Prädiktive Wartung zur Optimierung von Betriebs- und Wartungszeit

Durch Prädiktive Wartung »Predictive Maintenance« lassen sich Wartungsintervalle durch individuelle Ermittlung der Lebensdauer optimieren. Die Betriebsdauer von Anlagen wird maximiert, da Wartungsaufwände rechtzeitig bei prognostiziertem Bedarf geplant werden.

Predictive Maintenance

Optimale Planung der Instandhaltung mit Machine Learning

Eine Anlage ist dann zuverlässig produktiv, wenn sie zeitnah instandgesetzt wird, d.h. Wartung und Reparatur bei Bedarf erfolgen. Hierfür muss das Unternehmen auf entsprechende Ressourcen zurückgreifen, d.h. Fachkräfte, Ersatzteile und Logistik sollten ohne Zeitverzug zur Verfügung stehen.

Betreibt man Anlagen durch einen nicht erkanntem Wartungsbedarf einer Komponente ohne Instandsetzung weiter, werden weitere Komponenten in Mitleidenschaft gezogen. Die anschließende Wartung dauert länger und wird teurer.

Schnelle Reaktionen zur richtigen Zeit benötigen eine zuverlässige Erkennung und Vorhersage von Schadensereignissen, um notwendige Ressourcen bedarfsgerecht bereitzustellen. Ziel ist eine Instandhaltungsstrategie, die Fehler vor Auftreten erkennt und die Planung optimaler Wartung ermöglicht.

© ITWM

Prognose der verbleibenden Betriebszeit eines Anlagentyps durch eine COX Regression

Was ist Predictive Maintenance?

Eine zuverlässige Vorhersage der zukünftigen Ereignisse ist Bestandteil jeden Predictive Maintenance Systems. Ein wichtiger Schlüssel liegt in den Mustern vergangener Ereignisse. Die Erkennung komplexer Muster sowie deren Eigendynamik und Trends sind das Spielfeld des von uns entwickelten Systems.

Predictive Maintenance ist nach DIN 3105 eine Erweiterung der zustandsabhängigen Instandhaltung, die voraussagen kann, wann die Anlage ausfällt. Das Hauptziel dabei ist, den Nutzungsvorrat der Komponenten möglichst komplett auszuschöpfen und gleichzeitig jegliche Fehler oder Ausfälle zu beheben, noch bevor sie passieren.

© ITWM

Klassifikation von Fehlverhalten in einem durch PCA optimierten Informationsraum

Fünf Gründe für Predictive Maintenance

Durch Prädiktive Wartung »Predictive Maintenance« lassen sich Wartungsintervalle durch individuelle Ermittlung der Lebensdauer optimieren. Hierdurch wird die Betriebsdauer von Anlagen maximiert, da Wartungsaufwände rechtzeitig bei prognostiziertem Bedarf geplant werden:

  • Rechtzeitiges Erkennen von Anomalien in der Anlage oder der Leistung
  • Identifizieren von Ursachen ungeplanter Ausfälle/Fehler
  • Planbares Schätzen der Restlebensdauer von Anlagen und Komponenten
  • Zuverlässiges Vorhersagen des Ausfalls in naher Zukunft
  • Effizientes Planen von anstehenden Wartungsaktionen

Modelle und Techniken

Je nach Zielsetzung können statistische oder stochastische Modelle verschiedene Zustände erkennen, einordnen, vorhersagen und sogar regeln. Nachfolgend einige Beispiele:

Gebiet Deskriptiv Diagnostik Prädiktiv Präskriptiv
Fragestellung WAS ist der Betriebszustand? WARUM kam es zum Fehlerfall? WANN tritt der nächste Fehlerfall auf? WIE wird der Betrieb fortgeführt?
Information

Datenerfassung und -vorverarbeitung

Extraktion von Merkmalen

Anwendungsfälle Erkennen und Bewerten
  • Betriebszustände
  • Anomalien
  • Ereignisse
Klassifizierung
  • Anomalien
  • Ereignisse
Vorhersage
  • Trends
  • Lebensdauer
  • Ereignisse
Regelung
  • Wartungszeiten
  • Anlagenbetrieb
Auswahl unserer Algorithmen Erkennen und Bewerten
  • Signalanalyse
  • Schwellwertanalysen
  • Self Organizing Maps
Klassifizierung
  • Deep Learning
  • Entscheidungsbäume
  • Bayessche Netzwerke
Vorhersage
  • Mixed-Effect-Modelle
  • Ereignis-Modelle
  • Joint Modeling
Regelung
  • Prädiktive Regelung
  • Reinforcement Learning

 

 

Unser Portfolio und Leistungsangebot

Predictive Maintenance kann vor allem da schnell eingeführt werden, wo bereits vielfältig Daten erfasst werden. Jedoch lohnt sich auch das nachträgliche Aufrüsten von Monitoring-Systemen.

  Unser Angebot
Maschinen und Anlagen

Sensorauswahl und -platzierung

Virtuelle Sensoren

Condition Monitoring

Systemmodellierung und -simulation mittels Digital Twins

Kommunikation Integration in gängige IOT-Plattformen, Übertragungsprotokolle und Netzwerke
Datenhaltung

Effiziente Erhebung der Datenlage durch Design-of-Experiments

System- und Ereignismodelle

Data-Cubes

Prognose und Auswertung

Identifikation, Umsetzung und Anwendung passender Machine-Learning-Algorithmen

Diagnose und Prognose von Datenströmen

Analytics, Reports und Dashboards

Prozessintegration

Verlässliche Regelung angebundener Anlagen

Optimierung von Wartung und Service

Enterprise Resource/Lifecycle Planning