Warum lohnt es sich ein Predictive Maintenance bei seinen Maschinen vorzunehmen?
Dr. Steffen Haack: Ein Maschinenstillstand verursacht mehrfach Kosten. Zunächst entstehen direkte Ausfallkosten für die Dauer des Stillstands. Bei hochautomatisierten Konzepten kann der Ausfall einer Station den Stillstand einer ganzen Linie verursachen. Das wiederum hat erhebliche Auswirkungen auf die Lieferfähigkeit und kann bei Just-in-Time-Lieferketten teure Konsequenzen bei industriellen Kunden nach sich ziehen. Kommt es zu einem solchen Ereignis, sind Werkleiter ohne zu zögern bereit, für Reparaturen und Ersatzteile erhebliche Eilzuschläge zu zahlen, was die Kosten weiter steigert. Je höher solche Kostenrisiken durch einen Maschinenausfall sind, desto mehr lohnt sich Predictive-Maintenance. Mit Condition Monitoring überwachen Maschinenbetreiber oder Dienstleister die Betriebszustände kritischer Komponenten. Bei Verschleiß erfassen die Temperatur- oder Vibrationssensoren Abweichungen vom bisherigen Verhalten. Condition-Monitoring-Lösungen erkennen solchen Verschleiß, bevor er zu einem Stillstand führt. Darauf aufbauende Predictive-Maintenance-Systeme berechnen die noch zu erwartende Lebensdauer und weisen auf einen konkreten Handlungsbedarf hin. Damit können Instandhaltungsmaßnahmen zustandsabhängig in entsprechende Wartungsfenster eingeplant werden. Schon bei einem einzigen verhinderten Maschinenstillstand rechnen sich in vielen Fällen die Investitionen in Predictive Maintenance. Darüber hinaus tauschen Anwender Komponenten erst dann aus, wenn reale Verschleißerscheinungen auftreten. Bislang werden diese Komponenten nach festen Intervallen und damit unnötig häufig gewechselt.
Wie genau sind diese Vorhersagen mittlerweile?
Haack: Für Großanlagen mit sehr hohen Stillstandskosten bietet Bosch Rexroth mit ODiN skalierbare Predictive-Maintenance-Lösungen, die Cloudbasiert Big-Data-Auswertungen einsetzen. Sensoren leiten die Daten über sichere Mechanismen in die Bosch IoT-Cloud. Dort erstellt Software mit Hilfe von Machine Learning einen sogenannten Health Index. Die Vorhersagen sind mittlerweile extrem aussagekräftig: Während bei normalen Inspektionen Fehler mit einer etwas über 40-prozentiger Wahrscheinlichkeit erkannt werden, erzielt ODiN eine Vorhersagegenauigkeit von mehr als 95 Prozent. Die Genauigkeit der Vorhersagen hängt ganz allgemein von der Sensorik, der Rechenkapazität und des Domänenwissens ab, das den Predicitive-Maintenance-Systemen zu Grunde liegt. Je mehr Sensoren unterschiedliche Parameter erfassen, desto aussagekräftiger sind die Ergebnisse. Eine weitere Einflussgröße ist die zur Verfügung stehende Rechenkapazität. Bereits in Embedded Systemen können Grenzwertüberschreitungen definierter Toleranzbänder detektiert und gemeldet werden. Bei der Edge-/Fog-Verarbeitung der Daten und Informationen durch Server an der Fertigungslinie können schon komplexe Berechnungen mit hohen Datenmengen durchgeführt werden. Diesen Ansatz nutzt Bosch Rexroth bereits bei CytroPac, der neuesten Generation von Hydraulikaggregaten.
Kommen bei heutigen CM-Systemen auch Machine-Learning-Ansätzen zum Einsatz?
Haack: Auch, aber entscheidend ist das Domänenwissen, wie Verschleiß entsteht und welche Wirkzusammenhänge in komplexen Automationsstrukturen herrschen. Darauf aufbauend sind Machine-Learning-Ansätze extrem hilfreich. Bei ODiN sind mittlerweile mehr als 100 Anlagen angeschlossen und speisen Sensordaten ein, die mit der Realität abgeglichen werden. Mit jedem Datensatz lernt ODiN über Machine Learning für alle angeschlossenen Anlagen und verbessert die Vorhersagegenauigkeit weiter.
CM-Ansätze gibt es bereits seit vielen Jahren. Warum könnte aber gerade jetzt der richtige Zeitpunkt sein, dass die Systeme flächendeckend zum Einsatz kommen?
Haack: Durch die technische Weiterentwicklung der vergangenen Jahre sind die Sensorpreise erheblich gesunken und die Rechenleistung von Prozessoren bei gleichen Kosten deutlich gestiegen. In Komponenten und Systemen können Daten mit dezentraler Intelligenz bereits vorausgewertet und erste Voraussagen getroffen werden. Gleichzeitig steht eine wesentlich höhere Bandbreite für die Übertragung von Daten aus Komponenten und Maschinen heraus zur Verfügung. Cloudbasierte Systeme und Big-Data-Methoden erlauben es, vorher unvorstellbare Datenmengen zu verarbeiten und Muster darin zu erkennen. Damit ist die Aussagekraft von Condition Monitoring und Predictive Maintenance so eindeutig, dass Stillstandsrisiken effizient reduziert werden.