Predictive Maintenance auf Basis integrierter Sensoren und maschineller Lernverfahren gehört zu den viel gepriesenen Vorteilen der Industrie 4.0.

Dieser Ansatz vereint viele der Technologien, die im Zeitalter der Digitalisierung unabdingbar sind, wie vernetzte Sensoren, Big Data, erweiterte Analysen und maschinelles Lernen. Dieses Verfahren, bei dem komplexe Muster anhand von Hunderten oder Tausenden von Variablen erkannt werden – wozu herkömmliche Analysemethoden überhaupt nicht in der Lage sind – ,ermöglicht ein tieferes, datengestütztes Verständnis von Fehlerursachen.

  • Die Streaming Data Engine ermöglicht die Erfassung von Echtzeitdaten aus verschiedenartigen Fertigungssensoren. Das prädiktive Modell verarbeitet die Daten zur Bereitstellung einer Prognose.

  • Im Live-Dashboard können Echtzeit- und Prognosedaten angezeigt werden.

  • Im PSA (Persistent Staging Area) werden alle Verlaufsdaten gespeichert.

PSA is queryable and data can be used for further statistical analysis, graphs and monitoring dashboards

Der PSA ist abfragbar. Die abgerufenen Daten können für weitere statistische Analysen, die Erstellung von Diagrammen und die Überwachung von Dashboards verwendet werden. Wenn bei einer Maschine unzählige verschiedenartige Fehler oder sogar Ausnahmefehler auftreten können, reicht die Qualität herkömmlicher Modelle möglicherweise nicht aus, um alle Fehler zu prognostizieren.

Unser Data Science Competence Center hat ein präzises Modell auf Basis von maschinellem Lernen entwickelt. Die modellbasierte, vorausschauende Wartung ist eine bahnbrechende Möglichkeit zur Lösung gravierender Probleme.

Daher ist eine zuverlässige Datenplattform die fundamentale Grundlage für die digitale Zuverlässigkeit und Wartung. Die meisten Unternehmen verfügen bereits über Systeme zur Aufzeichnung wartungs- und zuverlässigkeitsrelevanter Daten. Allerdings wird die Effektivität dieser Systeme u. U. durch schlechte oder mangelhafte Analysen beeinträchtigt.

Methoden auf Basis künstlicher Intelligenz (AI) wie NLP (Natural Language Processing; Methode zur Verarbeitung natürlicher Sprache) helfen Unternehmen bei der Umwandlung schlecht strukturierter Verlaufsdaten in Daten, die für automatische Analysen besser geeignet sind.

Sobald diese Daten vorliegen, benötigen Unternehmen eine Möglichkeit, um schnell darauf zuzugreifen. Die Data Lake-Architektur von SDG sammelt Daten aus mehreren Systemen und Quellen und bündelt sie zu einer „einzigen Quelle der Wahrheit“. Auf diese Weise schließt sie die Informationslücke zwischen den einzelnen Systemen und bietet ein vollständiges Bild über den Status der einzelnen Anlagekomponenten. Diese kritische Komponente der Datenarchitektur hat einen mehrfachen Nutzen: Sie bietet die Grundlage für digitales Performance-Management, beschreibende Analysen und Dashboards und dient gleichzeitig als einheitliche Plattform für neue Wartungs- und Zuverlässigkeitsanwendungen und die Bereitstellung der Daten, die für erweiterte Analysemodelle notwendig sind.

Predictive Maintenance erfordert die Verwendung von beschreibenden Analysen und Datenvisualisierungen, um den einwandfreien Zustand und die Verlässlichkeit von Anlagenkomponenten in Echtzeit anzuzeigen.

Digitales Performance Management automatisiert die Erstellung und Darstellung der wichtigen Messgrößen und qualitativen Daten, auf die Unternehmen bei Wartungs- und Qualitätsprogrammen angewiesen sind.

Advanced Analytics kann auch die Kosten-Nutzen-Analyse und die Entscheidungsfindung, die wartungs- und zuverlässigkeitsrelevanten Aktivitäten beschleunigen und standardisieren. Dadurch helfen sie bei der Auswahl der richtigen Wartungsstrategie, wie „Run-to-Failure“, geplanter vorbeugender Wartung oder Wartung der einzelnen Anlagenkomponenten auf Basis bestimmter Bedingungen.