Anwendungsbeispiele von Predictive Maintenance

Durch das Internet of Things (IoT), Big Data, die zunehmende Vernetzung und Digitalisierung der Geschäftswelt und Produktion hat sich der Bereich der Instandhaltung und Wartung massiv gewandelt. Die Verknüpfung all dieser Technologien und deren Zusammenspiel liefern eine enorme Datenbasis und ermöglichen mittlerweile verlässliche Prognosen, Fehler zu beheben, bevor sie überhaupt entstehen.

Welche neuen Möglichkeiten und Anwendungen sich dabei durch Smart Data, IoT und Predictive Analytics eröffnen, war bereits Thema der beiden voran gegangenen Texte dieser vierteiligen Artikelserie. Um dies etwas greifbarer zu machen, sollen an dieser Stelle einige konkrete Beispiele aus den Bereichen Luft- und Raumfahrt sowie Verkehr die praktische Anwendung aufzeigen.

Predictive Maintenance in der Luftfahrt

Eines der größten finanziellen Probleme von Fluggesellschaften sind die Kosten, die ihnen entstehen, wenn Flüge sich verspäten oder ganz ausfallen, weil es mechanische Probleme gibt. Das betrifft dann im überwiegenden Fall nicht nur den einen Flug, sondern stört den gesamten Ablauf: Andere Flüge müssen eventuell ebenfalls verschoben werden, Passagiere auf neue Flüge gebucht oder in Hotels untergebracht werden, Crews erreichen ihre Anschlüsse nicht, etc. Neben finanziellen Aspekten, beeinflusst das auch die Kundenerfahrung negativ. Deshalb haben Fluggesellschaften ein besonderes Interesse daran, ein Teileversagen rechtzeitig vorherzusehen, um eben solche Verspätungen und Ausfälle zu verhindern. Eine Analyse aller relevanten Daten erlaubt es, Vorhersagen zu treffen über möglicherweise auftretende Probleme. Zu den analysierten Daten gehören bisher notwendige Reparaturen, Auffälligkeiten bei vorangegangener Wartung, Serienfehler oder Informationen über geflogene Routen. Mittels eines komplexen, mehrstufigen Algorithmus, welcher auf diesen „historischen“ Daten basiert, ließen sich so in einem Fall mechanische Probleme vorhersagen, die innerhalb der nächsten 24 Stunden auftreten werden. So konnten Mechaniker bei den regulären Servicestopps auch die entsprechende Wartung bzw. Reparatur durchführen – und damit ungeplante Ausfälle verhindern.

Ein anderes Beispiel betrifft den Austausch von Maschinenteilen im Flugzeugtriebwerk. Hierbei handelt es sich um sehr empfindliches und teures Equipment – gleichzeitig aber ist der Austausch von Triebwerksteilen eine der häufigsten Instandhaltungsaufgaben. Datenbasierte vorausschauende Instandhaltung und Wartung erlaubt es Teilelieferung, -lagerung und -austausch besser zu planen, so dass keine Wartezeiten entstehen. Was hierfür zu analysieren ist, sind überwiegend Telemetrie-Daten, die durch die Vielzahl von Sensoren im Flugzeug gesammelt werden. Aber auch hier spielen Erkenntnisse aus vorangegangenen Wartungen eine Rolle, um zukünftigen Verschleiß vorherzusagen. Im konkreten Fall konnten den Mechanikern Informationen geliefert werden, welche Teile innerhalb des nächsten Monats zu ersetzen sind. Das hilft Unternehmen die Reparaturkosten zu senken und genau die Teile vorliegen zu haben, die demnächst für die Reparatur benötigt werden.

Anwendungen beim Militär

Was für die private Luftfahrt gilt, lässt sich auch auf andere Bereich übertragen: Bei der Luftwaffe lassen sich durch Predictive Maintenance ebenfalls Kosten sparen und die Betriebszeit optimieren. Im Fall des Eurofighter Typhoon – so das Ergebnis eines Projekts für die britische Luftwaffe – würden sich durch datenbasierte, vorausschauende Instandhaltung innerhalb von 25 Jahren rund 2,7 Milliarden Euro einsparen lassen – allein für die Wartung und Reparatur von zehn Kampfflugzeugen. Hierbei ging es im konkreten Beispiel darum, durch Vorhersagemodelle ein potentielles Teileversagen rechtzeitig zu erkennen, was nicht ganz einfach ist, da die Abnutzung von verschiedenen äußeren Faktoren abhängt – unter anderen dem Klima am Hauptstandort des Flugzeugs. Für die britische Luftwaffe wurden insgesamt 2000 Teile für jedes Flugzeug in einer Simulation getestet: 40 Megabyte an Daten pro Teil bildeten die Basis für das daraus entwickelte Analysemodell. Das Modell berechnet dabei die Effekte von bestimmten Faktoren und Veränderungen in der Umwelt. So lässt sich vorhersagen wann Flugzeuge wegen Wartung und Reparatur ausfallen – und es kann entsprechender Ersatz bereitgestellt werden. Auch die Wartung an sich erfährt dadurch eine Optimierung: Die Ausfälle wurden im Fall der britischen Luftwaffe erheblich reduziert, da rechtzeitig neue Teile bestellt werden konnten.

Predictive Maintenance im Schienenverkehr

Wie bereits im vorangegangen Text angedeutet, lässt sich die intelligente Auswertung von Daten aus IoT und Big Data aber auch für den Schienenverkehr nutzen, um ähnlich wie beim Beispiel Luftfahrt Reparaturen besser zu planen und Erkenntnisse über die Lebensspanne bestimmter Teile zu erhalten. Siemens arbeitet derzeit an einem „Internet of Trains“, also Internet der Züge, das Zugverspätungen zu einer Sache der Vergangenheit machen soll. Siemens ist einer der größten internationalen Infrastrukturanbieter im Bahnverkehr. Durch Sensordaten, Big Data und Vorhersageanalyse will Siemens einen Kunden eine nahezu 100% Zuverlässigkeit bieten. Dabei werden alle möglichen Faktoren berücksichtigt: Von der Temperatur des Triebwerks zu den Türen (offen oder geschlossen), Vibration und Kameradaten von außerhalb des Zuges, aber auch Wetterdaten und andere externe Faktoren, die den Zug beeinflussen. Dies erlaubt zum einen eine vorausschauende Instandhaltung, zum anderen erhöht es die Energie-Effizienz.

Seit das System beispielsweise im vergangenen Jahr auf der Strecke Moskau – St. Petersburg eingeführt wurde, gab es (bis Mai) gerade einmal neun Verspätungen – und das bei 16 Zügen, die mehrmals täglich hin und her fahren. Im Fall der Deutschen Bahn überwacht Siemens seit Oktober Radlager, Getriebe und andere relevante Teile. Bislang hat das System nicht einen einzigen Teilefehler übersehen.

Weitere Anwendungsbereiche von Smart Data, IoT und Predictive Maintenance sind Thema des vierten und letzten Blogtextes, welcher weitere konkrete Beispiele aus anderen Industriebereichen liefert.

Artikel jetzt teilen

Studie: Die Zukunft der Digitalisierung liegt im Experience Management

Wie digitalisiert sind 400 Unternehmen in Deutschland? Laden Sie sich die Ergebnisse der repräsentative Befragung zum Digitalisierungsgrad und dem Einsatz von Experience Management herunter und erfahren Sie, warum der Experience Management Trend sich durchsetzen wird und wie es Ihr Unternehmen voranbringt.

Hinterlasse einen Kommentar

Über EASY SOFTWARE
Die EASY SOFTWARE ist Ihr Partner für eine durchgängige Digitalisierung von Geschäftsprozessen. Als Anbieter ebenso zukunftsweisender wie erfolgreicher Softwareprodukte und Servicelösungen, macht EASY Ihr Geschäft einfacher, effizienter und transparenter.
EASY SOFTWARE

EASY WORLD 2020
100% Digital

Erleben Sie am 29. September die digitale Welt der Unternehmensprozesse.
Keine Enge, keine Räume, keine Grenzen:
Der Kongress für die Digitalisierung Ihrer Geschäftsprozesse findet zu 100% virtuell statt,
mit 100% Wissenstransfer, interaktivem Austausch und Networking.
So einfach kann digitale Transformation sein.

Kostenlose Teilnahme sichern
Das könnte Sie auch interessieren:
Webinar: Der Kunde im Fokus – Innovative, digitale Erlebnisse in der Krankenversicherung
Microservice-Architekturen für die schnelle Implementierug von Diensten
Microservices – Architektur für servicegetriebene Geschäftsmodelle?
EASY fo Exchange Cloud. Eine tolle Sache.
Produktupdate: Release EASY for Exchange Cloud
Zurück zur Übersicht Nächster Artikel