ABB AG Dell Deutschland MITSUBISHI ELECTRIC EUROPE B.V (Factory Automation) Pepperl+Fuchs GmbH

Mit Predictive Maintenance wird der Blick in die Maschine ermöglicht, um vorbeugend auf teure Ausfälle reagieren zu können. Doch wie lässt sich die Technologie effizient und kostengünstig umsetzen?

Bild: iStock, Peshkova

Einblicke in die Maschine Umfrage: Wie sollen Anwender erste Schritte für Predictive Maintenance umsetzen?

03.04.2019

Predictive Maintenance wird gerne als Musterbeispiel der Digitalisierung im industriellen Umfeld genannt. Die Vorteile sind unbestritten, doch viele Maschinenbauer und Anlagenbetreiber schrecken vom Aufwand einer Implementierung zurück. Es werden Lösungen benötigt, die schnell zum Erfolg führen, nur einen kleinen Invest benötigen und skalierbar sind. Doch wie geht man das an?

Sponsored Content

In unserer Bildergalerie erfahren Sie, was Vertreter der Industrie auf die Frage nach einer Implementierung von Predictive Maintenance geantwortet haben.

Bildergalerie

  • Die wichtigste Voraussetzung für Predictive Maintenance sind Daten, die den Zustand von Verschleißteilen beschreiben. Daher muss zunächst untersucht werden, wie solche Daten erfasst werden können. Wenn direkte Messungen zum Beispiel mit zusätzlichen Sensoren nicht oder nur sehr aufwendig möglich sind, können eventuell aus vorhandenen Werten indirekt Informationen gewonnen werden. Gewöhnlich fallen solchermaßen geeignete Daten direkt an den Maschinen und Anlagen an, also auf dem Shop-Floor. Zur Ausführung der Algorithmen zur Predictive Maintenance sind jedoch IT-Systeme auf dem Office-Floor besser geeignet. Es werden daher im zweiten Schritt durchgängige Kommunikationswege zur Bereitstellung von Maschinen-Daten auf dem Office-Floor benötigt.

    Benedikt Rauscher, Manager Global IoT / I4.0 Projects, Pepperl+Fuchs

    Bild: Pepperl+Fuchs

  • Ausgangspunkt für einen Predictive-Maintenance-Prozess bildet die Datenerhebung (Data Acquisition), bei der das Sensornetzwerk die Betriebsdaten an ein IoT-Gateway, beispielsweise ein Dell Edge Gateway 3000 oder 5000, sendet. Dieses Gateway nimmt gleich vor Ort für die Daten der Sensoren eine Qualitätskontrolle und Integritätsprüfung vor, aggregiert sie und leitet sie an Backend-Systeme weiter. Dort werden Daten aus unterschiedlichen Quellen zusammengeführt (Data Collection and Aggregation). Für die eigentliche detaillierte Auswertung (Data Analytics) sorgen dann Big-Data-Lösungen, die auf den Storage-Systemen laufen. Die Aufbereitung der Analyseergebnisse erfolgt schließlich mit Visualisierungsfunktionen, wie sie Business-Intelligence-Tools bereitstellen.

    Uwe Wiest, Director Global Systems Engineering EMEA & Regional Sales Director DACH, Dell EMC

    Bild: Dell EMC

  • Predictive Maintenance ist ein Bereich, für den derzeit noch keine Standardsoftware verfügbar ist. Damit der Einstieg trotzdem gelingt, sollte ein agiles und iteratives Vorgehen gewählt werden. Bei der ersten Beurteilung hilft ein Pilotprojekt, das zunächst wenige Maschinen umfasst. Durch IIoT-Sensoren können Messwerte gesammelt werden, auf deren Grundlage bereits erste Überwachungs- und Vorhersageerfolge möglich sind. Um auch komplexe Szenarien analysieren zu können, werden in weiteren Schritten „Data Science”-Methoden angewandt, um einen Mehrwert zu schaffen – wie zum Beispiel die Vermeidung von teuren Ausfallzeiten –, den Maschinen- und Anlagenbauer als USP an ihre Kunden weitergeben können.

    Benjamin Ullrich, Vorstand, Elunic

    Bild: Elunic

  • In der Praxis haben sich zwei verschiedene Ansätze bewährt: Erstens, den wirtschaftlichen Nutzen von Predictive Maintenance Maßnahmen anhand einer ROI-Rechnung (Return of Investment) darzustellen und somit den Nutzen zu quantifizieren und zu belegen. Beispiele dafür sind die signifikante Reduktion von Maschinen- und Anlagenstillständen und damit die Vermeidung von Produktionsausfällen oder auch eine Kostensenkung bei der Maschinen- und Anlagenwartung. Letztere ließe sich durch eine Optimierung des Wartungsmanagements, etwa durch die Einführung einer bedarfsgerechten und vorausschauenden Wartungsstrategie statt einer reaktiven, vorbeugenden Vorgehensweise, realisieren. Eine anderer Ansatz besteht darin, bereits in Maschinen- und Anlagenkonzepten eine nachträgliche Erweiterung in Richtung Predicitve Maintenance vorzusehen. Entsprechend vorbereitete Maschinen lassen sich dann zu geringen Kosten beispielsweise mittels zusätzlicher Software, Apps et cetera durch den Maschinenbauer nachrüsten. Grundvoraussetzung dafür ist aber, dass entsprechende Daten bereits erfasst werden und andererseits der Zugriff auf diese Daten über eine offene Kommunikationsschnittstelle möglich ist. In beiden Szenarien hat sich IO-Link als offene Kommunikationsschnittstelle bewährt.

    Dr. Elmar Büchler, Industriemanager, Balluff

    Bild: Balluff

  • Motoren werden in der Industrie in großem Umfang eingesetzt. ABB bietet für die vorausschauende Wartung von Niederspannungsmotoren den ABB Ability Smart Sensor, der Anwendern einen kostengünstigen und einfachen Einstieg in die Digitalisierung ermöglicht. Der Multifunktionssensor im Taschenformat kann an praktisch allen Motoren angebracht werden und liefert Informationen zu Betriebs- und Zustandsparametern wie Vibrationen oder Temperatur. Das ermöglicht eine effiziente vorausschauende Wartung und damit reduzierte Stillstandzeiten. Der Service ist Teil der Lösung ABB Ability Condition Monitoring für den Antriebsstrang, mit der auch weitere Komponenten eines Antriebsstrangs wie Frequenzumrichter, Lager oder Pumpen überwacht werden können.

    Michael Herbort, Head of Service Sales Drives, ABB Automation Products

    Bild: ABB

  • Predictive Maintenance bietet durch seinen integrierten Ansatz zur Zustandsüberwachung eine ganzheitliche Bewertung von Anlagen. Aus der Analyse der gesammelten Daten ergeben sich verringerte Wartungskosten, kürzere Umrüstzeiten und somit maximale Betriebszeit. Wir bieten für den Einstieg preiswerte Smart-Condition-Monitoring-Kits als nach oben hin offene skalierbare Lösungen für beispielsweise Pumpen, Motoren und Förderbänder an. Im Vergleich zu herkömmlichen Überwachungskonzepten analysiert das modulare Plug-&-Play-System dabei nicht nur klassische Maschinendaten wie Temperatur, sondern auch schwingungsabhängige Parameter in Echtzeit. Standardmäßig sind bereits heute in unseren Antriebs- und Steuerungskomponenten diverse Predictive-Maintenance-Funktionalitäten integriert.

    Stefan Knauf, Manager Product Management & Engineering, Mitsubishi Electric

    Bild: Mitsubishi Electric

  • Weidmüller offeriert erstmalig ein Automated-Machine-Learning-Tool für Maschinen- und Anlagenbauer, das diese autark weiterentwickeln können – ohne selbst Data Scientist zu sein. Das vorhandene Wissen über Prozesse und Maschinen bleibt so im Unternehmen. Mit der neuen Software demokratisiert Weidmüller die Künstliche Intelligenz, da die Methoden einer breiten Masse zugänglich gemacht werden. Das neue Tool bietet eine zukunftssichere Grundlage für effizientere Produktionskonzepte, in denen die Verfügbarkeit der Maschine oder eine garantierte Anzahl der damit produzierten Teile der „Topseller“ und nicht wie bisher ein bestimmter Maschinentyp. Die Maximierung der Produktionszeiten durch Industrial Analytics steht in einem direkt messbaren Mehrwert, der sich in einer „Return-on-Invest-Zeit“ von wenigen Monaten niederschlägt.

    Horst Kalla, Referent Fachpresse, Weidmüller

    Bild: Weidmüller

Verwandte Artikel