June 21, 2021 · 4 min read
English version here.
Wir schreiben das Jahr 1943. C. H. Waddington, ein Wissenschaftler der Royal Air Force, bemerkte, dass mit der Wartungsstrategie der Flugzeuge etwas gehörig nicht stimmte. Er sammelte Daten über die Reparaturen und konnte hierdurch feststellen, dass die Ausfälle nach geplanten Wartungsvorgängen zunahmen. Dieses Phänomen, das heute unter dem Namen Waddington-Effekt bekannt ist, macht deutlich, dass präventive Wartung häufig sogar schädlicher sein kann als überhaupt keine Wartung durchzuführen, da hierdurch Einfluss auf den funktionierenden Status Quo genommen wird.
Viele Menschen gehen daher davon aus, dass die Ursprünge von Predictive Maintenance, dessen Marktwert sich heutzutage auf ungefähr 16 Milliarden US-Dollar beläuft, auf die Entdeckungen von Waddington zurückgehen. Obwohl Predictive Maintenace eine der wichtigsten Veränderungen darstellt, die die Industrie 4.0 zu bieten hat, stehen wir noch lange nicht am Ende der Entwicklung.
Eine Übersicht über die gängigsten Wartungsmethoden
Wartungsmethoden können variieren und hängen von der Überwachung verschiedener Messwerte ab, wie beispielsweise Geräusch, Temperatur und Vibration. Insbesondere die Schwingungsanalyse bietet eine sehr verlässliche und einfach umzusetzende Möglichkeit, die Leistung von Industriemaschinen zu überwachen, da sich Veränderungen fast immer durch Vibrationssignale bemerkbar machen. Ein umfassendes Überwachungsniveau hat sich jedoch noch immer nicht durchgesetzt. Viele Betreiber verlassen sich weiterhin auf ältere, unzuverlässigere Methoden. Im Folgenden werden die häufigsten Wartungsstrategien aufgelistet (Bild 1).
1.Reaktive Wartung bedeutet, dass ein Eingriff nur dann geschieht, wenn eine Maschine bereits Fehler aufweist, ohne eine vorherige Analyse oder Optimierung durchzuführen.
2.Präventive Wartung stützt sich auf wiederholte Wartungsmaßnahmen. Während jeder Kontrolle prüfen hierbei die Betreiber oder Dienstleistungsanbieter die Ausrüstung der Anlage. Somit können Fehlfunktionen entdeckt und entsprechend behandelt werden (falls diese überhaupt erkannt werden). Das Waddington-Paradox macht jedoch deutlich, dass diese Strategie nicht immer wirksam ist. Wenn man in den Maschinenbetrieb eingreift, bedeutet dies oft, den regulären Betrieb zu stören, was sich negativ auf die Leistung auswirken kann. Bislang galt diese Methode zusammen mit der reaktiven Wartung als Standard.
3.Die zustandsbasierte Überwachung greift auf Vibrationsanalyse zurück. Ein Eingriff wird hierbei immer nur dann durchgeführt, wenn das Signal einen bestimmten vordefinierten Schwellenwert überschreitet. Dies kann zu drei unterschiedlichen Szenarien führen:
a. Die Maschine ist nicht kaputt. Da der Schwellenwert jedoch festgelegt ist, gibt es keine weiteren Erkenntnisse über die eigentlichen Gründe der Vibrationen oder warum das Signal den Schwellenwert überschritten haben könnte.
b. Es gibt eine Fehlfunktion, aber die Bediener wissen nicht, wo diese liegt und wie lange es dauern wird, bis die Maschine komplett ausfällt. Die Vibrationsanalyse kann diese Informationen nicht bereitstellen.
c. Es gibt eine Fehlfunktion und die Bediener wissen genau, was der Fehler ist und wie er behoben werden kann. Die Analyse und die Reparatur wird jedoch zu Spitzenzeiten ausgeführt, was die Produktion beeinträchtigt.
4.Predictive Maintenance geht einen Schritt weiter, da hier eine Vielzahl von Signalen unter der Verwendung von Machine-Learning-Algorithmen gesammelt werden. Hierdurch ist es möglich, zusätzliche Erkenntnisse in Bezug auf die Maschine zu erlangen, sodass Wartungen besser geplant werden können, ohne die Produktion zu beeinträchtigen – beispielsweise während eines geplanten Ausfalls.
5.Maschinendiagnostik geht sogar über Predictive Maintenance hinaus und repräsentiert das beste Wartungsniveau in unserer Liste. Diese Strategie führt zu einem fundierten Wissen über die Eigenschaften der Maschine und kann nicht nur die Zeit bis zum Ausfall berechnen, sondern auch Erkenntnisse über die Fehlerursachen liefern. Auf diese Weise erlangen die Nutzer ein besseres Verständnis über die Fehler und können die entsprechenden Maßnahmen einleiten. AiSight setzt genau hier an.
Warum sollte man auf Predictive Maintenace umsteigen?
Die Verbesserung der Wartungsstrategie hat zwei Hauptvorteile: Erhöhte Leistung bei geringeren Kosten.
Laut einer Umfrage von der VDMA steigen Unternehmen vor allem aufgrund der Leistungssteigerung auf Predictive Maintenance um, was für viele Betriebe einen größeren Vorteil als die Kostensenkungen darstellt. Die Leistungssteigerung ergibt sich aus folgenden Gründen:
• Längere Maschinenverfügbarkeit
• Längere Nutzungsdauer der Maschine
• Sichere und nachhaltige Operationen
• Erhöhte Qualität des Prozesses und des Endprodukts
Andererseits resultieren verringerte Kosten aus den folgenden Einsparungen:
• Reparaturen und Ersatzteile
• Kommunikation mit Dienstleistern
• Downsizing vom Service-Personal
Darüber hinaus ist die Beurteilung, ob zu viele oder zu wenig Ressourcen für die Wartungsstrategie verwendet werden, relativ einfach. Hier genügt es, einen Blick auf das ROI zu werfen, um das Verhältnis zwischen Reparaturkosten und dem zu investierenden Betrag für Predictive Maintenance besser zu durchleuchten. Mehr über ROI findet sich in zukünftigen Artikeln.
Was hindert die Umsetzung?
Obwohl 81% aller deutschen Firmen Predictive Maintenance als einen wichtigen Trend anerkennen, haben nur 40% relevante Services oder Technologien im Einsatz. Wie ist es möglich, dass nur so wenig Firmen die Vorteile von Predictive Maintenance auch tatsächlich nutzen?
Ein Grund liegt in der Schwierigkeit der Umsetzung. Hierzu würde ein Unternehmen Folgendes benötigen: Sensoren, um die Vibrationen der Maschine zu erkennen; ein System, das alle Daten sammelt; ein zentraler Ort, um die Daten aufzubewahren; Algorithmen, die die Daten analysieren sowie spezialisierte Fachkräfte, um die Algorithmen zu erstellen und anschließend zu beurteilen. Jedes dieser Elemente stellt einen nicht zu vernachlässigenden Kostenfaktor dar.
So profitieren Unternehmen von der Industrie 4.0
Zum Glück hat die Industrie 4.0 einige Innovation hervorgebracht, die Predictive Maintenance und weitere Lösungen für Firmen jeder Art zugänglich machen. Das Sensor-Kit von AiSight ist hierfür das beste Beispiel.
Die Hardwarekomponente bildet das Sensormodul, bestehend aus hochmodernen Beschleunigungssensoren mit außergewöhnlich hohen Frequenzbändern, WiFi-Kommunikation sowie Hochleistungs-Mikrocontrollern, die die Vorverarbeitung durch Edge-Computing ermöglichen. Die leichte Anwendung erlaubt es den Nutzern, das Sensor-Kit einfach an einer Maschine mit Magneten anzubringen und zu bedienen, ohne dass zusätzliches Training benötigt wird. Daten werden vom Sensor-Kit gesammelt und an das kürzlich überarbeitete Dashboard übertragen. Die Informationen werden anschließend von maschinellen Lernalgorithmen analysiert, sodass Betreiber automatisch auf Anomalien aufmerksam gemacht werden können.
Das breite Spektrum an Vibrationssignalen, die vom Sensormodul erkannt werden, ermöglicht es, selbst kleinste Abweichungen vom Standardbetrieb zu erkennen. Unsere Algorithmen können zudem eine Ursachenanalyse betreiben, sodass sich die Gründe zielgerichtet beheben lassen. Hierdurch stellt das Sensormodul sicher, dass die Maschine effizient arbeitet. (Erfahren Sie mehr darüber, wie das Sensor-Kit Ihre Betriebskosten senken kann.)
Wenn Sie mehr über AiSight erfahren möchten, hinterlassen Sie uns einfach eine E-Mail!
© 2021 AiSight GmbH. Alle Rechte vorbehalten.
Telefon: +49 (0) 30 40363399
Website: https://aisight.de
