Maschinenschäden bei der Wartung 45 Tage im Voraus erkennen
Schäden an Maschinen können für Industriebetriebe weitreichende Folgen haben. Die Trivadis hat für einen Kunden eine Lösung entwickelt, mit der Maschinenschäden 45 Tage im Voraus erkannt werden.
In Kürze
Herausforderung
Prospektive Instandhaltung von Maschinen trotz beschränkter Datenmenge.
Lösung
Entwicklung eines Predictive-Maintenance-Modells auf Basis der Abfragesprache R.
Nutzen
Bessere Planbarkeit des Unterhalts der Maschinen und siginifikante Reduktion der Kosten.
Unsere Lösung
Kalkstein, in der Industrie besser bekannt als Calciumcarbonat, ist ein chemisches Produkt, das in vielen Branchen Verwendung findet; meistens gebrannt als Kalk: bei Baustoffen, in der Stahlerzeugung, als Düngemittel, in der Pharmaindustrie sowie bei der Glas-, Papier- und Kunststoffherstellung. Ein Produkt, mit dem wir alle täglich konfrontiert sind, ohne dass wir uns dessen bewusst sind. Weltweit werden jährlich mehr als 100 Millionen Tonnen benötigt. Bei der Herstellung der Vorprodukte von Calciumcarbonat aus Kalkstein kommen schwere Industriemaschinen zum Einsatz: sogenannte Classifier, die das Gestein nach ihrer Grösse sortieren, und Gesteinsmühlen, die den Stein mahlen. Ein weltweit führender Hersteller von Industriemineralien plante, zusammen mit Trivadis eine Lösung zu entwickeln, die Schäden an seinen Industriemaschinen im Voraus erkennt.
Mit einer Anwendung für vorausschauende Wartung, Predictive Maintenance, sollten plötzliche Ausfälle vermieden, Stillstandszeiten planbar und Reparaturen beschleunigt werden, kurz die Vorteile eines IoT-Predictive-Maintenance-Modells in der Industrie ausgeschöpft werden. Denn im hart umkämpften Weltmarkt und bei dem hohen Bedarf an Calciumcarbonat kosten kaputte Maschinen das Unternehmen viel Geld, vor allem durch verschobene Umsätze und Liefertermine sowie Ressourcen, die unerwartet zur Fehlerbehebung benötigt werden.
Prospektive Instandhaltung von Maschinen trotz beschränkter Datenmenge
Gemäss dem Trivadis Motto „Better Together” sollte die Lösung eng mit den Mitarbeitenden des Herstellers für Industriemineralien zusammen erarbeitet werden. Gemeinsam wurde eine Lösung entwickelt, für die Trivadis den Mitarbeitenden im Projektteam grundlegende Prinzipien von Predictive Maintenance vermittelte.
Normalerweise stehen für Predictive-Maintenance-Anwendungen eine Unmenge historischer Daten von Sensoren aus vielen gleichen Maschinen zur Verfügung. Diese werden analysiert, um Hinweise zu finden, die in Verbindung mit tatsächlich eingetretenen Fehlern stehen. Die Herausforderung bestand in diesem Fall darin, dass der Anbieter von Industriemineralien nur wenige dieser grossen und schweren Maschinen im Einsatz hat, die er übrigens selbst entwickelt und baut. Es stand also nur ein sehr begrenzter Datenpool für die Auswertung zur Verfügung. Dementsprechend hoch war die Anforderung an die Data Scientists von Trivadis.
Aus Maschinendaten intelligente Informationen gewinnen
Trotz der wenigen Basisdaten gelang es den Experten von Trivadis, auf der Grundlage von Datenbankauszügen mit Sensorinformationen die Maschinendaten zu lesen und zu interpretieren, um aus Daten wertvolle Informationen zu machen. Auf Basis der Abfragesprache R wurden Messdaten analysiert sowie Modelle erstellt und verifiziert. Mitarbeitende des Kunden lernten dabei die statistischen Methoden und den Umgang mit R und trugen gleichzeitig das nötige Fachwissen über den Einsatz und die Funktionsweise der Maschinen bei. Innerhalb kurzer Zeit gelang es, ein tragfähiges Predictive-Maintenance-Modell für die proaktive Instandhaltung zu entwickeln, das Maschinenschäden bis zu 45 Tage im Voraus prognostizieren konnte.
Cloud Infrastruktur: Grundlage für Datenanalyse & Monitoring
Für dieses Modell wurden dann Vorschläge zur Operationalisierung erarbeitet, etwa wie eine Cloud-Infrastruktur auf Basis von Microsoft Azure aussehen müsste, um Sensordaten zu sammeln, zu historisieren und Predictive Maintenance als Prozess einzuführen. Der Head of Engineering, Machines & Maintenance Group Operations fasst zusammen: „Trivadis hat für uns ein IoT-Predictive-Maintenance-Modell entwickelt, das es uns ermöglicht, etwaige Maschinenschäden bis zu 45 Tage im Voraus festzustellen. Damit können wir nicht nur den Unterhalt der Maschinen besser planen, sondern auch die Kosten signifikant reduzieren.“ Auf Grundlage der gesammelten Erfahrungen wurden ebenfalls Ideen entwickelt, wie die Vorhersage weiter verbessert werden könnte.
Eingesetzte Technologien
Abfragesprache R
Microsoft Azure
Mehr Stories
KI
Cloud
IoT
Analytics
Datenplattform
Microsoft
Gesundheit
