1. anacision
  2. /
  3. Predictive Maintenance
  4. /
  5. Anwendungsbereiche

PREDICTIVE MAINTENANCE

Anwendungsbereiche

Predictive Maintenance ist in aller Munde. Doch in welchen Szenarien kann Data Science bei der vorausschauenden Instandhaltung helfen? Verschaffen Sie sich einen Überblick und entdecken Sie die Vielfalt von Predictive Maintenance.

Die Kernbereiche von Predictive Maintenance

Prognose der Restnutzungsdauer

 

Das Ziel bei der Prognose der Restnutzungsdauer einer Anlage ist es, den Zeitpunkt des nächsten Ausfalls zu bestimmen. Dabei sind insbesondere zwei Ansätze verbreitet: Entweder wird aufbauend auf dem Wert des Gesundheitszustands eine Trendanalyse durchgeführt oder aktuelle Messungen für ausgewählte Parameter werden direkt für die Prognose des Ausfallzeitpunkts verwendet.

Bestimmung des Gesundheitszustands

 

Für die Bestimmung des Gesundheitszustands einer Analge muss zunächst individuell ein sinnvolles Maß gefunden werden. Hier bietet sich ein kontinuierlicher Wert zwischen 0 und 100% an. Weiterhin spielt die Auswahl aussagekräftiger Parameter zur Zustandsbeschreibung (z.B. Druck oder Temperatur) sowie die Auswahl eines geeigneten Modells eine wichtige Rolle zur Bestimmung und Prognose des Gesundheitszustands von Anlagen.

Prognose von Ausfällen
in Komponenten

 

Über die Prognose der Restnutzungsdauer hinaus ist hier das Ziel den Ausfall spezifischer Teile oder Komponenten einer Maschine zu prognostizieren, sowie die Ausfallursachen zu identifizieren. Dies ist die anspruchsvollste Anwendung von Predictive Maintenance, aber sicherlich auch die vielversprechendste. Konkrete Gegenmaßnahmen können so bereits frühzeitig geplant und Ausfälle abgewendet werden. Hierfür ist in aller Regel die Integration von Expertenwissen notwendig.

Beispielhafte Anwendungsfälle für Predictive Maintenance

 

Predictive Maintenance in Produktionsanlagen

Der Klassiker bei Predictive Maintenance: Produktionsanlagen sind für den Einsatz von Data Science Ansätzen prädestiniert. Industrie 4.0 und die damit einhergehende Erhebung großer Mengen von Sensordaten ermöglicht eine kontinuierliche Überwachung des Gesundheitszustands von Maschinen und somit die rechtzeitige Einleitung instandhaltender Maßnahmen.   

 

Predictive Maintenance bei Turbinen

Große Kompressoren und Turbinen bei Flugzeugen sind technisch weit entwickelt. Ausfälle dieser Komponenten passieren sehr selten, betreffen aber häufig die ganze Anlage und sind daher mit hohen Kosten verbunden. Mit Predicitve Maintenance kann die Anlage detailliert überwacht und das Ausfallrisiko auf ein Minimum reduziert werden.

 

Predicitve Diagnostics im Automotive Bereich

Spannende Möglichkeiten bietet ein weiteres Anwendungsfeld: Predictive Diagnostics. Eine Kombination aus Data Science Methoden, Expertenwissen und IoT-Daten ermöglicht die Vorhersage von Schäden und Empfehlungen zur Fehlerbehebung bei der Reparatur von Kraftfahrzeugen. Bei diesem Ansatz wird die kontinuierliche Interpretation des Gesundheitszustands um musterbasierte Verfahren ergänzt, die zusätzlich zur Zustandserfassung auch die Möglichkeit zur Diagnostik bieten. Man erkennt also nicht nur, dass etwas falsch läuft, sondern kann die spezifischen Fehler identifizieren.

Der anacision Ansatz

 

Im Gegensatz zu vielen Predictive Maintenance Verfahren am Markt geht unser Ansatz über reine Mustererkennung hinaus. Bei der Erkennung von Mustern werden als Grundlage für das Training der Modelle viele gleiche Schadens- oder Wartungsfälle aus der Vergangenheit benötigt. Unser Ansatz bietet darüber hinaus die Möglichkeit den „Gesundheitszustand“ von Maschinen kontinuierlich zu bewerten und auf dieser Grundlage auch bisher unbekannte Fehlentwicklungen und notwendige Wartungsszenarien frühzeitig zu erkennen. Weiterhin ist die Lösung leicht zu konfigurieren und damit sehr schnell auf verschiedene Maschinen und Anlagenkomponenten in unterschiedlichen Branchen zu transferieren. Die Lösung ist bereits bei mehreren Kunden erfolgreich im Einsatz. 

X