{"id":7251,"date":"2019-10-16T05:56:28","date_gmt":"2019-10-16T03:56:28","guid":{"rendered":"https:\/\/staging.blogs.yokogawa.de\/chemical-pharma\/unkategorisiert\/predictive-maintenance-hype-und-realitaet\/"},"modified":"2022-06-17T07:54:16","modified_gmt":"2022-06-17T05:54:16","slug":"predictive-maintenance-hype-und-realitaet","status":"publish","type":"post","link":"https:\/\/www.yokogawa.com\/eu\/blog\/chemical-pharma\/de\/predictive-maintenance-hype-und-realitaet\/","title":{"rendered":"Predictive Maintenance zwischen Hype und Realit\u00e4t"},"content":{"rendered":"

Eines der am h\u00e4ufigsten genannten Themen der Digitalisierung im industriellen Umfeld ist Predictive Maintenance.<\/strong> Auf der einen Seite wird es gef\u00fchlt als einer der Heilsbringer \u00fcberhaupt propagiert, der Unsummen Kosteneinsparungen bringt, auf der anderen Seite zeigt der Industrie 4.0 Index, dass Predictive Maintenance weit hinter den Erwartungen bleibt<\/a>. Hier klaffen Versprechen und Realit\u00e4t offenbar weit auseinander. Woran liegt das?<\/p>\n

Die ARC Advisory Group sch\u00e4tzt den Verlust durch ungeplante Anlagenstillst\u00e4nde<\/a> in der Prozessindustrie auf 20 Milliarden Dollar. Der Kostenaufwand f\u00fcr ungeplante Ausf\u00e4lle wird 10 Mal so hoch eingesch\u00e4tzt wie geplante Anlagenstillst\u00e4nde f\u00fcr Wartungsarbeiten.<\/strong> Der Nutzen einer verl\u00e4sslichen Maintenance-Strategie ist also ohne Frage gegeben. Viele Unternehmen haben daher schon seit langem Maintenance-Strategien umgesetzt, so dass sie den Hype vielfach als reine Worth\u00fclse f\u00fcr Etabliertes empfinden. Ebenso werden die Begrifflichkeiten sehr unterschiedlich verwendet, der \u00dcbergang zwischen den datenbasierten Maintenance-Stufen Condition Monitoring<\/strong> und Predictive Maintenance<\/strong> ist flie\u00dfend. Es muss also der echte Mehrwert<\/strong> von datenbasierten Maintenance-Konzepten sichtbar sein, um dem Hype auch gerecht zu werden.<\/p>\n

Und das ist nicht einfach, denn alterungsbedingte Fehler von Equipment machen nur einen geringen Bruchteil aus. Einen viel h\u00f6heren Stellenwert haben prozessbedingte Ausf\u00e4lle, vor allem aber auch Bedienfehler.<\/strong> Das alles f\u00fchrt zu zuf\u00e4lligen Fehler-Mustern, die schwer zu prognostizieren sind. Hier ist die \u00dcberwachung einzelner oder weniger Trends nicht mehr hinreichend. Aber der Einsatz komplexerer L\u00f6sungen auf Basis erweiterter Datenanalyse<\/a>-Methoden steckt zum Teil noch in den Kinderschuhen. Neue IIoT Sensoren werden entwickelt und m\u00fcssen mit einheitlichen Schnittstellen versehen werden, relevante interne Ger\u00e4tedaten m\u00fcssen zug\u00e4nglich sein, Konzepte wie NOA reifen und nicht zuletzt m\u00fcssen dem Operator Assistenzsysteme zur Verf\u00fcgung stehen, um die menschlichen Fehler zu minimieren. Dies sind nur einige notwendige Voraussetzungen, um den Mehrwert zu erreichen.<\/p>\n

Beispiel Kavitation<\/h2>\n

Ein gutes Beispiel f\u00fcr prozessbedingte Sch\u00e4den ist die Kavitation<\/a>. Durch das implosionsartige Zusammenfallen von Blasen, die sich unter bestimmten Bedingungen in Pumpen bilden, k\u00f6nnen starke Materialsch\u00e4den auftreten.<\/strong> Mit der Kavitation einher gehen eine starke Vibration und akustische Ger\u00e4usche, die mit geeigneten Sensoren messbar sind und sich somit als Messgr\u00f6\u00dfen f\u00fcr eine Kavitationserkennung eignen. Allerdings ist die Kavitation dann schon so weit fortgeschritten, dass Sch\u00e4digungen nicht ausgeschlossen sind.<\/p>\n

 <\/p>\n

\"\"<\/span><\/span><\/p>\n

Kavitationserkennung mittels Vibrations- und Akustiksensoren<\/span><\/span><\/em><\/p>\n

 <\/p>\n

Da die Blasenbildung vom statischen Druck sowie dem Dampfdruck und der Temperatur der gef\u00f6rderten Fl\u00fcssigkeit abh\u00e4ngt, sind dieses Gr\u00f6\u00dfen, die ebenfalls f\u00fcr eine Fr\u00fcherkennung von Kavitation in Frage kommen.<\/strong> Und es sind zudem Messwerte von Sensoren, die im direkten Kontakt mit dem Medium stehen – im Gegensatz zu Vibrations- und Akustiksensoren, die auf den Pumpengeh\u00e4usen sitzen. F\u00fcr eine effektive Fr\u00fcherkennung sollten dann jedoch die Rohwerte zur Verf\u00fcgung stehen, auch wenn sie stark verrauscht sind. Durch jegliche Datenaufbereitung, die f\u00fcr eine Regelung geeignete Messwerte sicherstellt, gehen f\u00fcr eine Fr\u00fcherkennung wertvolle Informationen verloren. Das wiederum setzt einen robusten Bewertungsalgorithmus voraus, um aus verrauschten Messdaten ein belastbares Signal zu erzeugen, das eine Kavitationserkennung erm\u00f6glicht.<\/strong> Hier kommen Machine Learning Algorithmen<\/a> ins Spiel, die genau diese Anforderungen meistern k\u00f6nnen. Deren Einsatz f\u00fchrt zu einer deutlich fr\u00fcheren Warnung vor Kavitation und zwar in dem Stadium der ersten Blasenbildung<\/strong>.<\/p>\n

 <\/p>\n

\"\"<\/p>\n

Kavitationserkennung durch Einsatz von Machine Learning Modellen<\/em><\/p>\n

Der Zeitgewinn von bis zu 10 Minuten gegen\u00fcber der Vibration und Schall erzeugenden Kavitation erm\u00f6glicht rechtzeitige Gegenma\u00dfnahmen. Kavitationsbedingte Sch\u00e4den reduzieren sich deutlich, die Wartungsintervalle steigen entsprechend.<\/strong> Dar\u00fcber hinaus entstehen keine Verluste im Pumpenwirkungsgrad bzw. der F\u00f6rderh\u00f6he, die mit der Kavitation einhergehen.<\/p>\n

Maintenance ist nur ein Baustein<\/h2>\n

Zwar ist eine solche Kavitationserkennung nur ein Baustein hin zu einem \u00fcbergreifenden Predictive Maintenance-Konzept, doch zeigt es den Mehrwert der Anwendung intelligenter Algorithmen gegen\u00fcber konventionellen Methoden. Es zeigt auch die enge Verkn\u00fcpfung von Maintenance und Prozesstechnik. Maintenance kann daher nur ein Baustein in einem Gesamtkonzept sein, das ungeplante Anlagenausf\u00e4lle aus allen Blickwinkeln beleuchtet. Ein solches Konzept wird aufgrund der neuen M\u00f6glichkeiten der digitalen Transformation stetig wachsen m\u00fcssen. Vor allem aber setzt alleine das Zusammenf\u00fchren notwendiger Daten und Informationen einmal mehr das Aufbrechen von Silos<\/a> voraus.<\/p>\n

\n

Analysieren Sie Ihre Daten – Schritt 2: Measure<\/a><\/p><\/blockquote>\n