Schwerpunkte

Interoperabilität als Grundlage

Das Potenzial von Predictive Maintenance

13. August 2020, 08:20 Uhr   |  Aleksandar Kovačević

Das Potenzial von Predictive Maintenance
© Pixabay/CC0

Predictive Maintenance als Erfolgsbeispiel für das Industrial Internet of Things.

Maschinen, die im Bedarfsfall proaktiv eine Wartung anfordern, Produktionslinien, die in Echtzeit über ihre aktuelle Auslastung informieren - diese Beispiele zeigen das große Potenzial des Internet der Dinge für die Industrie der Zukunft.

Einer Studie von TÜV Süd und IDG zufolge setzen bereits mehr als die Hälfte der befragten Unternehmen auf IoT-Geräte. McKinsey sagt zugleich voraus, dass der wirtschaftliche Mehrwert des Internets der Dinge bis 2025 rund 11,1 Billionen Dollar betragen könnte. Soweit die Theorie. Um die vielfältigen Möglichkeiten aber wirklich erfolgreich nutzen zu können, ist eine fundierte Datenstrategie gepaart mit leistungsstarken Entwicklungstechnologien vonnöten. Denn nur dann lässt sich die riesige Menge der von den Sensoren generierten Informationen uneingeschränkt orchestrieren, vollständig auswerten und bestmöglich nutzen. Herkömmliche Datenmanagement-Lösungen kommen mit dem hohen Datendurchsatz, der mit derartigen Anwendungen einhergeht, schlichtweg nicht zurecht. Für IoT-Projekte wie etwa Predictive Maintenance (vorausschauende Wartung), Maschinenzustandsanalyse und innovative KI-Anwendungen, wird eine wird eine Plattform benötigt, die sich durch Interoperabilität, Performance und Skalierbarkeit auszeichnet.

Erster Schritt im IoT-Projekt: Maschinendaten nutzbar machen

Eine erste zentrale Herausforderung in Sachen IoT besteht für viele Industrieunternehmen darin, an die für Analysen benötigten Daten zu gelangen. Denn die von älteren und neueren Geräten verwendeten Datenprotokolle sind zumeist unterschiedlich. Es muss daher ein Weg gefunden werden, unterschiedlichste Datenformate und -protokolle sammeln, verarbeiten und analysieren zu können. Ein erster Schritt für Industrieunternehmen wäre, ihre Maschinen so aufzurüsten, dass Gerätedaten wie Energieverbrauch oder Nutzungsdauer via Adapter zu Maschinen-Controllern wie dem Quasi-Industriestandard Siemens SIMATIC S7 ausgelesen werden können. In einem nächsten Schritt geht es dann darum, die gesammelten Daten zu orchestrieren und zusammenzuführen, oftmals von unterschiedlichsten Maschinenstandorten in eigenen oder auch fremden Betriebsstätten. Oftmals müssen dazu neue Anwendungen programmiert werden, um die Kommunikation über unterschiedliche Protokolle hinweg sicherzustellen. Dies gilt umso mehr, wenn auch andere IT-Lösungen wie ERP (Enterprise Resource Planning) - oder SCM (Supply Chain Management)-Systeme angebunden werden sollen.

Daten nicht nur sammeln, sondern auch klug analysieren

Das Handling unterschiedlicher Datenformate und Standards spielt im Kontext von Predictive Maintenance- und IoT-Projekten eine zentrale Rolle. Nicht minder entscheidend für einen effizienten Workflow ist indes die Fähigkeit, große Datenmengen souverän zu handhaben. Ein Beispiel: Eine typische Anwendung für die Energiemessung in einer kleinen bis mittelgroßen Stadt muss durchschnittlich über 10.000 Ereignisse pro Sekunde und mehr als eine Milliarde Ereignisse pro Tag verarbeiten. Die meisten Datenmanagementsysteme bieten angesichts derart gewaltiger Datenmengen und Szenarien nicht die notwendigen Voraussetzungen für Predictive Maintenance oder Data Mining. Der umfassende Einsatz dieser Technologien bietet immensen Nutzen und reicht von Verbesserungen des Produktdesigns und der Usability bis hin zur Entwicklung vollkommen neuartiger Geschäftsmodelle. Voraussetzung ist in allen Anwendungsfällen die Erfassung und Bündelung der Daten in einer Datenbank. Doch das allein macht die Daten noch nicht nutzbar. So ist beispielsweise die Analyse der Daten in Form von Data Mining – also die Anwendung statistischer Methoden auf große Datenmengen, um gültige und potenziell nützliche Muster zu erkennen – und Predictive Analytics zur Vorhersage von zukünftigen Ereignissen angesichts fehlender definierter Analysestandards noch immer eine Herausforderung.Zwar beschäftigen sich derzeit schon viele Unternehmen mit dem Thema Predictive Maintenance, um das Kosten-Leistungsverhältnis ihrer Maschinen weiter zu verbessern und Produktionsausfälle wegen defekter Produktionsanlagen zu vermeiden. Doch fast immer geht es hierbei lediglich um das Sammeln von Betriebsdaten – eine weitreichendere Analyse ist vielerorts noch Zukunftsmusik. 

Seite 1 von 3

1. Das Potenzial von Predictive Maintenance
2. Interoperabilität muss sein: Industrie 4.0 setzt integrierte Datenstrategie voraus
3. Performance im Fokus: Machine Learning integriert

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Verschleißbehaftete Kabel vorausschauend warten
Warum Predictive Maintenance?

Verwandte Artikel

WEKA Business Medien GmbH