Predictive Maintenance: Intelligente Wartung für maximale Effizienz

Wie lassen sich Maschinenstillstände durch Ausfälle reduzieren? Eine einfache Lösung ist die regelmäßige Wartung und der vorsorgliche Austausch von Bauteilen, zum Beispiel nach einer Sichtprüfung. Dieses Vorgehen nennt man Preventive Maintenance. Damit lassen sich Ausfälle deutlich reduzieren, allerdings besteht die Gefahr, dass Wartungen zu früh durchgeführt und Bauteile unnötig früh ausgetauscht werden.

Preventive vs. Predictive Maintenance

Statt auf Preventive Maintenance zu setzen, kann Predictive Maintenance („vorausschauende Wartung“) eine bessere Alternative sein. Hier werden Maschinen- und Prozessdaten analysiert, um bevorstehende Ausfälle vorherzusagen. So kann die Wartung bedarfsgerecht erfolgen, wenn sich Probleme an einer Maschine abzeichnen. Die Wartung bleibt dennoch planbar, so dass Personal und Ersatzteile rechtzeitig bereitgestellt werden können.

Remaining Useful Life

Doch wie funktioniert Predictive Maintenance? Die verbleibende Nutzungsdauer einer Maschine, bevor sie gewartet oder ersetzt werden muss, wird als "Remaining Useful Life" (RUL) bezeichnet. Zur Berechnung der RUL gibt es zwei Methoden: modellbasierte und datengetriebene Ansätze. 

• Modellgetriebene Methode
  Die modellbasierte Methode nutzt mathematische Modelle, die auf den aktuellen Bedingungen basieren. Dies erfordert umfangreiches Fachwissen, und oft müssen komplexe physikalische Zusammenhänge vereinfacht werden, um das Modell nutzbar zu machen.
• Datengetriebene Methode
  Im Gegensatz dazu benötigt die datengetriebene Methode keine expliziten physikalischen Modelle, sondern arbeitet mit tatsächlichen Maschinendaten. Zu diesen Daten gehören Messwerte wie Schwingungen, Durchflussraten oder Geräuschpegel der Maschine, aber auch Umwelteinflüsse wie Temperatur und Luftfeuchtigkeit. Diese Daten werden gesammelt, digitalisiert und analysiert. Wie genau die RUL dann berechnet wird, hängt von den verfügbaren Daten ab: Wie lange hat es bei ähnlichen Maschinen gedauert, bis sie ausgefallen sind (Lifetime Data)? Wie sieht ihre Historie aus (Run-to-Failure Data)? Wie sehen die Grenzwerte aus, ab denen ein Ausfall erkannt wird (Threshold Data)? 

Automatisierung

Die Verarbeitung großer Datenmengen erfordert fundierte Kenntnisse in Data Science und maschinellem Lernen. Microsoft Azure bietet bereits AutoML-Lösungen an, und speziell für RUL wurde eine AutoRUL-Pipeline entwickelt, die es ermöglicht, die Vorteile von Predictive Maintenance auch ohne vertiefte Data Science-Kenntnisse zu nutzen.

Eine weitere Herausforderung sind Datenlücken, also fehlerhafte oder fehlende Messwerte in den gesammelten Zeitreihen. Unter Zeitreihen versteht man die zeitliche Abfolge von Daten. Ein einfacher Ansatz ist die Bildung eines Mittelwerts aus benachbarten Datenpunkten. In der aktuellen Forschung werden auch große Sprachmodelle (LLMs - Large Language Models) verwendet. Diese Modelle, die normalerweise zur Textvervollständigung verwendet werden, können auch mit Zahlen gefüttert werden. Das Modell liefert dann mögliche Werte, die gut zu den vorhandenen Daten passen und die Lücken füllen.

Die Genauigkeit der Ergebnisse hängt stark vom verwendeten Sprachmodell ab. Erste Ergebnisse zeigen, dass ein geeignetes Sprachmodell auch ohne spezifisches Training auf den entsprechenden Datensatz oft besser abschneidet als gängige Methoden wie die abschnittsweise lineare Interpolation. Moderne Forschung kann somit die Anwendung und Umsetzung von Predictive Maintenance wesentlich vorantreiben.

Wenn Predictive Maintenance für Ihr Unternehmen interessant klingt, stehen Ihnen unsere Experten gerne zur Verfügung. Erfahren Sie, wie diese Technologie in Ihrem speziellen Fall eingesetzt werden kann und wie Sie von den Vorteilen profitieren können.