Predictive Maintenance

Potenzielle Ausfälle von Maschinen und Anlagen vorhersagen

Predictive Maintenance (oder vorausschauende Instandhaltung) ist die intelligente Überwachung von Maschinen zur Vermeidung zukünftiger Ausfälle. Anders als bei der vorbeugenden Instandhaltung sind die Wartungsintervalle nicht von vornherein festgelegt, sondern werden durch Analyse-Algorithmen auf Basis von Sensordaten ermittelt und optimiert.

Predictive Maintenance bietet Kunden und Anlagenherstellern folgende Vorteile:

  • Reduzierung von Stillstandzeiten von Maschinen und Anlagen, indem Probleme identifiziert werden, bevor es zum Ausfall kommt. Dies ermöglicht das Planen von Wartungen genau dann, wenn sie erforderlich sind und am wenigsten stören, und verlängert die Lebensdauer der Geräte
  • Automatische Ermittlung von Fehlerursachen, damit zielgenaue Wartungen durchgeführt werden können, ohne dass zusätzlich Ressourcen für die Diagnose aufgewendet werden müssen
  • Vermeidung von Kosten für unnötige Instandhaltungsmaßnahmen

Für den Erfolg von Predictive Maintenance sind die passenden Algorithmen ausschlaggebend. Temperatur-, Druck- oder Spannungsdaten sowie Geräuschpegel oder Vibrationen werden mit speziellen Sensoren messtechnisch erfasst. Diese Daten werden mit Techniken aus der Statistik und der Signalverarbeitung aufbereitet. Anschließend werden sie verwendet, um den Zustand der Maschinen und Anlagen zu überwachen, indem sie mit den bekannten Merkmalen von Fehlerzuständen verglichen werden. Hierzu werden Clustering und Klassifizierung von Daten sowie andere Techniken des maschinellen Lernens (oder Machine Learning) eingesetzt. Bei einem modellbasierten Ansatz können diese Daten auch dazu verwendet werden, um vorausschauende Modelle des Systemverhaltens für die Zustandsüberwachung zu erstellen. Solche Modelle werden dann genutzt, um Veränderungen am Zustand der jeweiligen Maschine zu verfolgen und die wirtschaftliche Restlebensdauer vorherzusagen.

Nach Test und Validierung können Algorithmen für die vorausschauende Instandhaltung in bestehenden IT-Umgebungen, etwa einer Server- oder Cloud-Umgebung, eingesetzt werden. Zeitkritische Algorithmen werden mittels Codegenerierung direkt in einem Embedded System oder einer Industriesteuerung (SPS) implementieren. Dies ermöglicht kürzere Reaktionszeiten und reduziert den Datenverkehr im Netzwerk wesentlich.

Weitere Information finden Sie unter Statistics and Machine Learning ToolboxNeural Network Toolbox und System Identification Toolbox.


Siehe auch: präskriptive Analysen

Übersicht zum System-Design für Industrie 4.0

Mit Anwendungsbeispielen und Antworten auf die Top 3 Fragen von Ingenieuren

Predictive Maintenance Package mit MATLAB: Optimale Serviceintervalle berechnen und Einsparungspotentiale realisieren