Predictive Maintenance

Predictive Maintenance (dt. „vorausschauende Instandhaltung“, kurz PdM) nutzt Datenanalyse und künstliche Intelligenz, um Maschinenausfälle zu prognostizieren. Methoden der Instandthaltung spielen eine große Rolle für die Optimierung der Betriebsleistung, doch im Gegensatz zu anderen Ansätzen ist Predictive Maintenance vorausschauend. In diesem Post zeige ich einige Aspekte von Predictive Maintenance, zugrunde liegende Methoden, sowie Anwendungen in der Industrie.

Predictive Maintenance

Predictive Maintenance ist eine Wartungsstrategie, die auf der Verwendung von Datenanalyse und künstlicher Intelligenz beruht. Ziel ist es, das Auftreten von Defekten oder Fehlfunktionen in Maschinen zu prognostizieren. Dadurch können Ausfallzeiten minimiert und die Effizienz der Wartungsabläufe verbessert werden. Um präzise Prognosen zu erstellen und somit die Wartungszyklen möglichst effizient zu gestalten, wird maschinelles Lernen eingesetzt.

Alternative Wartungsstrategien

Im Gegensatz zu Predictive Maintenance gibt es das traditionelle Konzept der reaktiven Instandhaltung (engl. „breakdown maintenance“). Diese basiert darauf, auf Ausfälle oder Fehlfunktionen erst dann zu reagieren, wenn sie auftreten. Die präventive Wartung hingegen nutzt vorher festgelegte Zeitpläne oder spezifische Nutzungsschwellen (engl. „scheduled maintenance“). Doch auch hier wird der tatsächliche Zustand der Maschine nicht berücksichtigt; es werden maximal Statistiken herangezogen. Als vierte Strategie gibt es die zustandsbasierte Wartung. Diese setzt Sensoren oder Kameras ein, um den aktuellen Zustand der Maschine zu überwachen. Doch ein vorausschauender Aspekt fehlt.

Wie funktioniert Predictive Maintenance?

Die Implementierung von PdM ist meistens von zwei Kerntechnologien abhängig, nämlich allem Machine Learning (ML) und Internet of Things (IoT).

Mit Hilfe von ML-Algorithmen können wir Prognosemodelle erstellen, wenn wir sie mit relevanten Daten füttern. Das Ziel ist es, ein Modell zu erstellen, welches basierend auf den Trainingsdaten eine zuverlässige Aussage über zukünftige Ausfälle treffen kann. Dies können einfache Regressions- oder Klassifikationsmodelle sein oder auch komplexere ML-Verfahren aus dem Deep Learning-Bereich.

Das IoT ermöglicht die dauerhafte Konnektivität zu Maschinen, sodass kontinuierlich Daten erfasst werden können. Die Daten werden von Sensoren geliefert, welche an den Maschinen angebracht bzw. mit ihnen verbunden sind. Kleines Beispiel: Ein Temperatursensor misst die Temperatur an einer Maschine alle 5 Sekunden und schickt diese Information via IoT-Technologie an einen Server. Dort läuft eine Software, welche Daten von vielen verschiedenen Sensoren sammelt und zusammenfügt. Das vorher trainierte ML-Modell nutzt nun diese Daten, um Prognosen zu treffen.

Daten für Predictive Maintenance

Wenn Machine Learning genutzt wird, dann brauchen wir Daten. Und genau deswegen hängt eine effektive Predictive Maintenance-Strategie von der Verfügbarkeit und Qualität der relevanten Daten ab. Die Datenquellen sind vielfältig: Sensoren, Logdateien, Datenbanken, externe Schnittstellen, usw. Besonders für Maschinen gilt, dass Sensoren eine Vielzahl von Betriebsdaten liefern können, z.B. Temperatur, Druck, Vibration, Beschleunigung oder Geschwindigkeit. Doch viele Maschinen oder verbundene Software schreiben auch Logdateien. Diese können wichtige Informationen über die Betriebshistorie und vorherige Ausfälle liefern.

Je nach Sensor bzw. Überwachungsmethode können die Daten unterschiedlicher Natur sein. So gibt es strukturierte Daten (z.B. Tabellen in relationalen Datenbanken), semi-strukturierte Daten (z.B. XML-Dateien), oder unstrukturierte Daten (z.B. aufgenommenes Bild einer Kamera). Die effektive Nutzung dieser Daten erfordert eine durchdachte Datenstrategie. Natürlich ist auch die Qualität der Daten von Bedeutung: Ein eingesetzter Sensor sollte funktionieren und keine Verzerrungen in den Messungen haben. Ebenso sollte er relevant für die Wartungsprognose sein.

Vorteile und Herausforderungen

Warum sollte man Predictive Maintenance überhaupt einsetzen? Nun, es bietet eine Reihe von Vorteilen wie z.B. Kosteneinsparungen, verbesserte Effizienz und längere Lebensdauer der Anlagen. Durch präzise Ausfallprognosen kann die Wartung besser geplant und Ausfallzeiten minimiert werden. Dies führt zu geringeren Wartungskosten und einer höheren Betriebseffizienz. Darüber hinaus kann Predictive Maintenance die Lebensdauer der Maschinen verlängern, indem potenzielle Probleme erkannt und behoben werden, bevor sie zu schwereren Schäden führen.

Doch auch Herausforderungen sollten genannt werden. Predictive Maintenance erfordert ein Prognosemodell, welches trainiert werden muss und anschließend kontinuierlich eingesetzt werden soll. Deswegen entstehen Kosten für die Implementierung und Infrastruktur. Auch der Aspekt der Datensicherheit sollte dabei beachtet werden, denn gesammelte Daten können oft sensible Informationen über Betriebsabläufe enthalten. Zu guter Letzt sollte man bedenken, dass die Einführung von Predictive Maintenance interdisziplinäre Zusammenarbeit erfordert, z.B. zwischen IT, Ingeneuren, Wartungsmitarbeitenden, Entscheidungsträgern, usw.

Anwendungsbeispiele

Predictive Maintenance wird in verschiedenen Branchen eingesetzt. In der Fertigungsindustrie zum Beispiel können Sensoren und ML-Modelle dazu beitragen, Ausfälle in der Produktion zu vermeiden, indem sie frühzeitig Anzeichen für Maschinenprobleme erkennen. In einer Pressemitteilung von BMW steht folgender Text (übersetzt aus dem Englischen): „Wenn es um die Instandhaltung von Produktionssystemen geht, setzt die BMW Group bevorzugt auf Sensoren, Datenanalyse und künstliche Intelligenz (KI). Anstatt des früheren Ansatzes der regelmäßigen, regelbasierten Wartung wird nun eine vorausschauende Instandhaltung durchgeführt, basierend auf dem aktuellen Zustand des Systems. Dadurch werden nicht nur unvorhergesehene Ausfallzeiten in der Produktion vermieden, sondern es wird auch ein wichtiger Beitrag zur Nachhaltigkeit und zum effizienten Ressourceneinsatz geleistet, indem eine optimale Systemverfügbarkeit gewährleistet wird. Innovative, cloudbasierte Lösungen für vorausschauende Instandhaltung werden derzeit im globalen Produktionsnetzwerk eingeführt.“

In der Energieindustrie kann Predictive Maintenance dazu beitragen, die Zuverlässigkeit von Kraftwerken und Stromnetzen zu verbessern. Als Beispiel habe ich eine etwas ältere Pressemitteilung von E.ON gefunden, in der unter anderem folgendes steht: „Störungen im Stromnetz beheben – lange bevor sie auftreten können: Das ermöglicht der Einsatz von Künstlicher Intelligenz bei einer Technik, die E.ON erstmalig in dieser Form entwickelt hat und die bei der Schleswig-Holstein Netz AG, einem deutschen Netzbetreiber von E.ON, jetzt zum Einsatz kommt. Die Verbindung von umfassender Datenanalyse mit einem selbstlernenden Algorithmus ermöglicht es, Fehler und Störungen im Stromnetz ab sofort deutlich zuverlässiger vorherzusagen als bisher – und viel früher Gegenmaßnahmen zu ergreifen.“

Auch in der Transportbranche findet Predictive Maintenance Anwendung. Fluggesellschaften oder Eisenbahnunternehmen nutzen Predictive Maintenance, um den Zustand der Flugzeuge bzw. Züge zu überwachen und mögliche Probleme frühzeitig zu erkennen. Siehe zum Beispiel diesen Artikel von Lufthansa Industry Solutions für die Flugbranche. Dieser News-Artikel von DB Rail Academy erwähnt den Übergang von älteren Methoden zu Predictive Maintenance.

Fazit

Es wird erwartet, dass Predictive Maintenance in den kommenden Jahren immer häufiger eingesetzt wird. Fortschritte im Edge Computing werden dazu beitragen, die Effizienz und Verfügbarkeit der Systeme zu steigern. Dies könnte wiederum zu einer erhöhten Akzeptanz dieser Technologien in verschiedenen Industrien führen. Ich bin mir sicher, dass sich auf dem Gebiet noch viel tun wird. So kann ich mir vorstellen, dass neuere Anlangen integrierte Predictive Maintenance-Module beinhalten werden oder neue Cloud-Lösungen für PdM entstehen.

Wenn du ein Wunschthema hast oder mir Feedback geben willst, schreibe gerne einen Kommentar oder schicke eine Mail an mail@thorejohannsen.de.