Ein Projektpartner von anacision stattet seine Großindustrieanlagen mit Sensoren aus, sodass regelmäßige Messwerte zu Effekten in den Anlagen verfügbar sind. Solche Sensordaten stellen das Grundgerüst für den erfolgreichen Einsatz von Predictive Maintenance dar. Ziel dieser Partnerschaft war die Etablierung von Predictive Maintenance durch die frühzeitige Identifikation und Steuerung des Wartungsbedarfs, um ungeplante Ausfälle zu vermeiden. Dabei wurde zunächst ein Ansatz für fortgeschrittenes Condition Monitoring etabliert, welcher die Grundlage für Predictive Maintenance ist.
Im Rahmen des Projektes wurden geeignete Ansatzpunkte für Predictive Maintenance analysiert. Eine Herausforderung war, dass es durch die geringe Anzahl und hohe Diversität der Störfälle kaum wiederkehrende Muster für Anlagenausfälle gab. Aufgrund der geringen wiederkehrenden Muster wurde in einer Projektpartnerschaft mit dem Anlagenbetreiber ein zweistufiges Vorgehen zur Etablierung von Predictive Maintenance entwickelt.
Durch Condition Monitoring wurden zunächst ungesunde Zustände automatisch erkannt. Darauf basierend wurden Muster extrahiert, die dann im Rahmen einer Vorhersage verwendet werden können.
Bei der Datenaufbereitung wurden die in Echtzeit vorliegenden Sensordaten der Anlagen bereinigt und die heterogenen Zeitreihen der einzelnen Sensoren synchronisiert. Im nächsten Schritt wurden die aufbereiteten Daten genutzt, um die physikalischen Interaktionen verschiedener Parameter der einzelnen Anlagenkomponenten wie beispielsweise Drücke, Temperaturen, Vibrationen oder Schwingungen, zu modellieren. Das erstellte Modell bildet den erwarteten Zustand eines Parameters (z. B. einer Temperatur) bei gegebenen anderen Betriebsgrößen ab. Abweichungen zwischen dem physikalischen Modell und aktuellen Sensordaten können so genutzt werden um den aktuellen Gesundheitszustand der Anlage abzuleiten (siehe Abbildung 1). Hierbei sind dauerhaft größere Abweichungen als potentiell ungesund zu verstehen. Im operativen Einsatz zeigt sich, dass verschiedene bekannte historische aber auch neue Störfälle oft Wochen vor einem Ausfall identifiziert werden können.
 |
| Abbildung 1: Zusammenhänge der Parameter können in einem Modell abgebildet werden, um kontinuierlich den aktuellen Gesundheitsstatus der Anlage zu überwachen |
Darüber hinaus bilden die Modelle des Gesundheitszustandes die Grundlage für die Weiterentwicklung zu Predictive Maintenance. Über die physikalischen Zusammenhänge können Muster extrahiert und für eine Prognose des Anlagenzustands eingesetzt werden. So sind Wartungsmaßnahmen durch diese Prognosen besser planbar. Bei einem geplanten Anlagenstillstand können durch den Einsatz von Predictive Maintenance bereits Teile ausgetauscht werden, deren Zustand sich voraussichtlich erst in den nächsten Wochen verschlechtern wird. In Folge dessen kann der Austauschzeitpunkt der Teile optimiert und daraus eine signifikante Senkung der Instandhaltungskosten herbeigeführt werden.
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!
