Predictive Maintenance

Zeit ist ein entscheidender Faktor, um im Wettbewerb gegenüber Mitstreitern zu bestehen. Ausfallzeiten durch technische Störungen an Maschinen und Anlagen können enorme Kosten mit sich bringen und vom temporären Produktionsausfall über vergeudete Arbeitskraft bis hin zu hohen Opportunitätskosten reichen. Die Vorteile einer vorausschauenden Wartung – Predictive Maintenance – liegen auf der Hand: Durch eine erfolgreiche Vernetzung der Maschinen und Anlagen und einer gezielten Datenanalyse können technische Risiken aufgedeckt, Kosten gesenkt und die Effizienz gesteigert werden.

Dazu ist vor allem eines von Bedeutung: Ein fundiertes Know-how im Bereich Predictive Maintenance, Maschinellem Lernen und der Explorativen Datenanalyse. Genau das können wir Ihnen bieten. Unsere Experten beraten Sie professionell und auf Ihre Bedürfnisse zugeschnitten. Wir stellen für Sie sicher, dass Ihre Prozesse und eine intakte Anbindung sowie Vernetzung Ihrer Anlagen und Maschinen für eine gezielte Datenanalyse zur Erzielung Ihrer wirtschaftlichen Ziele aufeinander abgestimmt sind.


Jetzt Beratungstermin vereinbaren!

Unser Leistungen

Brunel Car Synergies ist Ihr kompetenter Partner im Bereich der Beratung und Projektrealisierung von Predictive Maintenance-bezogenen Dienstleistungen. Wir überzeugen durch branchenspezifisches Know-how in der Vernetzung von Komponenten und Systemen, der Datenerfassung sowie in KI-bezogenen Anwendungen und zeichnen uns durch eine professionelle, auf den individuellen Kundenbedarf abgestimmte und zeitnahe Arbeitsweise und Kommunikation aus.

Professionelle Beratung

Die Einführung von Predictive Maintenance kann je nach Komplexität des Use Cases und dem Umfang der Daten eine Herausforderung sein. Unser breiter Erfahrungshorizont erlaubt uns, Sie von der ersten Idee bis hin zur Realisierung einer optimalen Lösung für Ihren Anwendungsfall zu begleiten.

Workshops

In Workshops stellen wir Ihnen Use Cases vor und erarbeiten gemeinsam mit Ihnen mögliche Zielsetzungen für Ihren Anwendungsfall. Die Workshops können Teil der Projekt-realisierung sein oder unabhängig davon gebucht werden. Im Rahmen der Workshops setzen Sie Themenschwerpunkte und wir stellen auf Ihre Wünsche hin ein passendes Paket zusammen.

Machbarkeitsstudie

Predictive Maintenance-Lösungen können sich aufgrund einer ungenügenden Datengrundlage oder fehlerhaften Modellierung schnell in hohen Kosten niederschlagen. Um dies zu vermeiden, bieten wir unabhängige Machbarkeitsstudien an, bei denen wir mögliche Predictive Maintenance-Lösungen auf Fehlerquellen, Umsetzbarkeit und Optimierungspotenzial prüfen.

Projektrealisierung

Bevor es zur Projektrealisierung kommt, ist uns eine enge Absprache mit allen für das Projekt relevanten Stakeholdern wichtig. Auf diese Weise können wir gemeinsam die wichtigsten Erfolgsfaktoren erarbeiten, die es im Rahmen des Projekts zu verbessern gilt. Für die Projektdurchführung schlagen wir typischerweise ein an ASUM-DM angelehntes Vorgehensmodell vor.

Unser Know-how im Bereich Predictive Maintenance

Unsere Experten am Standort Hildesheim unterstützen Sie entlang des gesamten Wertschöpfungsprozesses von der Erhebung von Daten bis hin zur Inbetriebnahme datengetriebener Lösungen, etwa im Bereich der Predictive Maintenance.

Maschinelles Lernen: KI-gestützte Verfahren haben herkömmliche Vorgehen zur Ermittlung von Störungen in Produktions- und Fertigungsabläufen längst abgelöst. Die Anwendung verschiedener Algorithmen macht es möglich, dass Rechner aus einer Fülle an Daten selbst Zusammenhänge erkennen. Unsere Datenanalysten, Software-Entwickler und Machine Learning-Ingenieure sind bestens ausgebildet und verfügen über ein tiefgehendes mathematisches und statistisches Verständnis, das ihnen ermöglicht, hochkomplexe Modelle auf jegliche Use Cases anzuwenden.

Predictive Maintenance: Durch unsere branchenübergreifende Erfahrung und unsere Expertise in der Vernetzung von Komponenten und Systeme, der Datenerfassung sowie in KI-bezogenen Anwendungen sind wir bestens für Projekte im Bereich Predictive Maintenance aufgestellt. Über die Erfassung von Mess- und Produktionsdaten und eine anschließende Datenanalyse und Modellierung sind wir z.B. in der Lage, frühzeitig defekte Maschinenelemente anhand niedriger Drehzahlen zu identifizieren oder über Daten aus Temperatursensoren defekte Lüftmechanismen festzustellen. Auf diese Weise können wir dazu beitragen, teure Reparaturkosten zu minimieren und unvorhergesehene und kostenintensive Prozess- und Produktionsunterbrechungen zu vermeiden.  

Explorative Datenanalyse: Die Explorative Datenanalyse legt den Grundstein für die Anwendung Maschinellen Lernens. Im Rahmen der Explorativen Datenanalyse wird die Datenlandschaft erkundet und erste statistische Zusammenhänge ermittelt. Als einer der wichtigsten Schritte im Rahmen vorausschauender Wartung, legen unsere Experten hierbei besonderen Wert auf eine ausführliche Erkundung der Daten, identifizieren Ausreißer oder Anomalien und überprüfen erste Annahmen. 

Exemplarisches Fallbeispiel einer Explorativen Datenanalyse.

Methode

Im Rahmen der Projektrealisierung orientieren wir uns an ASUM-DM (Analytics Solutions Unified Method for Data Mining/Predictive Analytics), welche die Entwicklungs- und Betriebsumgebungen für ML-basierte Lösungen in einen gemeinsamen Entwicklungsrahmen einbettet. Grob unterschieden wird zwischen der Entwicklungsphase (Development Cycle/Inbetriebnahme und Nutzung) sowie der Inbetriebnahmephase (Deployment Cycle/Modellentwicklung und Validierung).

Inbetriebnahme und Nutzung

Nach der ersten internen Inbetriebnahme des Modells als weiteres Teilsystem des bereits bestehenden Gesamtsystems werden Akzeptanztests durchgeführt, um das Grundvertrauen in die gleichbleibende oder sich verbesserte Qualität des neuen Teilsystems zu erhöhen. Je nach dessen Komplexität werden verschiedene Phasen mehrfach durchlaufen, wobei wir versuchen, notwendige Integrationsarbeit über eine sogenannte Deployment Pipeline abzubilden. Wurde die Integration des neuen Teilsystems erfolgreich abgeschlossen, wird das System für die breite Nutzerbasis freigegeben. Nutzungs- und Leistungsdaten des neuen Teilsystems werden während der Nutzung überwacht, was es uns ermöglicht, diese Daten als neue Quelle für die Entwicklung leistungsstärkerer Modelle zur Verfügung zu stellen.

Modellentwicklung und Validierung

Zur Entwicklung von Datenanalysemodellen und deren Validierung orientieren wir uns an der CRISP-DM-Methode. Ausgehend von einer detaillierte Analyse des Ist-Zustands Ihrer Unternehmensdaten definieren wir gemeinsam mit Ihnen einen Teilaspekt, der näher untersucht werden soll. Die dafür wahrscheinlich notwendigen Daten werden identifiziert und reproduzierbar archiviert, um diese als Datengrundlage für die weitere Datenanalyse in den nachfolgenden Schritten zu nutzen. Auf Basis explorativer Datenanalyse(n) erstellen wir Hypothesen über Zusammenhänge in den Daten, um diese in der Folge algorithmisch in Form eines Modells des Maschinellen Lernens zu formulieren und dessen Parameter zu bestimmen. In einer anschließenden Validierung des Modells überprüfen wir, ob das Modell in der Lage war, die zuvor definierten Hypothesen zu bestätigen oder abzulehnen. Lässt sich die Hypothese bestätigen, wird das Modell archiviert und ausgeliefert, sodass es intern in Betrieb genommen werden kann.

Vereinbaren Sie einen Beratungstermin!

Jetzt kontaktieren!

Unser Versprechen an Sie

Weltweites Netz an Spezialisten: Als unabhängiger Ingenieurdienstleister mit eigenen Entwicklungszentren können wir weltweit auf hochqualifizierte Experten zurückgreifen, die sich im Bereich der Datenanalyse und Predictive Maintenance bestens auskennen und branchenübergreifende Expertise vorweisen.

Skalierbarkeit von kleinen Teams bis zu großen Projektorganisation: Abgestimmt auf den Umfang des Projekts können wir durch unser internationales Netzwerk an Spezialisten flexibel und dem jeweiligen Bedarf entsprechend kleine Projektteams als auch große Projektorganisationen bilden. Das erlaubt es uns, nahezu jede Kundenanforderung im Bereich Predictive Maintenance bedienen zu können.

Transparenter Zugriff auf externe Kooperationspartner und Freelancer: Durch intensive Kooperationen mit Universitäten und Freelancern stellen wir sicher, dass der Wissensstand unserer Experten rund um das Thema Predictive Maintenance stets auf dem aktuellen Stand der Forschung ist. Das macht uns zu einem kompetenten und verlässlichen Partner auf dem Gebiet der Predictive Maintenance-Anwendungen.


Kontaktieren Sie uns

Weiterführende Informationen zu Predictive Maintenance

Predictive Maintenance beschreibt das auf Sensortechnik basierende Erkennen technischer Störungen von Geräten. Anhand verschiedener Algorithmen und Messdaten wird ein drohender Ausfall z. B. von Produktionsanlagen identifiziert, um auf diese Weise präventiv größeren Schäden vorzubeugen. Die Häufigkeit technischer Probleme lässt sich durch Predictive Maintenance signifikant reduzieren. Predictive Maintenance gewinnt vor allem im Zusammenhang mit Industrie 4.0 zunehmend an Bedeutung. Zudem gilt Predictive Maintenance als Gegenentwurf/Weiterentwicklung von Reactive Maintenance, bei der eine Wartung bzw. Reparatur erst dann durchgeführt wird, sofern eine Anlage bereits Mängel oder Schäden aufweist.

Predictive Maintenance nutzt Algorithmen und Messdaten, um hieraus Vorhersagemodelle zu generieren. Herangezogen werden z. B. Daten zu Verschleiß, Nutzungsdauer, erwarteter Belastung und Umweltfaktoren wie Temperatur und Luftfeuchtigkeit, die durch Sensoren gemessen und gesammelt werden. Es handelt sich somit um eine fortlaufende Zustandsüberwachung (Condition Monitoring). Je mehr Daten zur Verfügung stehen, desto präziser sind die Voraussagen. Ein zuvor festgelegter Algorithmus unterscheidet dann zwischen normalen Daten und solchen, die auf eine drohende Fehlfunktion hindeuten. Dieser Prozess beruht auf Machine Learning.

Predictive Maintenance ist nur durch groß angelegte Datensammlungen möglich und somit ein Paradebeispiel für Big Data. Die Erfassung und Speicherung von Daten zu Verschleiß, Fehlfunktionen, Betrieb etc. generieren belastbare Aussagen über den Anlagenzustand. Die errechnete verbleibende Lebensdauer der Geräte (Remaining Useful Lifetime) beruht auf zusätzlich erhobenen Daten zu erwarteten Belastungen, die anhand von Erfahrungswerten und gespeicherten Auftragsdaten erhoben werden. Ohne Big Data wäre Predictive Maintenance also ebenso wenig möglich wie das zugrundeliegende Machine Learning.

Es gilt, drei wesentliche Herausforderungen zu erfüllen. Zum einen müssen die Anlagen über entsprechende Sensorsysteme verfügen, die häufig nachgerüstet werden müssen. Zum anderen muss das Personal in Predictive Maintenance ausgebildet sein. Das bedeutet, die Mitarbeiter müssen im Umgang mit der Sensor-Technik und der dazugehörigen IT-Infrastruktur geschult sein. Und schließlich müssen die sich verändernden Wartungs- und Reparaturintervalle in die Unternehmensprozesse integriert werden. Es gilt zudem zu beachten, dass es eine Zeit braucht, bis die Sensoren ausreichend Daten gesammelt haben, um belastbare Prognosen abzugeben.

Neben dem erwähnten produzierenden Gewerbe wird Predictive Maintenance auch im Bereich Logistik und Energieerzeugung angewendet. Maschinen sind nur rentabel, wenn sie möglichst fortlaufend arbeiten. Das gilt in besonderem Maße auch für Lkws, Schiffe, Züge und Flugzeuge. Hier haben unerwartete Schäden nicht nur wirtschaftliche Folgen, sie sind – gerade in der Luftfahrt – auch in höchstem Maße sicherheitsrelevant. Mechanische Verbindungen, Treibstoffpumpen, tragende Teile und elektrische Elemente sind bei allen modernen Fortbewegungsmitteln – übrigens auch bei privaten Fahrzeugen – mit einem äußerst dichten Netz an Sensoren ausgestattet. Das gilt auch für Windenergieanlagen, deren Turbinen praktisch im Dauereinsatz sind und wo Schäden doppelt teuer werden: Die Reparatur selbst kostet Geld, gleichzeitig wird kein Strom erzeugt.

Laut einer Studie von Bearing Point GmbH, einer unabhängigen Management- und Technologieberatung, die eine Umfrage unter 200 Unternehmen durchgeführt hat, konnten Wartungs- und Servicekosten sowie Anlagenstillstandszeiten durch den Einsatz von Predictive Maintenance um 17 bis 18 Prozent reduziert und die Umsätze um 10 Prozent gesteigert werden. Investitionen in die Erweiterung des eigenen Produktportfolios um Predictive Maintenance-Anwendungen können somit einen wichtigen Erfolgsfaktor darstellen, um auch zukünftig wettbewerbsfähig zu bleiben.

Kostenoptimierung: Entgegen der reaktiven Wartung, bei der in der Regel erst bei Ausfall von Maschinen und Anlagen Reparaturmaßnahmen durchgeführt werden, trägt Predictive Maintenance dazu bei, dass Wartungseinsätze bei Ihren Kunden seltener und nur noch dann anfallen, wenn diese aufgrund intensiver Datenanalysen wirklich notwendig erscheinen. Dadurch sinken die Kosten für Reparatur- und Präventivwartungskosten, was sich zugleich auf eine zuverlässigere Produktqualität auswirkt. Laut der Unternehmens- und Strategieberatung McKinsey & Company können sich die Wartungskosten folglich um 18 bis 25% reduzieren (Bradbury, Carpizo, Gentzel, Horah, & Thibert, 2018).

Im Rahmen von Predictive Maintenance erfassen Sensoren kontinuierlich den Betriebszustand von Maschinen und Anlagen, wodurch eine fortlaufende Auswertung der Daten möglich ist. Übersteigen beispielsweise Vibrationen oder Temperaturzustände einen gewissen Schwellwert, veranlasst die Software einen Wartungsdurchlauf. Das verhindert, dass Maschinen und Anlagen ungeplant ausfallen und kostenintensive Produktionsstopps mit sich bringen.

Durch die initiale Datenanalyse ist es schon früh möglich, auf Basis von Datenhäufungen solche Zustände zu identifizieren, die den “normalen Operationsmodus” einer Maschine repräsentieren. Wenn dieses Wissen zusammen mit Wartungsberichten und Wartungsdaten vergangener Defekte interaktiv analysiert wird, lassen sich leicht Grenzbereiche identifizieren, die für Predictive Maintenance von besonderer Bedeutung sind: Welcher Zustand ist, eventuell auch nur kurzzeitig, gerade noch möglich, sodass es zu keinem Ausfall kommt? Und welche Bedingung stellt ein K.O.-Kriterium dar, sodass dieser Bereich unbedingt vermieden werden muss? Diese Erkenntnisse können beispielsweise dafür genutzt werden, Komponenten gezielt weiterzuentwickeln oder Sicherungsmaßnahmen zu berücksichtigen, die dafür sorgen, dass der “normale Operationsmodus” nicht verlassen wird.

Wie bei vielen unternehmensinternen Veränderungsprozessen gilt auch hier: Die erfolgreiche Integration von Predictive Maintenance in bestehende Prozesse setzt eine durchdachte Planung und behutsame Eingliederung voraus. Predictive Maintenance sollte nicht bei allen Anlagen gleichzeitig, sondern bei wenigen besonders relevanten eingeführt werden. Eine Überfrachtung mit Sensortechnik wäre zu Beginn eher kontraproduktiv, zumal die Belegschaft zunächst den Umgang erlernen und auch die entsprechende IT-Infrastruktur bereitgestellt werden muss. Ideal ist die Schaffung eines Pilotprojekts , das bei erfolgreicher Implementierung auf weitere Anlagen ausgedehnt wird. Zudem gilt es zu prüfen, in welchem Umfang ausreichend finanzielle und personelle Ressourcen zur Verfügung stehen. Es ist gut möglich, dass neben der technischen Implementierung auch weiteres Personal eingestellt werden muss, sofern unternehmensintern keine ausreichende Fachexpertise für Predictive Maintenance vorhanden ist. Auch sind die anfänglichen Investitionskosten für die technische Aufrüstung hoch, diese amortisieren sich aber erfahrungsgemäß bereits nach einiger Zeit durch Einsparungen (durch gezieltere Wartungen und weniger Betriebsausfälle) sowie gesteigerte Umsätze. Bereits frühzeitig sollten möglichst viele Mitarbeiter in die Implementierung eingebunden werden, idealerweise durch Projektteams. Unterstützung bei der Umsetzung bieten externe Spezialisten.

Predictive Maintenance schafft neue Berufsbilder und verändert bestehende. Dies ist v. a. im Bereich Sensortechnik, Datenanalyse und Künstlicher Intelligenz der Fall. Zu den neuen Berufsbildern im Zusammenhang mit Predictive Maintenance zählen zum Beispiel der Data Scientist, der Data Engineer, der Ingenieur für Sensortechnik, der Algorithmentwickler oder der Machine Learning Engineer. Es entstehen aber nicht nur neue Berufsbilder. Predictive Maintenance generiert auch neuartige Geschäftsmodelle. So werden Anlagenhersteller in die Lage versetzt, nicht nur ihre Maschinen selbst zu verkaufen, sondern auch den vorbeugenden Wartungsservice.