Predictive Maintenance
Advanced Analytics
In den aktuellen IT-Projekten der Produzenten geht es häufig um die Datenanalyse auf der Suche nach bislang unbekannten, weil komplexen Zusammenhängen. Eine Herangehensweise per Advanced Analytics kann helfen.
Wann ist der richtige Zeitpunkt für die Maschinenwartung? Diese Frage wurde bislang oft anhand von Erfahrungswerten beantwortet. Werden Maschinen allerdigs zu spät gewartet, kann dies zu Produktionsausfällen führen. Werden Teile zu früh ausgetauscht, entstehen unnötige Kosten. Heute werden für die Beantwortung dieser Frage Daten herangezogen, auf deren Basis sich die Wartung vorausschauend steuern lässt. Dieser Predictive Maintenance-Ansatz basiert auf Advanced Analytics. Bei dieser Big-Data-Technologie lassen sich anhand von Vergangenheitsdaten und speziellen Vorhersagemodellen Zukunftsszenarien ableiten. Dadurch können auch komplexe Zusammenhänge schnell analysiert werden. Basierend darauf lassen sich fundiertere Entscheidungen treffen. Doch wie genau funktioniert die Technologie? Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Daten erheben und analysieren
Grundlage für Advanced Analytics ist die Erhebung von Daten. Diese werden analysiert und in mathematischen Modellen erfasst. Dabei gibt es zwei Varianten: Die zeitbasierte Vorhersage gibt einen Ausblick darauf, wie sich ein Wert in Zukunft verhalten wird. Die wertbasierte Vorhersage zeigt, wie sich ein Wert verhält, wenn ein anderer verändert wird. Dieses Modell kann beispielsweise ermitteln, wie viel Energie eine Anlage bei einer veränderten Produktionsmenge verbrauchen wird. Basis für die Berechnung solcher Prognosen sind mathematische Modelle, so genannte Predictive Models, die entweder mit statistischen Regressionsanalysen funktionieren oder auf maschinelles Lernen mittels neuronaler Netze zurückgreifen.
Wartung nach Beanspruchung
Der richtige Wartungszeitpunkt einer Maschine hängt von verschiedenen Parametern ab, beispielsweise wie alt die Maschine ist, wie stark sie belastet wird oder zu welchem Zweck sie im Einsatz ist. Zur Berechnung werden Daten aus dem laufenden Betrieb benötigt. Auf Basis dieser Datensätze lernt das System beständig dazu und ermöglicht es, Live-Daten über ein Modell zu interpretieren und individuelle Instandhaltungstermine zu definieren. Denn die Wartung richtet sich dann nach der tatsächlichen Beanspruchung der Maschine. Unnötige Kosten und Stillstände werden vermieden. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Ressourcen berechnen
Neben der vorausschauenden Wartung wird Advanced Analytics auch im Ressourcen-Management sowie in der Produktionsplanung und -kontrolle eingesetzt. Aus den Daten einer Fertigungsanlage lässt sich ein Bild über den Ressourcenverbrauch erstellen. Und das nicht nur für die Vergangenheit, sondern als Hochrechnung auch bis zum Ende des Abrechnungszeitraums. Ein weiteres Einsatzgebiet ist die Prozessoptimierung: Wenn bekannt ist, wie sich einzelne Parameter auf den Herstellungsprozess auswirken, kann das Produktionsergebnis einer Maschine verbessert werden. Advanced-Analytics-Anwendungen sind in der Lage, Korrelationen zwischen einzelnen Werten und Datenpunkten zu ermitteln. Auf diese Weise lässt sich der Prozess beschleunigen.
