Z-BRE4K

Predictive Maintenance zur optimalen und ressourceneffizienten Wartung von Maschinensystemen

Die Ermittlung des richtigen Zeitpunktes für die Maschinenwartung ist für viele Industrieunternehmen eine große Herausforderung. Derzeit reagieren die meisten Unternehmen auf auftretende Ausfälle (Run-to-Failure Maintenance) oder die Wartung erfolgt in geplanten Zeitabständen (Preventive Maintenance). Dies führt entweder zu unerwarteten Produktionsausfällen oder zu einer Verschwendung von Maschinenarbeitszeit, da die Komponenten zu früh umgestellt werden. Daher bieten vorausschauende Instandhaltungsstrategien ein großes Potenzial. Ein wesentlicher Bestandteil der Predictive Maintenance ist die Schätzung der Restnutzungsdauer (RUL) von Maschinenanlagen. RUL-Schätzverfahren basieren auf statistischen Methoden und abgeleiteten Algorithmen. Daher werden für eine gute Schätzung viele Daten benötigt.
Unternehmen haben kaum einen Überblick über die verfügbaren Daten und die entsprechende IT-Architektur, um eine geeignete Software für die prädiktive Instandhaltung auszuwählen. Gemeinsam mit den drei Industriepartnern Gestamp, Philips und Sacmi-CDS sowie einem europäischen Forschungskonsortium werden Ansätze für eine prädiktive Instandhaltungsstrategie entwickelt, die sich mit der Erfassung, Verarbeitung, Analyse von historischen Maschinendaten und der Generierung von zugehörigen Simulationsdaten beschäftigt. Eine strukturierte Prozesslandschaft gibt Unternehmen eine Vorstellung davon, wie sie Predictive Maintenance in bestehende Prozesse integrieren können. Durch den Einsatz eines digitalen Zwillings der Produktionsmaschine wird die Virtualisierung und Generierung von Zusatzdaten mittels Simulation dargestellt. Darüber hinaus könnte der digitale Zwilling Ergebnisse liefern, um andere bestehende Maschinen mit Sensoren auszurüsten und so die Abschätzung der verbleibenden Nutzungsdauer zu verbessern.