Durch die fortschreitende Digitalisierung der Industrien werden immer mehr produktionstechnische Komponenten überwacht und es stehen in Echtzeit Daten über technische sowie physikalische Effekte, wie zum Beispiel Druck oder Temperatur in der Anlage, zur Verfügung. Die automatisierte Auswertung dieser detaillierten Anlageninformation durch Data-Science-Modelle erlaubt die Bestimmung des optimalen Zeitpunktes für die Durchführung von Instandhaltungsmaßnahmen.
Bei der bereits angeführten präventiven Instandhaltung wird in vielen Fällen eine Wartung ohne Notwendigkeit durchgeführt, wie beispielsweise ein unnötiger Austausch von Komponenten. Durch intelligente Datenanalysen kann der tatsächliche Wartungsbedarf identifiziert werden. Somit findet eine Konzentration auf notwendige Instandhaltungsmaßnahmen statt. Die Folge hieraus ist eine Senkung der Wartungskosten. Bei der zustandsabhängigen Instandhaltung können zwei Varianten unterschieden werden.
Bei fortgeschrittenen Ansätzen des Condition Monitoring wird eine Vielzahl von Sensorwerten in Echtzeit überwacht. Über dynamische Grenzwerte oder ein mathematisches Modell des gesunden Anlagenzustandes können kritische Entwicklungen in der Anlage deutlich früher und spezifischer erkannt werden, als bei der traditionellen zustandsabhängigen Instandhaltung mit statischen Grenzwerten. Die Beurteilung des Anlagenzustands ist aufgrund der Wechselwirkungen zwischen den Messgrößen und der Abhängigkeit vom Betriebszustand sehr komplex und macht den Einsatz von Data Science erforderlich.
Bei Predictive Maintenance lernen Modelle aus dem Bereich Data Science basierend auf den historischen Daten Zusammenhänge zwischen Anlagenparametern und Mustern, die zu Ausfällen führen. Diese Modelle erlauben eine Prognose der Entwicklung des Anlagenzustandes und ermöglichen so den Zeitpunkt des nächsten Ausfalls zu bestimmen. Instandhaltungszeitpunkte können auf diese Weise optimal definiert werden.
Predictive Maintenance steigert also merklich die Effizienz in der Instandhaltung von großen Industrieanlagen. Zum Beispiel zeigt ein Vergleich verschiedener Instandhaltungsstrategien in der Energiewirtschaft der USA eine Reduktion der jährlichen Wartungskosten bei Kraftwerken. So konnten die Kosten durch Nutzung von Predictive Maintenance von 9,5 Dollar pro Kilowatt installierter Leistung auf 6,6 Dollar gesenkt werden. Dies entspricht einer Kostenersparnis von ca. 30 Prozent.[1]
Haben wir Ihr Interesse geweckt? Mehr über Predictive Maintenance erfahren Sie auf unserer Themenseite.
Bei Fragen und Anregungen stehen wir Ihnen gerne zur Verfügung. Kontaktieren Sie uns!
[1] US Department of Energy’s (2010) – Operations & Maintenance Best Practices