(Quelle: shutterstock.com_Jirsak_571561966)
In den meisten Industrien müssen Anlagen hochverfügbar und zuverlässig arbeiten, so auch im prozesstechnischen Umfeld. Zur Sicherstellung dieser Anforderungen dient insbesondere die Wartung, die sich wie alle Technologien im Lauf der Zeit weiterentwickelt hat. Früher genügte eine einfache visuelle Inspektion der Anlage durch den Menschen. Aufgrund seiner Erfahrungen und seines Wissens entschied dieser dann, wann welche Komponente auszutauschen war. Mittlerweile verfügen Anlagen über zahlreiche Sensoren sowie Computer, die sämtliche relevanten Daten sammeln und diese durch eine Signalverarbeitung, Mustererkennung sowie Logik überwachen, um den Menschen bei der Wartung zu unterstützen.
Durch das Industrie 4.0-Konzept eröffnen sich Anlagenbetreibern neue Optionen, da Daten in derartigen Lösungen allgegenwärtig sind. Wegen der großen Menge, hohen Übertragungsgeschwindigkeit und Diversität der Daten werden allerdings neue Ansätze für ihre Verarbeitung sowie Auswertung benötigt. An dieser Stelle hat sich in den vergangenen Jahren Machine Learning (ML) als Datenverarbeitungsmethode etabliert, sodass sich jetzt eine prädiktive Wartung realisieren lässt. Das bedeutet, dass Fehler in einer Anlage frühzeitig festgestellt werden können oder sogar die Ausfallwahrscheinlichkeit der jeweiligen Komponenten bestimmbar ist. Auf diese Weise lassen sich Austauschzyklen verbessern und somit Kosten einsparen.
89 % der Angaben zum Nutzungszeitraum sind nicht korrekt
Prädiktive Wartung stellt einen Teil der präventiven Wartung dar. Bei ihr geht es darum, dass in der Anlage verbaute Komponenten ausgewechselt werden, bevor sie ausfallen. Im Gegensatz dazu steht die korrektive Wartung, also das Austauschen einer Komponente, nachdem sie einen Fehler aufweist. Bei der prädiktiven Wartung werden die Geräte oftmals nach einer gewissen Zeit ersetzt, die vom Hersteller angegeben ist und auf Erfahrungswerten im Hinblick auf deren Lebensdauer beruht. Das entspricht jedoch häufig nicht der Realität, weil die Komponenten schon früher nicht mehr funktionieren oder noch etwas länger arbeiten können. Laut Studien trifft es in 89 % der Fälle zu, dass der Nutzungszeitraum eines Geräts nicht mit den angenommenen Werten übereinstimmt. Beide Fälle führen für die Anlagenbetreiber zu erhöhten Kosten sei es aufgrund eines Fehlers, der durch zu spätes Austauschen verursacht wurde, oder durch das zu frühe Auswechseln, was wiederum allgemein die Ausfallwahrscheinlichkeit steigert, da diese bei neuen Komponenten generell höher ist.
Darüber hinaus wird eine Unterscheidung zwischen der Fehler diagnose und prognose getroffen. Bei der Fehlerdiagnose soll ein anormales Verhalten der Anlage detektiert und es sollen Teile ersetzt werden, ehe es zu größeren Schäden kommt. Es handelt sich folglich um eine Anomalieerkennung, die sich bereits in einigen industriellen Bereichen im Einsatz befindet und schon mit wenigen Sensoren zuverlässig funktionieren kann. Im Gegensatz dazu versucht die Fehlerprognose Fehler und Ausfallwahrscheinlichkeiten vorherzusagen, um so den bestmöglichen Zeitpunkt für das Austauschen der Komponenten zu bestimmen.
Daten als wichtige Ressource
In Industrie-4.0-Lösungen bilden Daten die wichtigste Ressource. Nach Öl, Kohle und Strom treiben sie die vierte industrielle Revolution voran. Aufgrund ihrer großen Menge (auch als Big Data bezeichnet) ermöglichen die Daten im Rahmen einer prädiktiven Wartung eine geringe Stillstandzeit der Anlagen. Darüber hinaustragen sie zu selbstoptimierenden Prozessen bei, die in einer schnelleren, effizienteren und kostengünstigeren Produktion resultieren. Bei der Verwendung der Daten ist jedoch stets auf deren Vollständigkeit und Korrektheit zu achten, da mehr Daten immer mehr Risiken mit sich bringen und inkorrekte Daten zu falschen oder verzerrten Ergebnissen führen.