https://info.all-for-one.com/hubfs/IoT%20Machine%20Learning/blog/Cluster%20PM/pm-big_data-title.jpg

LESEZEIT: 5 MINUTEN

Big Data im Predictive Maintenance Kontext

30.08.2021 11:20 AM

Predictive Maintenance ist wie viele Industrie 4.0 Szenarien ein Thema großer Datenmengen bzw. von Big Data. Neben der Frage, wie man an die für Predictive Maintenance notwendigen Daten kommt, bedarf es Überlegungen, wie man mit Big Data umgehen kann und welche Speicherkonzepte man dabei verfolgt.

 

Predictive Maintenance – eine Einführung

Predictive Maintenance steht für die vorausschauende Wartung von Maschinen und Anlagen. Um verlässliche Prognosen über einen anstehenden Ausfall machen zu können bzw. diese von einem System geliefert zu bekommen, bedarf es großer Mengen an Informationen – Big Data – über die betreffenden Maschinen.

Sind diese vorhanden, können sie auf Muster und Zusammenhänge untersucht werden – etwa ob es Einflüsse von Faktoren wie Temperatur oder Luftfeuchtigkeit auf einen zeitlich nachgelagerten Ausfall einer Maschine bzw. eines bestimmten Bauteils gibt. Bestehen solche Zusammenhänge, kann man zum einen versuchen, bessere Betriebsparameter zu finden, die solche Ausfälle verhindern oder später auftreten lassen. Zum anderen informiert das Predictive Maintenance System bei gleichen oder ähnlichen Faktorkonstellationen im Vorfeld, dass ein Ausfall bevorsteht – so dass Ersatzteile rechtzeitig beschafft und Technikereinsätze entsprechend geplant werden können.

pm-big_data-2

Die für solche Szenarien notwendigen Datenmengen lassen sich sinnvollerweise nur in einer Cloudumgebung speichern und für einen Zugriff bereithalten. Und auch Applikationen und Algorithmen, die zur Erkennung von Mustern und für Prognosen eingesetzt werden, laufen unkomplizierter in einer Cloud.

Dabei gibt es zwei grundsätzliche Einsatzmöglichkeiten für Predictive Maintenance:

  • Die maschinenbezogene, externe Sicht bezieht sich auf einen Hersteller, der Maschinen, die bei seinen Kunden im Einsatz sind, überwachen und die Kunden frühzeitig über drohende Ausfälle informieren und damit einen besseren Service bieten möchte. Hier werden Daten von vielen baugleichen Maschinen erfasst mit dem Ziel, maschinenspezifische Prognosen anstellen zu können.
  • Die prozessbezogene, interne Sichtweise blickt hingegen auf einen Betreiber von Maschinen im Kontext der eigenen Fertigung. Hierbei handelt es sich oftmals um unterschiedliche Anlagen – auch unterschiedlicher Fabrikate – die im Rahmen eines Produktionsprozesses miteinander agieren. Neben dem Ausfall der einzelnen Anlagen geht es hier auch verstärkt um Interdependenzen zwischen den verschiedenen Maschinen.

Die Grundlage: Big Data

Welche Daten benötigt man, um solche Szenarien aufzubauen? Zuallererst gilt: Je mehr Daten, desto besser. Und auch: Je konsistenter die Datenerfassung über einen bestimmten Zeitraum, desto präziser die Analyse und Prognose.

Für ein Predictive Maintenance System benötigt man zum einen Daten von an den Maschinen verbauten Sensoren, z. B. Temperatur, Frequenzen, Spannungswerte. Zum anderen kann man aber auch Informationen direkt aus der Steuerung einer Maschine abgreifen, wie etwa Fehlerarten, „Maschine Start, „Maschine Ende“ oder produzierte Stücke. Diese Beispiele sind ganz unterschiedlicher Natur: „Maschine Start“ oder „Maschine Ende“ fallen jeweils zu einem bestimmten Zeitpunkt an. Werte wie Temperatur werden hingegen fortlaufend gemessen – hier muss entscheiden werden, zu welchen Zeitpunkten sie aufgezeichnet werden sollen: einmal pro Sekunde? Einmal pro Minute? Einmal pro Stunde? Ein solche Entscheidung hängt vom konkreten Szenario ab: werden nur Änderungen bei der Temperatur benötigt? Oder nur Ausreißer? Oder eben doch die ganze Zeitreihe?

pm-big_data-3

Diese Entscheidungen haben maßgeblichen Einfluss auf die letztendlich anfallende Datenmenge. Generell kommt man bei Industrie 4.0 Szenarien schnell in den Bereich von Big Data – etwa wenn 100 Maschinen für ein Predictive Maintenance System Daten auf Sekundenbasis liefern.

Nur mit Maschinen- und Sensordaten ist es aber noch nicht getan. Um Muster und Abhängigkeiten im Ausfallverhalten von Maschinen zu identifizieren, benötigt man auch statische Werte. Etwa Informationen über die Maschinen an sich, wie das Alter oder die Wartungshistorie: Wann wurden welche Teile getauscht? Diese Informationen sind in vielen Fällen im ERP zu finden, ebenso wie Prozessdaten (Was wurde produziert? Welche Fehler sind angefallen? Wann wurde umgerüstet? etc.). Eine Integration des ERP in ein Predictive Maintenance Szenario ist daher vor diesem Hintergrund sinnvoll, aber vor allem aufgrund von Schnittstellenthemen nicht trivial. In der Praxis erweist sich darüber hinaus oftmals die mangende Dokumentation von erfolgten Instandhaltungsmaßnahmen bzw. die unvollständige Digitalisierung der Instandhaltung an sich als ein Hindernis für eine saubere Datengrundlage.

Mit Blick auf die Prognosegenauigkeit eines Predictive Maintenance Systems, sollten im Idealfall sämtliche über den Produkt- bzw. Maschinenlebenszyklus anfallende Daten erfasst werden.


Speicherkonzepte für Predictive Maintenance Szenarien

Nicht nur weil die Speicherung solcher Datenmengen auch mit spürbaren Kosten verbunden ist, sollte man sich frühzeitig mit Speicherkonzepten beschäftigen. So gilt es etwa für den Fall vorzusorgen, dass Konnektivität, also die Verbindung von der Informationen liefernden Maschine zur Speicherumgebung in der Cloud, nicht zu jedem Zeitpunkt gegeben ist. Das erfolgt typischerweise durch eine am Gerät verbaute Edge-Komponente, in der Daten zwischengespeichert werden können, bis eine Übertragung wieder möglich ist.

Weiter gibt es Möglichkeiten, die anfallenden Informationen in verschiedene Datenbanken zu speichern. Daten, die nicht ständig verfügbar sein müssen, können in weniger performanten und deshalb günstigeren Speicherplätzen abgelegt werden, Daten die kontinuierlich gebraucht werden, in entsprechend leistungsfähigeren, teureren Datenbanken.

pm-big_data-1

Bspw. bietet die für IoT-Anwendungen beliebte Cloud Plattform Microsoft Azure sogenannte Cold Storages – günstiger, aber mit langsamerem Zugriff – etwa für ältere Daten, mit denen das Predictive Maintenance System initial trainiert wurde. Im Gegensatz dazu eignen sich die Hot Storages für aktuelle Daten, die für aktuelle Prognosen verwendet werden.

Microsoft Azure bietet darüber hinaus den Vorteil, das große Mengen an IoT-Daten direkt eingelesen und weiterverarbeitet werden können, so dass sich in Verbindung mit dort ebenfalls vorgehaltenen Machine Learning Services recht einfach Prognosen erstellen lassen.

 

Fazit

Die zentrale Voraussetzung für ein Predictive Maintenance System ist eine brauchbare Datengrundlage. Diese muss ausreichend umfangreich und genau sein. Mit diesen Anforderungen ist man schnell im Bereich Big Data.

Sensor- und Maschinendaten werden in vielen Unternehmen aus unterschiedlichen Gründen erfasst. Sobald Überlegungen in Richtung Predictive Maintenance angestrengt werden, sollte deshalb eine u. U. schon vorhandene Datenbasis schnellstmöglich geprüft werden. Ist diese nicht ausreichend, empfiehlt es sich, zeitnah ein Condition Monitoring System zu implementieren, welches, neben dem originären Zweck der Zustandsüberwachung, auch gleich eine belastbare Datengrundlage liefert.

Die anfallenden großen Datenmengen lassen sich aus Performancegründen nur in einer Cloud sinnvoll handhaben. Darüber hinaus bieten Cloud-Plattformen wie bspw. Microsoft Azure auch neuste Sicherheitsstandards. Microsoft Azure ist dabei jedoch natürlich nicht die einzige Option, deshalb sollte man im Vorfeld sorgfältig evaluieren, welche Plattform sich für den spezifischen Anwendungszweck und vor dem Hintergrund einer optimalerweise vorhandenen, unternehmenseigenen Datenstrategie am besten eignet.


CTA-Impact Blog

 

 

KOSTENLOSE WEBSESSIONS, SPANNENDE EVENTS UND INFORMATIVE SEMINARE

MEHR ERFAHREN