Startseite > Automation > Industrie 4.0 & IoT > Predictive Maintenance - Support bei der Umsetzung

Domänen-Know-how der Ingenieure nutzen

Predictive Maintenance - Support bei der Umsetzung

4. März 2021, 18:02 Uhr | Iris Stroh

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 2

Praxisbeispiele

Welche Vorteile sich durch Predictive Maintenance ergeben, belegt Wallner anhand von Praxisbeispielen. Das erste Beispiel ist Krones, ein führender Anbieter von kompletten Abfüllanlagen, von Maschinen zur Flaschenreinigung bis hin zu Anlagen für die Verpackung. Laut Wallner arbeitet Krones bereits seit langem mit Mathworks zusammen. In einem neuen Projekt ging es darum, dass Krones mithilfe eines Tripod-Roboters den Durchsatz einer Verpackungsanlage erhöhen wollte. Krones hat mithilfe von Simulink einen digitalen Zwilling des Roboters entwickelt. Mit diesem digitalen Zwilling wurden wiederum Simulationen durchgeführt, um das Design zu optimieren. Wallner: »Dank dieses Ansatzes konnte die Leistungsfähigkeit des Roboters erhöht sowie die Entwicklungszeit und Testzeit verkürzt werden.« Und weiter: »Krones setzte den digitalen Zwilling aber nicht nur in der Entwicklungsphase ein, sondern sie nutzen ihn auch für das Trainieren von ML-Algorithmen, um Predictive Maintenance umzusetzen.«

Ein zweites Beispiel ist Mondi, in diesem Fall kein Hersteller von Maschinen, sondern ein Anlagenbetreiber. Das Unternehmen fertigt Kunststofffolie und Papier. Mondi hatte das Problem, dass die Folie ab und zu gerissen ist, was zu langen Standzeiten der Anlage geführt. Also war Mondi daran interessiert, mithilfe von Predictive Maintenance diese Ausfälle zu vermeiden, allerdings ohne erst aufwändige Modelle aufbauen zu müssen, insbesondere da das dafür notwendige Know-how bei den Maschinenherstellern liegt. Also wurde mithilfe von statistischen Methoden Überwachungs- und Predicitive-Maintenance-Software entwickelt, die mithilfe von ML-Algorithmen Maschinenausfälle vorhersagten. Wallner: »Mondi hat dafür sehr eng mit unserem Consulting-Team zusammengearbeitet und ein Dashboard entwickelt, das auf Matlab basiert und anzeigt, welche Fertigungslinien okay sind und welche ein Problem haben.« Der Entwicklungsaufwand von weniger als sechs Monaten für einen kompletten Prototypen hat sich gelohnt, laut Wallner kann Mondi dank Predictive Maintenance und ausbleibender Folienrisse über 50.000 Euro pro Jahr einsparen.

Predictive ist machbar – für jeden

Wallner ist überzeugt, dass für Entwickler, die schon lange mit Simulationen gearbeitet haben, der Schritt hin zu Predictive Maintenance relativ klein ist. Aber auch für Entwickler, die noch nie mit KI gearbeitet und noch keine dynamischen Simulationsmodelle aufgebaut haben, »ist dieser Schritt machbar, denn wir haben ein Consulting-Team, das genau dort einsteigt, wo der Kunde Hilfe braucht.« Das ist aus Wallners Sicht auch ein entscheidender Vorteil von Mathworks, das Unternehmen bietet nicht nur die Tools, sondern auch die Entwicklungsunterstützung. Wallner abschließend: »Aus meiner Sicht sind zwei Punkte entscheidend für eine erfolgreiche Umsetzung von Predictive Maintenance: Die Daten müssen aussagekräftig sein und Fehlerdaten umfassen. Der Anwender muss es ernst meinen, denn nur mal kurz auf die Daten draufschauen reicht nicht, man muss Geld und Zeit investieren, aber der Aufwand amortisiert sich schnell.«