Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Schätzungen zufolge durch prädiktive Instandhaltung rund 12 bis 18 % an Kosten ein Bei der prädiktiven Instandhaltung hingegen die sich auf Echtzeitdaten von mit dem IIoT verbundenen Geräten stützt um potenzielle Bedrohungen vor dem Auftreten von Problemen zu identifizieren finden Maßnahmen nur bei Bedarf statt Auf diese Weise sind Reparaturen auf tatsächliche Probleme ausgerichtet und gezielter was bedeutet dass Stillstandszeiten wenn sie nötig sind im Vergleich zu anderen Instandhaltungsmethoden um 25 bis 30 % kürzer ausfallen Speicherung großer Datenmengen Um effizient zu funktionieren sind für die prädiktive Instandhaltung Daten von Sensoren erforderlich die Auskunft über den Zustand der Ausrüstung geben IBM schätzt jedoch dass etwa 90 % aller von Sensoren erfassten Daten ungenutzt bleiben Das bedeutet dass Hersteller Chancen verpassen gut informierte Entscheidungen bezüglich ihrer Ausrüstung zu treffen während sie gleichzeitig teures Geld dafür bezahlen Daten zu sammeln und zu speichern Daten die gesammelt aber nicht verarbeitet oder verwendet werden werden als Dark Data bezeichnet und stellen eine große Herausforderung für die Branche dar Sensoren zum Sammeln von Daten sind zwar relativ kostengünstig und einfach einzurichten doch die eigentliche Herausforderung besteht darin die Daten zu verarbeiten um daraus Schlussfolgerungen über den Zustand der Maschinen zu ziehen Die Datenverarbeitung kann aus vielen Gründen schwierig sein angefangen beim Verständnis der Daten bis hin zur Übermittlung an die zuständige Abteilung Datensilos entstehen zum Beispiel wenn Daten verarbeitet und relevante Muster entdeckt werden diese jedoch nicht zwischen den verschiedenen Abteilungen einer Organisation ausgetauscht werden Das kann daran liegen dass Unternehmen nicht über die für die Datentransparenz erforderliche Technologie verfügen Manche Unternehmen verfügen beispielsweise über kein einheitliches integriertes Datenmanagement-Tool IDM oder kein computergestütztes Instandhaltungsmanagementsystem CMMS und die einzelnen Teams arbeiten möglicherweise mit verschiedenen Plattformen Sensoren zum Sammeln von Ausrüstungsinformationen sind der erste Schritt um prädiktive Techniken in Instandhaltungsstrategie zu integrieren Neuere Maschinen bieten in der Regel unterschiedliche Optionen für die Datenerfassung in Echtzeit doch auch Altausrüstung lässt sich durch die Nachrüstung mit kostengünstigen Sensoren ergänzen Tatsächlich kann prädiktive Instandhaltung eine wichtige Ressource im Umgang mit alternden Anlagen darstellen für die eine sorgfältige Planung zur Beschaffung obsoleter Ersatzteile notwendig ist Die bedrückende Menge dunkler Daten in der Branche in Verbindung mit dem Problem der Datensilos zeigt jedoch auf dass das Sammeln von Daten allein nicht ausreicht Um den Ausfall von Ausrüstungskomponenten effektiv vorhersagen zu können sollten Hersteller Technologien implementieren die die Datenverarbeitung in Echtzeit erleichtern und den jeweils verantwortlichen Mitarbeitern Zugriff auf die daraus resultierenden Erkenntnisse ermöglichen Um Probleme mit dem Datenaustausch zwischen verschiedenen Abteilungen auszuräumen sollten Unternehmen die Verschmelzung von Informationstechnologie IT und operativer Technologie OT ganz oben auf die Liste ihrer Prioritäten setzen Einst war es logisch diese beiden Bereiche aufgrund ihrer unterschiedlichen Fähigkeiten und Kompetenzen separat zu führen und zu verwalten doch aufgrund der zunehmenden Digitalisierung von Fertigungsprozessen einschließlich der Instandhaltung ist es nun notwendig diese zusammenzuführen Der OT-Bereich sammelt Rohdaten von SPS Sensoren und anderen wichtigen Geräten und der IT-Bereich macht diese Daten durch das Erkennen relevanter Muster sinnvoll nutzbar Allerdings müssen sowohl hinsichtlich der Ausrüstung als auch innerhalb und zwischen den Teams die Kommunikation und Zusammenarbeit stimmen Eines der Probleme mit Daten aus Industrieanlagen besteht darin dass sie mit fortschreitendem Alter immer weniger relevant und immer ungenauer werden Edge Computing minimiert Verzögerungen und unterstützt die Entscheidungsfindung in Echtzeit indem die Daten möglichst nah am Ort ihrer Erfassung analysiert werden Datenverarbeitung am Rand des Netzwerks Diese Datenverarbeitung „am Rand des Netzwerks“ bietet auch Unterstützung bei der Verknüpfung von noch mehr Ausrüstung mit dem IIoT – und damit Vorteile in Hinblick auf die Cybersicherheit Denn wenn Daten in die Cloud und aus der Cloud übermittelt werden erhöht dies das Risiko dass diese kompromittiert werden Das bedeutet allerdings nicht dass die Verarbeitung oder Speicherung von Daten in der Cloud um jeden Preis zu vermeiden ist sondern lediglich dass beide Optionen gut aufeinander abgestimmt eingesetzt werden sollten um die Ergebnisse zu optimieren Prädiktive und präventive Instandhaltung werden sich trotz der bestehenden Probleme mit Dark Data und der Notwendigkeit eines Wandels der Unternehmenskultur in Fertigungsanlagen immer als wirkungsvoller erweisen als reaktive Instandhaltung Und um in einer zunehmend digitalen Welt erfolgreich zu sein sind Hersteller auf verringerte Stillstandszeiten reduzierte Kosten und gesteigerte Effizienzangewiesen | Neil Ballinger Leiter der EMEA-Region EU Automation am EU Automation www euautomation com 11 Predictive Maintenance | Schwerpunkt www industrialproduction de