Aus Big Data durch Analyse und Mustererkennung Smart Data generieren: Es ist eines der ganz großen Versprechen der digitalen Transformation. Das gelingt in Sachen Instandhaltung sehr gut über das langfristige Erfassen von relevanten Daten (Temperaturen, Drücke, Volumenströme) und deren Analyse (Trends, Abweichungen).
Massiv gefallene Preise der immer leistungsfähigeren Sensoren unterstützen dies. Und Data Mining versucht dann, mittels anspruchsvoller statistischer und mathematischer Verfahren sowie Algorithmen verborgene Muster, Trends und Zusammenhänge in großen Datenmengen zu erkennen.
Großteil der Felddaten noch immer ungenutzt
Die Crux ist bis heute, dass smarte Feldgeräte wie Pumpen, Kompressoren und Ventilatoren zwar mit dem zentralen Gebäude- oder Prozessleitsystem kommunizieren, die fleißig gesammelten Massendaten wegen Sicherheitsbedenken und technischer Hürden vielfach aber nur zur nachträglichen Fehleranalyse genutzt werden. Experten schätzen, dass 97 Prozent der Daten aus der Feldebene ungenutzt bleiben.
Die Herausforderung ist, an diese Daten heranzukommen. Heute stehen dazu leistungsfähige Echtzeit-Bussysteme wie das Industrial Ethernet und Cloud-Anbindungen bereit. Eine datenbasierte Verzahnung der Bereiche Produktion und Instandhaltung ist somit möglich. Sehr anschaulich sprechen Experten von einem „Langzeit-EKG“.
Ausfälle anhand von Geräuschen vorhersehen
Mit seinem Machine-Health-Konzept (GMH) greift der Pumpenhersteller Grundfos auf eine der weltweit größten Datenbanken für typische Maschinengeräusche und Vibrationsprofile zu, mit deren Hilfe präzise Diagnosen möglich sind. Aus Maschinendaten werden so Handlungsempfehlungen – basierend auf Echtzeit-Meldungen und Algorithmen, die geeignete Reparaturen und Wartungsmaßnahmen vorschlagen.
Sensoren und smarte Algorithmen überwachen kritische Aggregate rund um die Uhr. Schon beim ersten Anzeichen eines Problems meldet sich das System mit einer detaillierten Analyse inklusive einer potenziellen Lösung für das sich anbahnende Problem. Der Betreiber kann dann Wartungsmaßnahmen gezielt terminieren, spart Kosten und vermeidet teure Ausfälle. Das Ergebnis: 30 Prozent geringere Wartungskosten, 90 Prozent niedrigere Reparaturkosten, 75 Prozent weniger Ausfälle und eine 45 Prozent länger verfügbare Betriebszeit.
Künstliche Intelligenz ohne Einlernzeit nutzen
Eine Besonderheit von GMH ist, dass die genutzte Datenbank schon kurz nach der Installation der Sensoren und Empfänger Aussagen über den Zustand der Anlage treffen kann. Die Algorithmen der Künstlichen Intelligenz müssen also nicht wie sonst oft üblich erst angelernt werden. Tausende hinterlegte Geräusch- und Vibrationsmuster sind sofort mit den installierten Maschinen abgleichbar.
