursache liegt darin, dass den Unternehmen schlichtweg die relevanten Daten und Informationen fehlen, um den tatsächlichen Reparatur- oder Wartungsbedarf der Produktionsmittel, des Maschinenparks und angeschlossener Systeme zu quantifizieren bzw. zu prognostizieren.

Ansätze der zustandsorientierten Instandhaltung – wie vorausschauend sind die Instandhaltungsprogramme?

Traditionelle Ansätze wie Bruch-Wartung und zeitbasierte Instandhaltung werden sukzessive durch prognostische und proaktive Philosophien ergänzt bzw. ersetzt. Da sich die neueren Strategien aus bisherigen Ansätzen ableiten, ist es wichtig, sich deren Stärken und Schwächen zu veranschaulichen:

• Bruch-Wartung (Breakdown or run to failure Maintenance): basierend auf einer reaktiven Vorgehensweise werden die technischen Anlagen so lange wartungsfrei betrieben, bis offensichtliche Störungen auftreten. Von allen Instandhaltungsverfahren ist die Bruch-Wartung die kostenintensivste Variante, was v.a. den hohen Ausgaben für Zusatzschichten, Ersatzteilkosten, Minderproduktion durch Produktionsausfällen und der generell geringeren Verfügbarkeit der produzierenden Anlagen an sich geschuldet ist.

• Zeitbasierte Instandhaltung (Preventive or time-based Maintenance): basierend auf einer zeitbasierten Logik werden die Anlagen unabhängig vom tatsächlichen Zustand in regelmäßigen Intervallen gewartet, z.B. alle vier Wochen oder nach einer bestimmten Anzahl von Betriebsstunden, was normalerweise dazu führt, dass Wartungsarbeiten zu früh oder zu spät durchgeführt werden. Im Rahmen der zeitbasierten Instandhaltung steigt das Risiko, dass unnötige Reparaturen durchgeführt werden oder aber kritische Maschinenzustände unbeachtet bleiben.

• Zustandsorientierte Instandhaltung (Predictive or condition-based Maintenance): bei der zustandsorientierten Vorgehensweise werden Wartungsarbeiten nur dann ausgeführt, wenn sie tatsächlich notwendig sind. Dabei sollen die Zeitpunkte für Reparaturen so gewählt werden, dass ungeplante Ausfallzeiten möglichst vermieden werden. Da sich die Mehrheit der mechanischen Probleme bereits in einer frühen Phase erkennen lässt, zielen zustandsorientierte Instandhaltungsmaßnahmen darauf ab, mögliche Anomalien im Betriebszustand frühzeitig zu erkennen, bevor die Maschine tatsächlich einen kritischen Betriebszustand erreicht.

• Proaktive Instandhaltung (Proactive or Prevention Maintenance): mittels Ursache-Wirkungs-Fehleranalysen werden die Ansätze der zustandsorientierten und zeit-basierten Instandhaltung kombiniert. Die proaktive Instandhaltung identifiziert und lokalisiert Fehlerursachen und zielt darauf ab, proaktive Maßnahmen zu etablieren, damit wiederkehrende Probleme möglichst ausgeschlossen werden.

Zustandsorientierte, sowie proaktive Instandhaltung sollten als datengetriebene Instandhaltungsphilosophien verstanden werden. Ist ein Maschinenpark mit den geeigneten Sensoren ausgestattet, so können darüber endlose Datenströme zur Messung von Vibrationen, Drücken, Geschwindigkeitsveränderungen, Temperaturen, Drehmomenten etc. generiert werden, welche ein sehr akkurates Bild über den Betriebszustand einer Maschine abgeben. Um die zeitliche Entwicklung der Betriebszustände in der Zukunft hervorsagen zu können, müssen produzierende Unternehmen diese Datenströme systematisch verarbeiten und historisieren - nur dann lassen sich über die Anwendung von Machine Learning Algorithmen Annahmen über die zukünftige Entwicklung des Maschinenzustands ableiten. Allerdings sind die meisten produzierenden Unternehmen heute noch nicht in der Lage, auf diese extrem großen Datenmengen zuzugreifen, diese zu verarbeiten um daraus dann die entsprechenden Schlüsse zu ziehen. Big Data Technologien können diese herausfordernde Aufgabe lösen und stellen die Schlüsseltechnologie im Rahmen einer leistungsfähigen und zukunftsfähigen Condition Monitoring Strategie dar.

Predictive Maintenance braucht Daten.

Nahezu jede Aktivität eines Produktionsprozesses ist heute digitalisiert und wird letztendlich durch Daten gesteuert, weniger durch Intuition oder persönliche Erfahrungen. In der Regel werden die Messungen und Diagnosen zur Bewertung der Maschinenbetriebszustände von Ingenieuren mittels tragbaren Messgeräten manuell durchgeführt – diese Geräte bieten Funktionalitäten an, den aufgenommenen Rohdaten-Ausschnitt samt Zustandsmessgrößen in einem geeigneten Datenformat (z.B. CSV) zu exportieren. Datenströme ausserhalb dieses gemessenen Zeitfensters werden jedoch nicht erfasst und bleiben “unanalysiert” und somit unbekannt. Mittels Big Data Technologien können die Hochfrequenz-Daten von Sensoren und Maschinensteuerung sehr effizient verarbeitet und analysiert werden, rund-um-die-Uhr, vollautomatisiert und in Echtzeit. Wenn man sich vor Augen hält, dass Ermüdungsbrüche oft ohne Vorwarnung auftreten, kann man sich vorstellen, welche hohe Bedeutung eine kontinuierliche Körperschall-Messung für die Bewertung des Maschinenzustands besitzt. Über Anomalie-Erkennung können Unternehmen jetzt erstmals sich ändernde Maschinenzustände in Echtzeit erkennen, zukünftige Maschinenausfälle können mittels Predictive Analytics prognostiziert werden. Mittels “Now-Casting” können Analyse-Metriken, wie Ursache-Wirkungs-Zusammenhänge, jederzeit direkt auf den Maschinendaten ausgeführt werden und somit die Genauigkeit von Maschinenausfallprognosen deutlich gesteigert werden. Durch den direkten Zugriff auf Echtzeitdaten können nun erstmals Hypothesen in Echtzeit getestet werden, wenn überhaupt konnten derartige Auswertungen nur ex-post mit sehr hohem Analyseaufwand durchgeführt werden.

Sensor Orchestrierung - Alles aus einer Hand.

DATATRONiQ vereint modernste Big Data und Machine Learning Technologien zu einem einzigartigen Lösungsangebot, um verarbeitenden Unternehmen beim Erreichen ihrer Effizienz- und Qualitätsziele kontinuierlich und nachhaltig zu unterstützen. Mit Hilfe unserer Technologie erfolgt die Anbindung an die Maschinensteuerung per plug'n'play und ermöglicht dadurch den permanenten Zugriff auf alle Zustandsinformationen der Anlage. Zusätzliche Vibrationssensoren lassen sich sehr einfach an den Maschinen anbringen – selbst ältere Maschinen können innerhalb weniger Minuten mit unseren Vibrationssensoren ausgestattet werden und werden dann automatisch Teil des DATATRONiQ Datenuniversums. Datenströme aus hunderten von Sensoren und Maschinensteuerungen eines Produktionswerks können somit auf äußerst effiziente Art und Weise gesammelt und verarbeitet werden, um in Echtzeit vor Problemen zu warnen, bevor diese tatsächlich eintreten können. Eine einzigartige Kombination von Anomalie-Erkennung, Ursache-Wirkungs-Analyse und Ausfall-Prognose schafft die Entscheidungsgrundlage für direkte Maßnahmen und liefert ein Gesamtbild über sämtliche Maschinenbetriebszustände, sowie den aktuellen Status sämtlicher Instandhaltungsmaßnahmen. Dabei werden vorkonfigurierte Instandhaltungsmetriken in einem eigenen Dashboard zusammengefasst, sämtliche Kennzahlen können problemlos für MES-Systeme oder ERP-Systeme zur dortigen Echtzeit-Ansicht zur Verfügung gestellt werden. Zusätzlich ermöglichen die DATATRONiQ-Konnektoren auch die direkte Kommunikation mit Maschinensteuerungen – dadurch könnten beispielsweise bei einem kritischen Maschinenzustand eingegriffen werden.

Vorteile der datengetriebenen Zustandsüberwachung.

Es gibt viele Gründe, weshalb produzierende Unternehmen ein ganzheitliches Instandhaltungsprogramm einführen sollten, um über die Überwachung der tatsächlichen Betriebszustände des Maschinenparks die Betriebs- und somit die Produktionsprozesse optimieren zu können. Neben einer höheren Maschinenproduktivität, geringeren Ausfall- und Reparaturzeiten sowie einer längeren Lebensdauer, profitieren Unternehmen von einer verbesserten und gleichbleibend hohen Qualität ihrer Produkte. Desillusioniert von den unglaublich hohen Aufwänden bei der Datenerfassung und Zustandsanalyse einer Maschine in der Vergangenheit, bieten Big Data Technologien erstmals Funktionalitäten, diese extrem großen und hochfrequenten Datenströme auf einfache und effiziente Weise zu verarbeiten und zu analysieren. Mit DATATRONiQ können produzierende Unternehmen ihre Instandhaltungskosten deutlich reduzieren, indem sie datengetriebenen Instandhaltungsstrategien entwicklen und konsequent umsetzen, und sich somit als innovatives, wettbewerbsfähiges und werterhaltendes Unternehmen am Markt zu positionieren. Selbst kleinere Unternehmen haben nun Zugriff auf Big Data Technologien, um den Herzschlag ihrer Maschinen auf günstige und sehr effiziente Art und Weise zu überwachen.