Predictive Maintenance

Materialschäden und Stillstände vermeiden

Predictive Maintenance – die vorausschauende Wartung – bringt viele Vorteile und ist daher zielführender als die klassischen präventiven oder reaktiven Wartungsansätze. Ungeplante Maschinenausfälle und die damit verbundene Kettenreaktion von verschiedenen Aktivitäten (z.B. Außendiensteinsatz) lassen sich somit weitestgehend reduzieren. Ersatzteile können vorausschauend besser eingeplant und eingekauft werden. Durch die Informationen aus den bestehenden Daten lässt sich die Leistung und Produktivität steigern. Durch immer kostengünstigere Sensoren werden immer mehr Daten bei Maschinen bzw. Maschinenteilen gesammelt. Informationen wie Außentemperatur, Luftfeuchtigkeit oder dem geografischen Standort sind einfach verfügbar. Die Herausforderung besteht also in der klugen Auswertung und Aufbereitung der Daten. Data Science hilft sowohl bei der zielgerichteten Erfassung als auch bei der Verwertung dieser Daten. So können Ausfälle und Fehler frühzeitig erkannt werden, wodurch die die Mean Time To Failure und die Kundenzufriedenheit steigen.

In der Umsetzung von Predictive Maintenance sind abhängig vom Einsatzgebiet unterschiedliche Prozesse und Daten betroffen:

Vorteile / Zielsetzung

Ausfallszeiten reduzieren und Mean Time to Failure steigern
Produktionsertrag steigern
Gesamteffektivität steigern Durchsatz erhöhen
First Time Fix Rate steigern
Produktionskosten reduzieren

Die drei Einsatzgebiete von Predictive Maintenance

Fokus Produktion

Primäres Ziel: Optimierung der eigenen Produktion

Daten: Datenpunkte sind am Produktionsstandort oder an den Produktionstandorten; Prozessparameter, Qualitätskennzahlen, Umgebungsdaten

Anwendung: Vorhersage und Optimierung von Prozesseingangsparametern, Digitalisierung der Produktion

Zu beachten: Anbindung an den Historian (z.B. PI System von OSISoft) und Prozessleittechnik (lANSI/ISA 95)

Ich habe Interesse am Thema Produktion

Fokus Produkt – Endanwender

Primäres Ziel: Überwachung von Maschinen an einem Standort der (End-)Kunden (i.d.R. außerhalb der Produktion)

Daten: Datenpunkte sind weltweit verteilt; Sensordaten von Maschinen weltweit verteilt; Qualitätskennzahlen

Anwendung: Erkennung von fehlerhaften Bauteilen, Ursachen- und Fehleranalyse

Zu beachten: Connectivity – Mobilfunk, Business Case

Ich habe Interesse am Thema Produkteinsatz

Hybrid – Produktion beim Kunden

Primäres Ziel: Überwachung von Maschinen an einem Produktionsstandort von Kunden

Daten: Sensordaten von Maschinen weltweit verteilt; Qualitätskennzahlen

Anwendung: Erkennung von fehlerhaften Bauteilen, Ursachen- und Fehleranalyse

Zu beachten: Data Plattform, Datenschutz, Datenvertrag

Ich habe Interesse am Thema Hybrid

Was können wir für Sie tun?

Treten Sie in den Dialog mit uns zum Thema Predictive Maintenance. Die pmOne AG hat nachweislich umfangreiche Projekterfahrung in diesem Bereich und kann Ansprechpartner für den Erfahrungsaustausch vermitteln. Wir haben in den Branchen Automobilzulieferer, Serienfertigung, Pharma und Maschinenbau Referenzen mit nachweislichem Return-of-Investment
Unser IoT Starter Package ist der einfachste Weg, um damit zu beginnen und erste Erfahrungen zu sammeln
Steht in einem ersten Schritt das Thema Infrastruktur für Machine Analytics an, empfehlen wir zum Sammeln und Aufbereiten der Sensordaten „PI System“ von OSIsoft als marktführende Lösung. Die pmOne AG ist „preferred partner“ von OSIsoft für den deutschsprachigen Raum.