Gastbeitrag: Predictive Maintenance bietet die Möglichkeit, Ausfälle von Maschinen zu vermeiden und somit ihre Gesamteffizienz zu erhöhen. Die Umsetzung ist allerdings komplex und stellt eine Hürde für viele Unternehmen dar, warnen Paolo Di Francesco und Johann Füchsl.

Foto: AWS Der Autor Paolo Di Francesco ist Solutions Architect bei AWS Foto: AWS Der Autor Johann Füchsl ist Solutions Architect bei AWS Viele Bereiche in der Industrie wie etwa in der Prozessfertigung oder Montagestraßen für Autos stützen sich auf Maschinen, die regelmäßig gewartet werden müssen. Ausfälle dieser Maschinen können das Unternehmen erheblich schädigen. Dazu gehören zum Beispiel Umsatzeinbußen durch einen Stillstand in der Produktion sowie ein nachhaltig geschädigter Ruf durch mangelhafte Qualität. Unternehmen sind deswegen bemüht, ungeplante Stillstände zu minimieren und erkennen vorausschauende Wartungsstrategien als vielversprechenden Zugang, um dies zu erreichen. Sie stehen aber oft vor der Frage wie sie diese kosteneffizient, mit den bestehenden Ressourcen und ohne Einfluss auf den laufenden Betrieb einführen können.

Ältere Maschinen nachrüsten

Eine Herausforderung mit denen sich Maschinenbetreiber konfrontiert sehen, ist die Auswahl der zu sammelnden Daten. Ein pragmatischer Ansatz besteht darin, die bereits verfügbaren Maschinendaten zu nutzen. Ältere Maschinen, die noch keine Daten liefern, müssen gegebenenfalls mit externen Sensoren nachgerüstet werden. Oft reichen schon Messwerte für die Temperatur und Vibrationen aus, um Ausfälle vorherzusehen.

Blick in die Glaskugel

Mit den verfügbaren Maschinendaten können dann Vorhersagemodelle entwickelt werden, deren Prognosen in eine prädiktive Wartungsstrategie einfließen. Fortschritte in den Bereichen des Maschinellen Lernens und der Künstlichen Intelligenz reduzieren die damit verbundene Komplexität und ermöglichen so einen Einsatz auf breiter Basis. Für Unternehmen ist es damit nicht mehr zwingend notwendig, für diese Aufgabe Data Science Experten einzustellen. Cloud Plattformen bieten darüber hinaus Zugriff auf IT-Ressourcen, die mit den wachsenden Datenmengen und den benötigten Rechenkapazitäten mitskalieren.

Die von den Vorhersagemodellen generierten Prognosen lassen sich in drei Typen einteilen. Einerseits untersuchen Zustandsklassifizierungen die Daten nach Anomalien, welche auf ein baldiges Versagen einer Komponente schließen lassen, zum Beispiel ein Anstieg der Durchschnittstemperatur bei einem Elektromotor. Andererseits werden bei Root-Cause-Analysen Daten so ausgewertet, dass auf die Grundursache einer Fehlfunktion geschlossen werden kann. In der dritten Kategorie wird eine Prognose für die restliche effektive Lebensdauer von Maschinenkomponenten erstellt.

In einer vorhersehenden Wartungsstrategie müssen diese Einsichten aufbereitet und dann zeitnah zur Verfügung gestellt werden, zum Beispiel über eine Push-Nachricht auf das Smartphone eines Wartungstechnikers.

Foto: AWS Für rotierende Komponenten wie zum Beispiel Motoren, Getriebe und Lager, bietet Amazon Monitron eine End-to-end Lösung Bestehende Lösungen nutzen

Bestehende Lösungen, wie zum Beispiel Amazon Lookout for Equipment von Amazon Web Services (AWS), erleichtern Unternehmen die Einführung von predictive Maintenance, indem sie die Komplexität der Datensammlung und Verarbeitung übernehmen und automatisch die für die Maschinenwartung relevanten Erkenntnisse liefern.

Für rotierende Komponenten wie zum Beispiel Motoren, Getriebe und Lager, bietet Amazon Monitron eine End-to-end Lösung, inklusive der Sensorik zur Sammlung der benötigten Daten sowie einer Mobil-App zur proaktiven Zustandsüberwachung.

Durch die Nutzung dieser Cloud-Dienste können Unternehmen von den Vorteilen präventiver Wartung profitieren, ohne dabei in Data Science Fachpersonal und spezielle Infrastruktur investieren zu müssen.

Bestehenden Data Science Experten im Unternehmen wird dadurch Arbeit abgenommen, was ihnen erlaubt, sich vermehrt auf die Schaffung von Geschäftswerten, wie zum Beispiel die Optimierung von Fertigungsprozessen oder die Entwicklung neuer Produkte, zu fokussieren.

Dieser Artikel ist Teil unserer Serie "Cloud Computing im Fokus", die in den kommenden Wochen jeden Freitag auf www.ittbusiness.at erscheint. Bisher sind folgende Beiträge erschienen:

• 29.10.2021: Data Lake oder doch Haus am See? Datengetriebene Organisationen in der Cloud.
• 05.11.2021: Innovation und Agilität durch hybride Architekturen. Die Cloud vereinfacht Migrationen und Rechenzentrumserweiterungen.
• 12.11.2021: Mehr Flexibilität im beruflichen Alltag. Arbeiten in der Cloud