Wartung in Zeiten der Digitalisierung – Predictive Maintenance Anwendungsbeispiele

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.

Fehler beheben, bevor sie entstehen

Nicht nur in der Industrie sind vorausschauende Wartungsroutinen anzutreffen. Nahezu jeder hatte bereits das ärgerliche Erlebnis, vor einem defekten Geldautomaten zu stehen. Oder noch schlimmer: Das Gerät behält die Karte ein, ohne Geld auszuzahlen. Nicht selten also haben Banken mit verärgerten Kunden zu tun. Umso größer ist natürlich das Interesse von Banken eine vorausschauende Instandhaltung und entsprechende Wartung zu etablieren, um rechtzeitig auf Probleme aufmerksam zu werden und diese zu beheben. Hauptprobleme sind auch hier ein Teileversagen, oder dass – ähnlich wie bei einem Drucker – sich die Scheine bei der Ausgabe verhaken und es einen Papierstau gibt.

Im Fall der Geldautomaten erlauben neue Technologien wie das Internet of Things (IoT) eine genauere Überwachung der Prozesse: So sammeln Sensoren Daten über alle Vorgänge beim Auszahlen der Banknoten. Das umfasst zum einen Daten über jeden erfolgreich abgeschlossenen Prozess, zum anderen von Sensoren abgelesene Daten zu jedem einzelnen vom Automaten ausgezahlten Gelschein wie: die Lücken zwischen den einzelnen Geldscheinen im Bündel, die Dicke der Geldscheine oder der zeitliche Abstand beim Einsammeln und Zusammenführen der einzelnen Geldnoten aus verschiedenen Stapeln. Zudem werden alle Wartungsdaten vorangegangener Wartungen ebenfalls gesammelt und ausgewertet. Dazu gehören Fehlermeldungen und Informationen über vorgenommene Reparaturen.

Zusammen erlauben all diese Daten zwei Modelle: Das eine bezieht sich auf den gesamten Abhebungsprozess, das andere auf die einzelnen Geldnoten, die ausgezahlt werden. Ziel ist es auch hier mögliche Fehler im System vorherzusagen, bevor sie entstehen und die Kundenzufriedenheit minimieren. So kann ein Warnsystem etabliert werden: Der Geldautomat erkennt anhand vorangegangener Daten, dass ein Transaktionsfehler vorliegt, möglicherweise wegen Papierstaus nicht alle Scheine ausgezahlt werden können. Der Geldautomat kann dann die Transaktion selbst abbrechen und dem Kunden eine entsprechende Warnung geben. Möglich wäre es theoretisch sogar, dass ein diensthabender Mechaniker direkt eine Warnung auf sein Smartphone erhält und eine Reparatur vornehmen kann.

Ausfallzeiten verhindern

Predictive Maintenance ist der beste Weg, um schnell und einfach die Vorteile von IoT zu nutzen. Das betrifft unter anderem ein mögliches Maschinenversagen: Einen längeren Ausfall von Maschinen vorherzusagen, ist im Interesse jedes Unternehmens, kann dies doch zehntausende Euro in der Minute kosten. Das gleiche gilt – und hier besonders – für intelligente Stromnetze oder intelligente Transportnetzwerke, also empfindliche Systeme. Hauptziel vieler Unternehmen ist es daher einen Ausfall nahezu vollständig auszuschließen.

Ein Beispiel ist hier der japanische Hersteller industrieller Automatisierungseinrichtungen FANUC: Jahrelang hatte das Unternehmen Probleme damit, Kunden bei der Optimierung ihrer Anlagen in den verschiedenen Produktionsstätten zu helfen. Gemeinsam mit Cisco and Rockwell Automation entwickelte FANUC dann eine Lösung, die Ausfallzeiten von Maschinen gen Null gehen lässt. Sie nutzen dafür eine Analyse von Daten, die die Fertigungsroboter in Unternehmen liefern: Kunden teilen diese Daten und FANUC sammelt, lagert und analysiert sie in der Cloud, um potentielle Probleme zu erkennen und zu beheben, bevor sie einen negativen Effekt auf die Produktion haben können.

General Motors zum Beispiel hat etwa ein Viertel der 30.000 Fertigungsroboter an diese IoT-Lösung angeschlossen und dadurch in den letzten zwei Jahren Ausfallzeiten erheblich verringert. Dadurch, dass das Unternehmen weiß, wann ein Teil auszufallen droht, kann es rechtzeitige Wartungsmaßnahmen einleiten und entsprechende Teile ordern, muss sie aber nicht ständig vorrätig haben.

Predictive Maintenance bei erneuerbaren Energien

In den vergangenen Jahren sind Umweltbewusstsein und das Bewusstsein für erneuerbare Energien gewachsen. Und so sind Windräder heute eine der wichtigsten Energiequellen im Rahmen der Energiewende. Eines der Hauptbestandteile von Windturbinen ist ein Generator-Rotor, der mit einer Vielzahl von Sensoren bestückt ist, um den Zustand der Turbinen und ihren Status zu überwachen. Diese Daten erlauben es aber auch ein Vorhersagemodell zu berechnen, um kritische Key Performance Indicators (KPIs) zu determinieren. Dazu gehört die Zeit bis ein Teil ausfällt. In einem Projekt wurden zum Beispiel Daten von drei verschiedenen Windrädern an drei sehr unterschiedlichen Standorten miteinander verglichen – für ein Jahr wurden alle zehn Sekunden Sensordaten geliefert über Faktoren wie Temperatur, Geschwindigkeit, Turbinenleistung oder Generatorwicklung. Daraus wurde ein Vorhersagemodell beispielsweise für die Lebensspanne von Generatoren und Temperatursensoren entwickelt. Durch die Vorhersage eines möglichen Ausfalls, können sich die Mechaniker bei der Wartung auf sensible oder verdächtige Teile konzentrieren. Auch erlauben die Daten ein besseres Verständnis der Ursachen, die einem Teileversagen zugrunde liegen.

Bei allen genannten Beispielen gilt eines grundsätzlich: Es gibt sehr viele unterschiedliche Lösungen für Predictive Analytics und Maintenance basierend auf Daten und speziellen Algorithmen. Diese können sehr spezifisch auf einzelne Industriebereiche zugeschnitten sein. Was aber alle gemeinsam haben ist, dass sie Daten sammeln und auswerten und somit einen tiefergehenden Einblick in Prozesse und sie beeinflussende Umweltfaktoren erlauben. Das ist keine Magie, sondern schlichtweg statistische Modelle, die es Unternehmen erlauben Prozesse effektiver zu gestalten und so eine Menge Geld zu sparen. Selbst dann, wenn am Anfang Investitionen in neue Technologien notwendig sind.