Gastbeitrag: Voraussetzung für Predictive Maintenance ist ein performantes Datenmanagement, weiß Jens Frenkel
Foto: InterSystems
Der Autor Jens Frenkel ist Sales Executive bei InterSystems
Das Internet der Dinge hält schon heute große Potenziale für die Industrie der Zukunft bereit. Ein wichtiger Anwendungsfall ist zum Beispiel Predictive Maintenance, also das Konzept der vorausschauenden Wartung. Bei diesem erheben und übermitteln Maschinen regelmäßig Daten an einen Knotenpunkt über ihren Zustand, die Auskunft über die jeweilige Funktionsfähigkeit und den zu erwartenden Verschleiß geben. Defekte an Maschinen lassen sich so frühzeitig erkennen und verhindern, bevor es zu einem kapitalen Schaden kommt. Somit senkt diese Form der Datenaufbereitung und -analyse die Betriebskosten von Maschinen und das Risiko eines Produktionsausfalls. Jedoch erfordert sie eine fundierte Datenstrategie und eine leistungsstarke Technologiebasis. Denn sonst lässt sich die riesige Menge der generierten Informationen nicht sinnvoll orchestrieren, vollständig auswerten und bestmöglich nutzen.
Produzierende Unternehmen stehen bei der vorausschauenden Wartung vor der Aufgabe, an die für Analysen benötigten Daten zu gelangen. Wenn die eingesetzten Maschinen jeweils unterschiedliche Datenprotokolle haben, ist dies schwierig. Hilfreich ist eine Lösung, die grundsätzlich unterschiedliche Datenformate und -protokolle sammeln, verarbeiten und analysieren kann. Ein erster Schritt in dieser Hinsicht wäre es, alle Maschinen so aufzurüsten, dass die von Sensoren stammenden Gerätedaten wie Energieverbrauch oder Abnutzung via Adapter zu Maschinen-Controllern wie dem Quasi-Industriestandard Siemens SIMATIC S7 oder einem vergleichbaren Standard automatisch ausgelesen werden.
Foto: InterSystems
Performantes Datenmanagement sorgt dafür, dass Predicitive Maintenance nicht zum Blick in die Glaskugel wird
Danach gilt es, die auf diese Weise gesammelten Daten zu orchestrieren und zu analysieren. Voraussetzung dafür ist die Erfassung und Bündelung der Informationen in einer Datenplattform. Bei dieser Zusammenführung kommt es vor allem auf die Interoperabilitätsfähigkeiten der eingesetzten Datenmanagement-Lösung an. Sie muss in der Lage sein, heterogene Datensätze verschiedener Quellen verlässlich zu verarbeiten. Der effiziente Workflow hängt dabei von ihrer Fähigkeit ab, große Datenmengen souverän zu handhaben.
In Bezug auf die Analyse existieren bei der Predictive Maintenance noch keine einheitlichen Standards, sodass Interoperabilität zweifellos Wegbereiter für sinnvolle Analysen ist. Denn erst wenn alle Daten miteinander verknüpft sind, erlangen Unternehmen umfassende Erkenntnisse über ihre Maschinen. Vergleichen lassen sich dazu sowohl Echtzeitdaten der Maschinen als auch Nicht-Echtzeitdaten, wie beispielsweise historische und Referenzdaten. Im Kern geht es in der Analyse darum, etwaige Datenanomalien aufzudecken und diese zu interpretieren.
Je mehr Maschinen integriert und ausgewertet werden, desto entscheidender ist die Leistungsfähigkeit der Lösung. Viele Anwendungen sind für den benötigten hohen Durchsatz nicht gerüstet und damit für Predictive Maintenance-Szenarien ungeeignet. Ideal ist eine Datenplattform, die sich durch Interoperabilität, Performance und Skalierbarkeit auszeichnet. Das bedeutet auch, dass sie unterschiedliche Protokolle, Programmiersprachen, Machine Learning-Ansätze und Konnektoren zu BI-Anwendungen unterstützt. Außerdem ist eine Architektur erforderlich, die einen geringen Datenmodellierungs-Aufwand verursacht und problemlos zu orchestrieren ist. Wenn alle Informationen gebündelt verfügbar sind, verbessert das den Überblick und minimiert Aufwand und Fehler.
Grundsätzlich ist es auch wichtig, dass die Datenplattform auf die individuellen Gegebenheiten, Ziele und Erfordernisse des jeweiligen Unternehmens abgestimmt ist.
Erfolgreich ist ein Predictive Maintenance-Konzept dann, wenn es gelingt, das Maximum aus den eigenen Daten herauszuholen. Unternehmen, die das erreichen, meistern den nächsten Schritt der Digitalisierung, den das Internet der Dinge ermöglicht. Die Ausgangsbasis dafür bildet der Einsatz eines optimalen Datenmanagements.
