DRAFT DUMMY POST !!NICHT VERÄNDERN !!!
19. April 2019
Predictive Maintenance mittels Industrial Analytics ist heute keine Zukunftsvision für eine Zeit hinter dem Horizont, sondern praktische Realität.

Individuelle Wettbewerbsvorteile
versus Best Practices.

Predictive Maintenance mittels Industrial Analytics ist heute keine Zukunftsvision für eine Zeit hinter dem Horizont, sondern praktische Realität. Die hierzu benötigten Technologien und Algorithmen sowie Daten der Anlagen und Maschinen stehen häufig gut nutzbar zur Verfügung und müssen „nur“ noch sinnvoll ausgewertet und bewertet werden. Aber wie? Obwohl moderne Maschinen und Anlagen aus etablierten, meist standardisierten und austauschbaren, teilweise von Wettbewerbern produzierten Komponenten bestehen, nutzen wir im Bereich des Industrial Analytics nur selten allgemein bekannte Analysen, Best Practices o. ä., sondern entwickeln das Rad immer wieder neu. Natürlich nur deshalb, weil unsere Maschinen und Anlagen völlig anders sind als die von Marktbegleitern. Aber sind sie das wirklich, wenn doch die Komponenten, die Steuerungen etc. ähnlich, häufig sogar substituierbar sind?

Ja, das ist sicherlich möglich, wenn die Grundgesamtheit aller Anlagen solche Best Practices wirklich ermöglicht. Großkonzerne mögen hierzu im Stande sein, aber gerade der deutsche Maschinen- und Anlagenbau ist doch ein stark diversifizierter Markt. Dies hat Deutschland vielleicht zum Weltmarktführer gemacht, könnte aber für zukünftige Serviceleistungen rund um die Maschinen und Anlagen kontraproduktiv werden. Denn üblicherweise implizieren der individuelle Aufbau einer Industrial-Analytics-Infrastruktur und die Erarbeitung sinnvoller Analysen erhebliche Investitionen, die nicht von jedem kleinen und mittelständischen Maschinen- und Anlagenbauer getätigt werden wollen oder können.

Zudem ist zu beobachten, dass viele Unternehmen über eigens neu gegründete Digitalisierungsabteilungen zwar eigene Analysen realisieren, um beispielsweise Anomalien zu erkennen, es anschließend jedoch an der Skalierung und dem Abdecken des End-to-End Prozesses (hier insbesondere dem Prozess der eigentlichen Störungsbehebung) scheitert. So können häufig rote Flaggen für eine Anomalie in einer Komponente, die eine Auffälligkeit signalisiert, gehisst werden, jedoch bleibt im Unklaren, was dies bedeutet: Welche Ursache waren vermutlich hierfür verantwortlich? Welche Störungsbehebungsmaßnahmen waren in ähnlichen Fälle hilfreich? Wie lange kann die Komponente noch genutzt werden? Reicht es noch bis zur bereits geplanten Wartung? Muss sofort reagiert werden? Kann das Problem repariert werden, ist ein Ersatzteil nötig oder reicht schlicht eine andere Parametrisierung für die Anlage aus?

All dies bleiben häufig unbeantwortete Fragen. Aber sind diese Fragen nicht mindestens so wichtig wie die Anomalie selbst? Hinzu kommt, dass die oben beschriebenen Anomalie-Erkennungen zwar für eine Komponente oder Baugruppe funktionieren, nicht jedoch für all die anderen Hunderte von Komponenten in der Anlage und deren Zusammenspiel. Hier kann der Skalierung im klassischen Maschinen- und Anlagenbau aufgrund des Umfangs der Analysen meist nicht Rechnung getragen werden.

Wir haben die Erfahrung gemacht, dass die Analysen auf Basis von Komponenten bzw. Baugruppen durchaus vergleichbar sind und „nur“ das Zusammenspiel der Komponenten bzw. deren Analysen tatsächlich unternehmensindividuell betrachtet werden muss. Das bedeutet also, dass es durchaus Sinn macht, bestimmte Analysen für einzelne Komponenten gemeinsam zu erarbeiten bzw. auf bereits von anderen Unternehmen erarbeiteten Analysen zurück zu greifen.

Nach dem Verbau etablierter technischer Komponenten von Zulieferern in eigenen Maschinen und Anlagen kann nun die Nutzung etablierter Analysen von Industrial Analytics Anbietern neues Ratio-Potenzial erschließen.

  • Die Gerätemetadaten – Typ, Baujahr etc.
  • Die Sensor- und Nachrichtenmetadaten – Hierbei gilt es zu beachten: Ein Temperatursensor einer amerikanischen Maschine gibt seine Messungen ggf. in Fahrenheit an, während eine deutsche Version dies in Celsius tut. Oft wird der gleiche Fehler anhand verschiedener Fehlercodes gemeldet, was vom Herstellungsjahr und/oder unterschiedlichen Firmware-Versionen abhängig ist. Somit ermöglichen Sensor- und Nachrichtenmetadaten die Normalisierung und Vereinheitlichung der Messdaten.
  • Die Geschäftsmetadaten – Je nach Wartungsgeschäftsmodell bestehen für verschiedene Maschinenbediener oder -eigentümer unterschiedliche Wartungsverträge, z. B. die unterschiedliche Verfügbarkeit von Diensten zur Fernüberwachung und -meldung. Diese Informationen müssen ebenfalls bei bestimmten Geräten berücksichtigt werden.

Immer informiert bei Service-Themen:
Newsletter abonnieren.

Top 10 Apps für Serviceleiter im Salesforce AppExchange