Was sind die Herausforderungen?
Maschinen und Anlagen sind Produktivkapital, das Produkte im Idealfall dauerhaft, konstant und in gleichbleibender Qualität herstellen kann. In der Praxis können jedoch Defekte, Qualitätsabweichungen oder kostspielige Stillstandszeiten die Produktion stören. Daher sind Service und Wartung in der Produktion unerlässlich. Feste Wartungsintervalle verursachen jedoch unnötig hohe Kosten. Kurzfristige Instandhaltungsmaßnahmen basieren auf historischen Daten und dienen der schnellstmöglichen Behebung von Ausfällen, nicht aber ihrer Vermeidung.[1]
Welche Daten können helfen?
Maschinendaten (Temperatur, Feuchtigkeit, Lärm) Daten über Herstellungsprozesse, Produkte und Produktionsumgebungen Historische Maschinen- und Produktionsdaten.[1]
Wozu dienen die Daten?
Maschinen, die gewartet werden müssen oder sogar ausfallen, zeigen vorher bestimmte Muster. Dies können zum Beispiel Temperaturtrends oder Vibrationsintensitäten sein. Aufgezeichnete Daten werden ständig mit diesen Mustern verglichen, um den Wartungsbedarf abzuschätzen. Zuverlässige Prognosen erfordern viele Daten. Wenn ein Wartungsbedarf erkannt wird, wird eine Meldung generiert. Auf diese Weise können entsprechende Komponenten repariert oder ausgetauscht werden, bevor es zu Schäden kommt. Neben Predictive Maintenance gibt es auch Prescriptive Maintenance. Prescriptive Maintenance sieht nicht nur Probleme vor, sondern ergreift auch Maßnahmen zu ihrer Behebung. Beispielsweise passt es Parameter (z. B. Temperatur, Geschwindigkeit) automatisch an, um optimale Produktionsbedingungen aufrechtzuerhalten. Predictive Maintenance ist derzeit jedoch weiter verbreitet.[1]
Wo wurde diese Datennutzung angewendet?
Der Luft- und Raumfahrtkonzern Boeing hat die Software »Boeing AnalytX« entwickelt. Durch die Verarbeitung von Daten aus dem Flugbetrieb unterstützt es die Wartung von Maschinen und sorgt so für einen effizienten Betrieb.
Siemens Technologies nutzt Railigent-Software, um Zugausfälle zu vermeiden und die Wartung zu optimieren. Dazu werden Sensordaten, historische Daten und bahnspezifische Produktdaten verwendet.
Der Technologiekonzern General Electric sammelt, speichert und wertet Gerätedaten von Energieversorgungsunternehmen aus. Mit diesen Informationen können notwendige Reparaturen frühzeitig erkannt und schnell durchgeführt werden.
Der Aufzugshersteller Schindler setzt bei seinen Aufzügen auf Predictive Maintenance. Dazu ist der Aufzug mit dem Internet verbunden und liefert kontinuierlich Daten an die Basis. Vergleichen Sie diese Daten mit historischen Daten über Ausfälle. Dadurch kann der Wartungsbedarf frühzeitig erkannt werden.
Das Technologieunternehmen Georg Fischer Machining Solutions (GFMS) bietet seinen Kunden Dienstleistungen auf der Plattform »rConnect« an. Dazu gehört die digitale Vernetzung von Maschinen, die eine permanente Maschinenüberwachung, vorausschauende Wartung und den Fernzugriff auf Maschinen ermöglicht.[1]
Wie trägt diese Datennutzung zur Wertschöpfung bei?
Mit datenbasierter vorausschauender Wartung wird die Produktion gegenüber intervall- oder zeitbasierten Wartungsmaßnahmen optimiert. Wartungskosten werden reduziert. Gleichzeitig werden Effizienz und Lebensdauer der Maschine verbessert. Eine frühzeitige Vorhersage von Ausfällen kann entgangenen Gewinn oder Imageschäden beim Kunden vorbeugen.[1]
Quellenangaben
[1] Vgl. “Vorausschauende Wartung” (30.01.2023), unter https://www.data-mining-und-wertschoepfung.de/de/forschung/daten-erfolgreich-nutzen/wartung.html (30.01.2023).