IBM Glaskugel

Bild: rolffimages - Fotolia.com

glass ball in hands with abstract background

Bild: rolffimages – Fotolia.com

Um Maschinenausfälle effektiver verhindern zu können, bedarf es innovativer Ansätze. Dabei geht es darum, die Maschinenvernetzung zu nutzen und mit neuen Technologien zur Datenerhebung, -integration, -verwaltung, und -analyse zu ergänzen. Diese als Analytics bezeichneten Technologien ermöglichen es, Maschinendaten zu verstehen und konkrete Empfehlungen abzuleiten.

Vorausschauende Instandhaltung und Produktion

Die besten Voraussetzungen, um aus Analytics hohen Nutzen zu ziehen, bietet vorausschauende Instandhaltung. Die zugrundeliegende Idee besteht bei diesem Konzept darin, die Länge der Instandhaltungsintervalle der präventiven Instandhaltung entsprechend dem tatsächlichen Anlagenzustand zu optimieren. Dabei sind die individuelle Maschinenauslastung und externe Einflüsse zu berücksichtigen. Umgesetzt wird das mithilfe einer schnell wachsenden Anzahl von Sensoren zum Messen physikalischer Einflüsse im laufenden Betrieb. In den von ihnen gelieferten Daten wird nach Mustern und Trends gesucht, die auf Maschinenausfälle hindeuten. Wie die Implementierung und die Nutzung von Analytics als Grundlage prädiktiver Instandhaltung genutzt werden können, ist jedoch von verschiedenen Faktoren abhängig.

Formen der Bereitstellung

So muss einerseits die Bereitstellung der Ergebnisses entsprechend funktionalen Anforderungen, etwa von Reaktionszeiten auf ein definiertes Ereignis, erfolgen. Andererseits spielen aber auch nicht-funktionale Anforderungen wie Latenz und Bandbreite von Netzanbindungen oder Datenschutz eine Rolle. Dementsprechend kann eine Datenanalyse direkt entweder an einer Anlage oder zentral in einem lokalen Rechenzentrum bzw. in der Cloud erfolgen. Auch die Kombination verschiedener Bereitstellungsarten ist möglich und oftmals sinnvoll. Soll die Umsetzung der Analytics In der Nähe des Entstehungsorts der Daten erfolgen, wird ein sogenanntes Edge Devices eingesetzt. Dieses unterstütze bei diesem Verwendungszweck die Integration verschiedener nativer Industrieprotokolle und Schnittstellen, etwa Modbus oder das immer beliebtere MQTT. Neben der Integration und Vorverarbeitung wie Verdichtung oder Filterung werden die Daten auf einem Edge Device auch analysiert. Die aggregierten Informationen lassen sich dann lokal vorhalten und bei Bedarf an eine zentrale Analytics-Umgebung transferieren. Ein solches Vorgehen stellt geringe Latenz und Reaktionszeit sicher, reduziert aber auch das Datenvolumen erheblich.

Das Herzstück

Belastbare Prognosen

Moderne Predictive-Maintenance-Lösungen helfen dabei, die oft sehr komplexen Gründe für einen Ausfall zu verstehen und künftige Ausfälle weit im Voraus zu prognostizieren. Im Kern der Lösungen für den industriellen Bereich steht das System IBM Predictive Maintenance & Quality, abgekürzt PMQ.

Mit Predictive Maintenance & Quality (PMQ) hat IBM die Basis geschaffen, um Unternehmen durch vorausschauende Instandhaltung und Produktion von einem reaktiven „Was ist passiert?“ hin zu einer Vorhersage für Handlungsentscheidungen „Was soll passieren?“ zu begleiten.
Die Lösung beinhaltet spezielle Datenmodelle, Integrationslösungen und Werkzeuge für deskriptive, prädiktive und präskriptive Analysen sowie professionelle Visualisierungs- und Reportingwerkzeuge. Ein asset-basiertes Lizenzmodell erlaubt eine Skalierung mit dem erzeugten Mehrwert.

PMQ geht damit deutlich über einfache Analysewerkzeuge hinaus und stellt eine umfassende Lösung dar, um Kosten zu reduzieren, Umsätze zu sichern oder neue Geschäftsmodelle zu entwickeln.

Um für diese Art der Verarbeitung notwendige Ausrüstungen zu schaffen, sind Partnerschaften verschiedener Unternehmen unerlässlich. So bietet IBM über eine Kooperation mit Intel, ADLink und PrismTech eine solche Lösung an. Mit dem PMQi Gateway oder der PMQi Industrial Appliance bringt jedes Unternehmen seine Kernkompetenz ein. Intel und ADLink stellen die Hardware zur Verfügung, die durch die Software von IBM und PrismTech vervollständigt wird.

IBM Daten

Wertschöpfung aus Daten: Mit erweiterter Analytik werden aus Datenströmen (aus der Produktion) sowie statischen Daten (aus weiteren Bereichen wie der Instandhaltung) Mehrwerte in vielen Anwendungen erschaffen. – Bild: IBM Deutschland

In diesem Zusammenspiel entsteht ein Edge Device, welches durch besondere Hardware extremen Bedingungen wie hohen oder niedrigen Temperaturen und Erschütterungen Stand hält. So lassen sich die Maschinendaten direkt vor Ort umfangreich analysieren. Eine zentrale Analytics-Umgebung findet sich dann auf der Ebene einer Werks- oder Standortsicht. Diese Form der Bereitstellung ermöglicht eine konsolidierte Sicht auf die Maschinen und ihre Daten und gibt somit Auskunft über den Gesamtzustand eines Standorts und der dortigen Prozesse. Die Erkenntnisse aus der Analytics dienen hier insbesondere der lokalen Optimierung. Hierfür wird meist Rechenkapazität aus der Werks-IT zur Verfügung gestellt.

Auf dieser Infrastruktur kann dann eine vollumfängliche Installation etwa von IBM PMQ bereitgestellt werden. Damit sind die Werksmitarbeiter in der Lage, mit den Integrations- und Analysewerkzeugen umfangreich auszuwerten und zu operationalisieren.

Als dritte Ebene kann schließlich eine übergeordnete Cloud-Lösung dienen. Hier werden Daten aus mehreren Werken abgelegt und für die Analytics verfügbar gemacht. Die hier durchgeführten Analysen unterliegen aber meist keinen Anforderungen hinsichtlich niedriger Reaktionszeiten, sondern helfen etwa bei der Etablierung einer ganzheitlichen Sicht auf Standorte, Maschinenarten und Prozesse. Darüber hinaus bietet eine Cloud-Lösung gerade in Bezug auf die Anwendung komplizierter analytischer Verfahren, wie etwa das Auswerten von unstrukturierten Daten, ausreichend Rechenkapazität. In der Realität werden in anlagenintensiven Unternehmen häufig beide Ansätze realisiert. Gerade ein solcher kombinierter Ansatz schafft die Balance zwischen Anforderungen und technischer Umsetzbarkeit.

Henrik Leddin

Kontakt:

IBM Deutschland, Mobil: 0173 2535379, E-Mail: hendrik.leddin@de.ibm.com