Verhindern, dass die Maschine stehen bleibt

Die Digitalisierung von Fertigungsprozessen hat die Vernetzung der damit verbundenen Maschinen, Produktionsanlagen und Werkzeugen zur Folge. Das wirkt sich auch auf die Instandhaltung aus. Während in vielen Bereichen die präventive, vorbeugende Instandhaltung bis heute dominiert, verbreiten sich durch günstiger werdende Technologien zunehmend auch vorausschauende – sogenannte Predictive Maintenance-Konzepte.

Maschinenbauer, die ihren Kunden auf Basis der neuen Wartungsansätze einen Mehrwert bieten möchten, müssen dafür jedoch auf datenbasierte Geschäftsmodelle umsteigen. Diese nutzen integrierte IIoT-Plattformen, um die Daten von vernetzten Maschinen und Anlagen zu erfassen und zu analysieren.

Das industrielle Internet of Things (IIoT) stellt aktuell zahlreiche Branchen und Industriebereiche auf den Kopf. Im Maschinenbau erzeugt die Vernetzung von Maschinen und Anlagen Daten mit großem Potenzial, die Industrieunternehmen nutzen können, um beispielsweise ihre Produktionsabläufe zu optimieren. Durch die Vernetzung lässt sich die lokale Maschinen-Wartung um eine zentralisierte Datenanalyse erweitern, woraus sich zum Beispiel der voraussichtliche Ausfall-Zeitpunkt eines Bauteils, etwa einer Dichtung oder eines Lagers, ableiten ließe. Über einen Vergleich, der während des Betriebes erfassten Maschinen- und Anlagendaten mit weiteren Daten, etwa idealisierten Modellen, deckt die Software Fehler und Störungen bereits bei der Entstehung auf. Oft lange, bevor der Störfall tatsächlich eintritt. Eine derartige datenbasierte „Hellsichtigkeit“ senkt nicht nur die Wartungskosten, sie reduziert auch die Ausfallquote der Maschinen.

Vorwegnahme und Herauszögern von Wartungsereignissen

IIoT-Plattformen ermöglichen ein kontinuierliches 24/7-Monitoring von Maschinen und Anlagen in Echtzeit. Intelligente, in Fertigungsmaschinen integrierte Sensoren sammeln dabei die während der Produktion anfallenden Daten und senden sie an eine cloudbasierte IIoT-Wartungs-Plattform. Diese bereitet sie auf und ermöglicht so geschulten Anwendern aus den erfassten Geräuschen, Drehzahlen oder Temperaturen Rückschlüsse auf in der Anlage vorhandene Fehler zu ziehen. Im Servicefall können Techniker mithilfe der gesammelten Anlagendaten zielgerichtet an der Fehlerbeseitigung arbeiten. Über ein mit historischen Daten angereichertes Maschinenmodell lassen sich Wartungsereignisse vorwegnehmen und unter automatischer Veränderung von Prozessparametern sogar bis zu einem optimalen Zeitpunkt verzögen. Die Folge sind reduzierte Wartungszyklen- und -Zeiten.

Automatische Alarme bei Überschreiten des Grenzwerts

Über das Internet lassen sich unterschiedlichste Anlagen und Maschinen, angefangen von Produktionsanlagen, Windrädern oder Flugzeugturbinen, bis hin zu Druckmaschinen, Kraftfahrzeugen oder Kränen mittels Predictive Maintenance weltweit vorausschauend überwachen und warten. Die Kommunikation startet normalerweise in den vernetzten Anlagen, wo Sensoren, Messstationen oder Sonden Zustände wie Temperatur, Schwingungen, Auslastung oder Verschleiß erfassen und übermitteln. Für die Auswertung legen Produkt- und Serviceexperten bestimmte Grenzwerte fest, die weder unter- noch überschritten werden dürfen. Ist das doch der Fall, löst das System automatisch einen Alarm aus und sendet eine Benachrichtigung, oft per E-Mail oder SMS. Bei einem Kranhersteller werden zum Beispiel Grenzwerte für die Windstärke definiert. Versucht der Kranführer ab einer kritischen Windstärke oberhalb des Grenzwertes trotzdem noch ein Schiff zu beladen, löst dies einen Alarm aus, der automatisch den verantwortlichen Kranbetreiber erreicht.

Lebensdauerbestimmung durch akustische Muster

Eine bei Predictive Maintenance häufig verwendete Analysemethode ist die sogenannte akustische Mustererkennung. Dabei lässt sich aufgrund von Änderungen innerhalb eines akustischen Musters die Lebensdauer eines bestimmten Bauteils oder einer Komponente, etwa eines Ventils, bestimmen. Mittels künstlicher Intelligenz (KI) und Machine Learning werden komplexen Messwerten Bedeutungen zugeordnet, auf deren Basis Data Scientists Einschätzungen abgegeben können. So lässt sich beispielsweise aus den Vibrationen eines Tisches in einer CNC-Maschine das aktuelle Verschleißstadium des Bohrers herauslesen. Ist er neuwertig, bereits abgenutzt oder schon verschlissen? Auch präzisere Vorhersagen sind möglich wie: „Der Bohrer hat 15 Prozent seiner Lebenszeit erreicht.“

Eine leistungsfähige Produktion ist auf die Funktionalität ihrer Anlagen und technischen Systeme angewiesen. Als ideal gilt eine technische Verfügbarkeit von mindestens 95 Prozent der möglichen Betriebszeit. Im Rahmen vorausschauender Instandhaltungsmaßnahmen lässt sich in die Maschine eine automatische Erkennung häufig auftretender Fehler implementieren. So etwa die Identifikation von Geberfehlern bei Sensoren oder Abweichungen in der Maschinen-Kalibrierung. Durch den datengestützten, kontinuierlichen und stets aktuellen Einblick in die verwendete Anlage lassen sich Verbesserungspotenziale, zum Beispiel über den Vergleich mit einem digitalen Modell, frühzeitig erkennen und umsetzen und die Verfügbarkeit der Maschine steigern.

IIoT-Plattformen müssen in unterschiedlichste IT-Systeme integrierbar sein

Um jedoch die Produktionsprozesse zu digitalisieren und angemessen zu verwalten, bedarf es geeigneter IIoT-Plattformen, die Anwendern einen direkten, möglichst unkomplizierten Zugang zu den Betriebs- und Zustandsdaten einer Anlage ermöglichen. Damit das funktioniert, müssen sie nahtlos in die IT-Systeme unterschiedlichster Hersteller integrierbar sein. Moderne IIoT-Plattformen stellen deswegen eine standardisierte API zur Verfügung, über die Anwender Zugang zu den Maschinendaten und Analyseergebnisse erhalten. Vor allem REST- oder GraphQL-basierte APIs haben sich in diesem Zusammenhang bewährt.

Maschinenbauer, die ihren Kunden mit neuen Wartungsansätzen Mehrwert bieten möchten, müssen auf ein datenbasiertes Geschäftsmodell umsteigen. IIoT-Plattformen ermöglichen Anwendern einen direkten und einfachen Zugang zu den Betriebsdaten einer Anlage. (Bildquelle: Senseforce)

Je erfolgreicher eine IIoT-Anwendungen ist, desto größere Datenmengen fallen im Laufe der Zeit zur Verarbeitung an. Plattformen, die auf das Management immer größerer Datenmengen nicht eingerichtet sind, werden schnell an ihre Grenzen stoßen. Unternehmen sollten deshalb bei der Anschaffung einer Plattform auch auf ihre Skalierbarkeit achten.  So müssen sich ihre Services – vom Messaging-, über den Datenbank- bis hin zum API-Service – mehrfach parallel ausführen lassen, damit eine nahtlose Aufstockung (oder Reduktion) von Ressourcen möglich ist.

Ohne Daten wäre IIoT nicht möglich. Ohne geschulte Mitarbeiter, die sich mit der Handhabung und Analyse von Daten auskennen, aber auch nicht. Fachpersonal wie Datenanalysten oder Data Scientists sind heutzutage in mittelständischen Unternehmen viel zu selten anzutreffen, beziehungsweise oft gar nicht vorhanden. Ohne Mitarbeiter mit qualifizierter Datenexpertise wird es jedoch für Unternehmen schwer werden, auf Basis ihrer IIoT-Plattform eine Wertschöpfung zu erzielen.

Low-Code-Plattformen als Gamechanger

Aus diesem Grund bieten immer mehr Anbieter IIoT-Plattformen auf Basis von Low Code an. Anstatt klassische textbasierte Programmiersprachen zu verwenden, unterstützen Low-Code-Plattformen die Entwicklung von Prozessen mit visuellen Benutzeroberflächen und anderen grafischen Modellierungsverfahren. Dadurch wird es für Anwender, die zwar über eine große Maschinen-Expertise, aber nur über ein geringes IT-Wissen verfügen, möglich, ihre Anwendungen und Apps selbst zu konfigurieren und die Zustandsdaten ihrer Maschinen und Anlagen ohne professionelles Programmierwissen eigenständig auswerten. Predictive Maintenance auf Basis von Low Code könnte sich damit für den Maschinenbau als ein echter Gamechanger erweisen.