Mit Predictive Maintenance OEE steigern

Störungen in Anlagen und
Maschinen erkennen,
bevor sie eintreten.

Mit einer prognosebasierten Wartung (Predictive Maintenance) erkennen Sie kritische Anlagenzustände rechtzeitig, bevor tatsächliche Störungen und Produktionsstillstände eintreten. Dabei lässt sich nicht nur vorhersagen wann und wo eine Störung auftreten könnte, sondern Sie werden auch bei der Fehleridentifizierung unterstützt. Mit diesem Vorgehen erhalten Sie Antworten, in welchem Zustand sich Ihre Anlage befindet, wann konkret ein Ausfall zu erwarten ist, welches Bauteil davon betroffen sein wird, warum es zu diesem Ausfall kommt und wie Sie eine Störung vermeiden können.

Das Konzept von Predictive Maintenance beruht auf der Analyse historischer Anlagedaten mit statistischen Verfahren und erweiterten Methoden des maschinellen Lernens. Zur Vorhersage des zukünftigen Maschinenverhaltens werden die dabei entwickelten mathematischen Modelle auf Echtzeit-Daten der Anlagen angewendet.

Predictive Maintenance

Vorteile im Überblick

Verhindern von ungeplanten Ausfallzeiten mit Fehleridentifizierung auf Bauteilniveau

Verbesserung der Anlagenverfügbarkeit und Produktionsqualität

Längere Lebensdauer von Maschinen und Anlagen
Verbesserung der Gesamtanlageneffektivität (OEE)
Reduzieren von Kosten (Ressourcen) durch bedarfsorientierte Wartung
fortlaufendes Optimieren von Maschinen, Prozessen und Produkten
Verbesserte Planung von Wartungszyklen, um Ausfallzeiten so kurz, wie möglich zu halten
Identifizierung von erweiterten Use Case-Anwendungen
Worum es geht

Grundprinzipien von
Predictive Maintenance

DALL·E 2023-04-05 10.28.34 - abstract image of a computing system gathering data about a production system to optimize the workflow, digital art, primary colors blue and orange

Datenerfassung an den
Produktionseinheiten

Eine Produktionseinheit wird mit einer Reihe von Sensoren ausgestattet und somit im laufenden Betrieb überwacht. Die dabei entstehenden Messdaten werden in einer Datenbank abgelegt. Sie liefern eine möglichst lückenlose historische Beschreibung der Aktivität der Produktionseinheit und deren Umweltbedingungen. Zusätzlich hierzu werden alle aufgetretenen Störungs- und Wartungsereignisse aufgezeichnet.

DALL·E 2023-04-05 10.31.30 - abstract image of a computing system doing prognoses of the future - thinking how the future could look like, imagining things, digital art, primary c

Datenanalyse

Durch eine computerbasierte Analyse der verfügbaren Datenmenge wird eine mathematische Modellbeschreibung der Daten erzeugt. Dabei kommen spezielle Algorithmen des Maschinellen Lernens zum Einsatz, die automatisch die in den Messdaten enthaltenen Zusammenhänge und Muster erfassen und hinsichtlich der analysierten Störungen abbilden können.

DALL·E 2023-04-05 10.31.47 - abstract image of a computing system doing prognoses of the future - thinking how the future could look like, imagining things, digital art, primary c

Prognose

Durch Anwendung des gelernten Modells kann auf Grundlage der aktuell erfassten Messdaten eine Prognose für das zukünftige Auftreten von Störungen erstellt werden. Beim wahrscheinlichen Eintreten von betriebskritischen Zuständen kann somit rechtzeitig eine Warnung ausgegeben werden. Dieses Wissen fließt dann in die Planung und Umsetzung der nächsten Wartungsmaßnahme ein. Auf diese Weise können wartungsbedürftige Bauteile ausgetauscht werden, bevor sie ausfallen können und so den gesamten Produktionsprozess gefährden.

Welchen Nutzen haben Sie?

Business Impact

> 0 %
Analagenverfügbarkeit erhöhen
> 0
niedrigere Wartungskosten jährlich
> 0 %
Ausfallzeiten reduzieren
0 Jahre
durchschnittlich ROI

Vorgehensmodell
Predictive Maintenance

Fragestellung und Use Case verstehen und Ziel definieren.
Identifikation und explorative Analyse von Sensor- und Störungsdaten
Vorbereitung und Cleansing der Sensor- und Störungsdaten
Einsatz von Machine Learning oder anderen Data Mining-Algorithmen
Überprüfung der Vorhersagewahrscheinlichkeit von Störungen & Optimierungen der Modellparameter

Implementierung der erstellten Modelle in die IT-Infrastruktur und Erzeugung von Alarmmeldungen

Wie wir sie unterstützen

Predictive Maintenance
in Ihrem Unternehmen

1

Workshop

Initial-Workshop zur Ermittlung der Fragestellung, des Use Cases und der Spezifikation von Anforderungen, Prozessen und Architekturen als Grundlage für die vorausschauende Wartung.

2

Konzeption

Konzeption und Modellierung mit prototypischer Umsetzung und anschließender Evaluierung des Ansatzes bzw. Methode.

3

Integration

Integration der Lösung in Ihre IT-Landschaft und Einführung im Unternehmen. Bei Bedarf schulen wir Ihre Mitarbeiter und leisten weitere Projektunterstützung im Betrieb.

in Ihrem Unternehmen

Predictive Maintenance

Wir unterstützen Sie mit einem Team aus erfahrenen Data Scientists und Consultants angefangen von der Planung über die Entwicklung und Implementierung bis hin zum Go-Live und der Optimierung Ihrer Predictive Maintenance-Lösung.

Bei der Einführung von Predictive Maintenance hat sich unsere dreistufige Vorgehensweise bewährt. Die Durchführungslänge der einzelnen Phasen richtet sich nach Ihrer tatsächlichen Notwendigkeit und ist somit vollkommen nach Ihren individuellen Bedürfnissen gestaltbar.

TIQ-Mitarbeiter Vincent
Vincent Rüsike

Consultant Data Science

TIQ Solutions GmbH

Whitepaper
Predictive Maintenance erfolgreich umsetzen

Erfahren Sie in diesem Whitepaper, worauf es bei der Umsetzung von Predictive Maintenance ankommt.

Laden Sie sich hier unser Whitepaper herunter!

*Pflichtfeld

Kurz und knapp beantwortet

Grundlegende Fragen

Unter „Predictive Maintenance“ werden Ansätze zur Vorhersage von Maschinenausfällen und Wartungszyklen auf Basis gesammelter Maschinen- und Prozessdaten zusammengefasst. Obwohl Predictive Maintenance im Kontext der Industrie 4.0 seit über 10 Jahren etabliert ist, setzen bis heute nur 40% der Unternehmen überhaupt Ansätze von Predictive Maintenance um. Grund dafür sind fragmentierte Datenstrukturen und individuelle Anwendungsfälle oder Sensor-Konfigurationen, die schwer generalisierbar sind. Dementsprechend erfolgt allenfalls eine Zustandsüberwachung, aber keine Prognosen. Predictive Maintenance soll zu Kosteneinsparungen gegenüber routinemäßigen, intervallbasierten vorbeugenden Wartungsarbeiten führen, da Arbeiten nur im Bedarfsfall und vor tatsächlichen Ausfällen durchgeführt werden.

Die Daten werden dabei aus unterschiedlichen Maschinensteuerungen und anderen IT-Produktionssystemen ausgelesen oder durch Sensorik an relevanten Maschinenkomponenten erhoben. Auch werden Informationen der generellen Laufzeit, früheren Wartungsdaten, Produktionspläne und ähnliches mit berücksichtigt. Die unterschiedlichen Datentypen können u.a. sein:

  • Schwingungsdaten (z. B. Auslenkung, Geschwindigkeit, Beschleunigung oder Ultraschall)
  • Temperaturdaten (z. B. Bauteiltemperatur, Umgebungstemperatur, Infrarotstrahlung)
  • Tribologie (z. B. Verschleißpartikel)
  • Ereignisdaten (z. B. Zustand der Produktion, Störmeldungen)
  • Prozessparameterdaten (Rotationsgeschwindigkeit, Bearbeitungsdauer)

Die Wahl der Instandhaltungsstrategie ist u.a. auch davon abhängig, inwieweit die Digitalisierung der Produktions- bzw. Betriebsprozesse im Unternehmen vorangeschritten ist. Doch das Ziel der Instandhaltungsstrategien ist gleich: Die Stillstandzeiten und Störungen der Maschinen und Anlagen sollen minimiert werden und die Maschinenverfügbarkeit erhöht werden. Fast 60 % der produzierenden Unternehmen verfolgen nach wie vor noch die ausfallbedingte bzw. die vorbeugende Strategie. Doch immer mehr Unternehmen beginnen, sich mit ihren Daten zu beschäftigen, um daraus eine vorausschauende Instandhaltung umzusetzen und ihre Anlageneffizienz zu erhöhen.

Bei der ausfallbedingten Instandhaltung werden Maßnahmen erst dann durchgeführt, wenn ein Ausfall oder Defekt aufgetreten ist. Das kann zu langen Stillstandzeiten und somit Produktionsausfällen führen. Diese Strategie wird u.a. genutzt, wenn keine Daten über den Zustand bzw. das Abnutzungsverhalten der Maschinen und Anlagen vorliegen.

Ziel vorbeugender Instandhaltungsstrategien (Preventive Maintenance) ist der Austausch und die Reparatur von Bauteilen vor einem auftretenden Ausfall. Dabei werden die Maschinen und Anlagen in zeitlich festgelegten Abständen gewartet und Bauteile unabhängig vom Zustand, sondern auf Basis von Zeitintervallen ersetzt. Folgen können sein, dass Maßnahmen zu früh oder zu spät eingeleitet werden und es zu Produktionsausfällen kommt. 

Bei der zustandsbasierten Instandhaltung werden Instandhaltungsmaßnahmen nach Bedarf durchgeführt abhängig vom tatsächliche Verschleißzustand der Maschine. Mit Hilfe von Sensorik können Über- oder Unterschreitungen von definierten Schwellenwerten ermittelt werden und nach Bedarf die entsprechenden Maßnahmen durchgeführt werden. Condition-Monitoring unterstützt dabei mit einer dauerhaften Überprüfung des Maschinenzustandes durch Messung und Analyse physikalischer Größen, z. B. Schwingungen, Temperaturen, etc.

Die vorausschauende Instandhaltung (Predictive Maintenance) ermöglicht die Vorhersage von Störungen und kann Aufschluss über die verbleibende Lebensdauer der Maschine bzw. Anlage geben. Dabei werden Produktionsdaten, wie z.B. aus Sensorik, MES-Systemen etc. zentralisiert gespeichert und zusammen analysiert. Mittels Machine Learning können Wahrscheinlichkeiten ermittelt werden, wann konkret ein Ausfall zu erwarten ist, welches Bauteil davon betroffen sein wird und wie sich eine Störung vermeiden lässt. Mit diesem Wissen lassen sich Ressourcen für Instandhaltungsarbeiten (wie Ersatzteile oder Personal) besser planen und Kosten reduzieren.

Predictive Maintenance im Karosseriebau

Besonders in der Produktion hat Predictive Maintenance einen großen Mehrwert. Mit Predictive Maintenance lässt sich u.a. das Verhalten von Karosserierobotern und angeschlossenen Komponenten kontinuierlich analysieren und zukünftige Defekte vorhersagen. Dadurch können die Verantwortlichen schon vor dem Auftreten einer Störung präventiv eingreifen. Womit nicht nur operative Stillstände vermieden werden, sondern auch der Verbrauch von Verschleiß- und Maschinenteilen reduziert wird.

Predictive Maintenance in der Lieferkette 

Die gesamte Fertigungsindustrie ist in hohem Maße von der begleitenden Effektivität der Lieferkette für die Gesamtproduktivität und -effizienz abhängig. Ein besserer datengesteuerter KI-basierter Ansatz zur Analyse der Versand- und Liefervorlaufzeiten ermöglicht die Vorhersage des Eintreffen der Produktionskomponenten und deren optimale zeitliche Verwendung. 

Predictive Maintenance bei Kraftfahrzeugen

Predictive Maintenance ist ein wichtiger Ansatz in der Wartung von Kraftfahrzeugen. Die Analyse der Sensordaten von Motor und Fahrwerk ermöglicht die Vorhersage von Defekten an Fahrzeugen. Damit können vorbeugende Maßnahmen rechtzeitig eingeleitet werden und verhindern teure Reparaturen und Ausfälle. 

Predictive Maintenance in der Luftfahrt 

Airbus hat mit seiner Datenplattform „Skywise“ bereits 2017 ein entsprechendes Projekt gelauncht, das ein frühzeitiges Eingreifen durch Fehlererkennung ermöglicht und so den Austausch von Bauteilen, z.B. Turbinen oder hydraulischen Pumpen, noch vor dem Versagen ermöglicht. Damit lassen sich auch vorbeugende Maßnahmen bei bautypähnlichen Flugzeugen ableiten.

Predictive Maintenance im Schienenverkehr 

Mit Predictive Maintenance kann bereits im Vorfeld geplant werden, wann bestimmte Zugteile repariert werden müssen, um Störungen im Betriebsverlauf zu verhindern. Durch die Erhebung und Analyse der erfassten Daten können so passende Reparaturanweisungen ermittelt, Ersatzteile bereitgestellt und Ausfälle verhindert werden.

Predictive Maintenance in der Windkraft

Beim Betrieb von Windparks gilt es Ausfallzeiten aufgrund von Störungen zu vermeiden. Denn neben Reparturkosten entgehen den Betreibern Einnahmen, solange die Anlage ausfällt. Predictive Maintenance unterstützt bei der Erkennung von Fehlern und Anomalien im laufenden Betrieb der Anlage durch Analyse der Anlagedaten und ihren Umweltbedingungen, und liefert zuverlässige Prognosen über Ausfallwahrscheinlichkeiten von Bauteilen, die extremen Belastungen ausgesetzt sind.

Energieversorger 

Auch in der Energiebranche hilft Predictive Maintenance, um Prozesse effizienter zu gestalten. Energieversorger nutzen die von intelligenten Zählern generierten Daten, um Frühwarnsignale für Versorgungs- und Nachfrageprobleme im Netz zu erkennen und diese zu beheben, bevor sie zu Ausfällen führen. Dies erspart ihnen nicht nur die Kosten für kostspielige Reparaturen, sondern hilft auch dabei, die Unzufriedenheit ihrer Kunden zu vermeiden. 

Inspiration für Ihre Anwendung

Kundenreferenzen

Data Science

Predictive Maintenance im Karosseriebau

Data Science

Predictive Analytics in einer robotergestützten Lackieranlage

Data Analytics

Traceability – Rückverfolgung in der Produktion
New Business anfragen

Wir freuen uns über
Ihre Nachricht!

Egal ob neue Data Management-Lösung, ETL-Entwicklung, IT-Architektur, Cloud-Nutzung, Data Analytics-Anwendung, Nutzung von KI, Dashboarding oder strategische Erstberatung: Wir unterstützen Sie.