Industrie 4.0 – Predictive Maintenance, Process Modelling
28.01.2020 - Norbert Schenk
„Predictive Maintenance“ („vorausschauende Wartung“) beschreibt den Einsatz von speziellen Techniken, die proaktiv den Zustand der Maschinen und Anlagen im Betrieb überwachen, um sehr gezielt und effizient Wartungen durchführen zu können. Anders als regelmäßig geplante vorbeugende Wartung, ermöglicht Predictive Maintenance, die Wartung von Geräten nur bei „begründetem“ Bedarf, sodass die hierfür notwendigen Stillstandszeiten der Maschinen und Anlagen verringert werden können. Andererseits werden durch die ständige Überwachung der Maschinen und Anlagen frühzeitig Anomalien erkannt, sodass eine rechtzeitige Wartung durchgeführt werden kann, bevor diese ausfallen. So können ebenfalls Stillstandszeiten verringert werden.
Hierfür werden die Maschinen und Anlagen in der Produktion über Sensoren hinsichtlich der Wartungs- bzw. Verschleißrelevanten Parameter überwacht. Die Sensoren senden in zyklischem Zeitabstand Daten in Echtzeit an die Auswerteeinheiten auf der jeweiligen IIoT-Plattform. Dort werden sie mit Hilfe von KI-Algorithmen (Mustererkennung hinsichtlich Anomalien – lernende Algorithmen, die aus der Erfahrung aus Vergangenheitsszenarien lernen) ausgewertet, ob sich Anzeichen für eine negative Abweichung zu einem vorgegebenen Referenzwert bzw. Muster ergeben. In diesem Fall wird vom Auswertesystem zu einem möglichst frühen Zeitpunkt eine entsprechende Meldung generiert, damit entsprechende Korrekturmaßnahmen rechtzeitig und planbar durchgeführt werden können. Somit sind gezielte Wartungseinsätze sehr effizient planbar. Abgesehen von der Information, dass es grundsätzlich zu einer Abweichung der relevanten Parameter gekommen ist, kann auch der „Ort“ (Bauteil, Komponente) der Abweichung lokalisiert und entsprechend gezielt reagiert werden. Sollte man ein entsprechendes Ersatzteil für die Wartung benötigen, so kann man dies entsprechend frühzeitig bestellen, oder es (auf Basis der gewonnenen Erfahrungswerte) auf Lager vorhalten. Somit könnten bspw. nur die „kritischen“ Teile (hohes Ausfallrisiko, lange Lieferzeit) gelagert, und die Ersatzteildisposition und Lagerunhaltung entsprechend optimiert werden.
Predictive Maintenance läßt sich natürlich auch auf Maschinen und Anlagen anwenden, welche als Endprodukte vom Hersteller an Kunden verkauft werden (bspw. im Rahmen von Serviceleistungen). Hierzu müssen die an den Kunden ausgelieferten Maschinen an eine entsprechende IT-Kommunikationsplattform angebunden werden, die mit dem Hersteller gekoppelt (vernetzt) ist. Damit können bspw. Wartungen und Instandhaltungen, die beim Kunden durchgeführt werden müssen, besser und effizienter geplant werden. Hierfür macht es seitens der Hersteller Sinn, die entsprechenden Maschinen bereits so mit Sensoren auszustatten, dass diese die entsprechend relevanten Daten erfassen, vorverarbeiten und senden können. Dies bedeutet für den Kunden dann auch ein „Mehrwert“ hinsichtlich einer "schlanken" Wartung bzw. einer gezielten Unterstützung bei Technischen Problemen durch den Hersteller über die Vernetzung der Maschinen (über die entsprechenden IT-Kommunikationsplattform).
Im Rahmen von Predictive Maintenance können auf Basis von "Zuständen" der eingebundenen „Objekte“ (über Sensoren erfasst Maschinenzustände) weitere Prozesse angesteuert werden, wie z.B. die Meldung, dass eine Wartung zu erfolgen hat. Im produktionsnahen Bereich gibt es grundsätzlich zahlreiche solcher Prozessabläufe, die über die „Prozesszustände“ der eingebundenen „Objekte“ überwacht und gesteuert werden könnten. Hierzu ist es jedoch erforderlich, dass die entsprechenden Prozesse „IIoT-fähig“ digitalisiert sind. D.h. die jeweiligen „Objekte“ müssen in das IIoT eingebunden, und mit entsprechenden Sensoren (zur Überwachung und Steuerung) ausgestattet sein. Auf Basis der Sensordaten („Prozesszustände“) können dann Prozessabläufe („Workflows“) definiert werden, die in Abhängigkeit der Daten („Prozesszustände“) automatisch ausgeführt werden. In diesem Zusammenhang spricht man auch von „Process Modelling“, also dem „Modellieren von Prozessen“. Auf diese Weise können Interaktionen zwischen den im IIoT eingebunden „Objekten“ individuell „programmiert“, und Prozessregelketten erstellt werden, mit dessen Hilfe „Netzwerke“ von sich selbst steuernden „Objekten“ realisiert werden können. Hierfür gibt es mittlerweile Software-Anwendungen mit denen man auf einfache Art und Weise Datenauswertungen (in Echtzeit) sowie deren Visualisierung und entsprechende Workflows abbilden und ablaufen lassen kann. Sie werden über einfache Symbolsprachen (graphische Oberflächen - bspw. Drag-and-Drop oder Excel-Ähnliche Oberfläche) generiert, sodass es keiner speziellen Programmierkenntnisse bedarf. In diese Software-Anwendungen lassen sich auch komplexe Datenanalysen über KI-Anwendungen einbinden. Ebenso können sie an andere Drittsysteme angebunden werden. Dies können weitere spezielle Auswertesysteme sein, aber auch alle Arten von kommerziellen Systemen (z.B. ERP-Systeme etc.). Auf diese Art und Weise können individuelle Workflows "eigenständig" (ohne externen IT-Aufwand) erstellt werden.
Bei Fragen zu den Themen können Sie mich gerne unverbindlich kontaktieren. Auch weitere Anregungen bzw. Erfahrungsaustausche zu den Themen sind gerne willkommen.
Der Titel des nächsten Beitrags lautet:
„Industrie 4.0 – Visualisierungstechnologien“