Nutzen Sie das Potenzial von Predictive Maintenance mit IoT

Festlegen des Ziels

Bestimmen Sie Geschäftsprozesse, die verbessert werden sollen, und die Ziele, die erreicht werden sollen.

Infolge Ihrer Vorhersagen müssen Maßnahmen ergriffen werden können, andernfalls haben sie keinen Mehrwert. Eine Vorhersage, dass eine Heiz- oder Kühleinheit am nächsten Tag in einen Fehlerzustand übergeht, ist beispielsweise nutzlos, wenn Sie den Fehler nicht verhindern können.

Legen Sie zunächst das angestrebte Ziel fest. Anhand dieses Ziels können Sie die Fragestellungen bestimmen, die für die Predictive Maintenance geklärt werden müssen, und den Erfolg Ihrer Arbeit messen.

Folgendes muss für Predictive Maintenance geklärt werden:

  • Zeitplanung: Wie viel Zeit verbleibt, bis das Gerät einen Fehler verursacht?
  • Wahrscheinlichkeit: Wie wahrscheinlich ist es, dass ein Fehler in (x) Tagen oder Wochen auftritt?
  • Ursache: Wodurch werden Fehler wahrscheinlich verursacht?
  • Risikostufe: Welches Gerät hat das höchste Risiko, einen Fehler zu verursachen?
  • Wartungsempfehlung: Welche Wartungsaktivität löst das Problem, das durch einen bestimmten Fehlercode und andere Faktoren verursacht wird, am wahrscheinlichsten?

Quellen für Bestandsdaten

Ermitteln Sie alle potenziellen Quellen und Arten der relevanten Daten. Das Ergebnis wirkt sich darauf aus, welche Daten für wichtig und welche für optional erklärt werden.

Fügen Sie Daten aus vielen verschiedenen Quellen hinzu – möglicherweise stammen die wichtigsten Informationen aus einer Quelle, mit der Sie nicht gerechnet hätten.

Befassen Sie sich zunächst damit, welche Daten Sie aus welchen Datenquellen gewinnen können. Dabei kann es sich um strukturierte oder unstrukturierte Daten handeln, die aus internen Systemen oder von Drittanbietern stammen können.

Beispiele für relevante Daten:

  • Betriebsbedingungen, z. B. Standort, Temperatur, Gerätebediener
  • Fehlerdetails, z. B. Zeitpunkt, Wetter, Ursache
  • Reparaturverlauf

Auch mit Teildaten können Sie Zwischenlösungen wie die Anomalieerkennung nutzen, bei der Echtzeitüberwachung zum Einsatz kommt, um ungewöhnliche Trends oder Muster zu ermitteln. So können Sie Anomalien erkennen und gleichzeitig Daten erfassen, die für die Erstellung eines robusten Vorhersagemodells für Ihr Problem verwendet werden können.

Erfassen und Kombinieren von Daten

Vernetzen Sie Ihre Daten an einem zentralen Ort, und bereiten Sie sie für die Analyse vor.

Schaffen Sie die Grundlagen für ein robustes Vorhersagemodell, indem Sie Daten verwenden, die das erwartete Verhalten und Fehlerprotokolle enthalten.

Nun können Sie die Grundlagen für Predictive Analytics schaffen. Dazu zählt Folgendes:

  • Das Vernetzen von Daten aus unterschiedlichen Quellen in einem einzigen, konsistenten System:
    Da Daten sich an unterschiedlichen Orten befinden können, ist es wichtig, diese in einem einzigen, konsistenten System zu vernetzen. In einigen Fällen müssen Daten verschoben werden, aber oft muss nur eine Datenquelle mit einem Analysesystem verbunden werden. Da Sie wahrscheinlich mit großen Datenmengen arbeiten, ist es wichtig, ein Analysetool zu verwenden, das mit Big Data umgehen kann.
  • Das Normalisieren der Daten:
    Das Normalisieren der Daten kann viel Zeit in Anspruch nehmen, ist jedoch ein wichtiger Schritt. Das gilt insbesondere dann, wenn Sie auf anekdotische Informationen von Ihren Reparaturteams angewiesen sind. So kann auch die Genauigkeit und Gültigkeit Ihrer Analysen verbessert werden.

Modellieren, Testen und Integrieren

Ermitteln Sie unerwartete Muster, indem Sie Vorhersagemodelle mithilfe von Machine-Learning-Techniken entwickeln. Priorisieren Sie Modelle, um zu ermitteln, welches Modell für die Vorhersage des Zeitpunkts eines Komponentenfehlers am besten geeignet ist.

Ermöglichen Sie die Gewinnung handlungsrelevanter Informationen aus Ihrem Modell, indem Sie sich damit befassen, wie weit im Voraus das Wartungsteam benachrichtigt werden muss, um auf eine Vorhersage zu reagieren.

Analysieren Sie zunächst Daten, um wichtige Muster zu erkennen. Dieser Schritt umfasst auch die Entwicklung von Modellen, die eine Teilmenge der Daten verwenden. Bei der Analyse und Modellierung der Daten kann eine zu testende Hypothese hilfreich sein. So können Sie entscheiden, welche Richtung Sie einschlagen möchten, und Sie können Richtlinien festlegen, anhand derer die Analyseergebnisse ausgewertet werden sollen.

Priorisieren Sie die Modelle anschließend anhand der verbleibenden Daten, um zu bestimmen, welches Modell am besten geeignet ist, um die Fragestellung zur Vorhersage zu klären. Ein Modell ist nur nützlich, wenn handlungsrelevante Erkenntnisse aus ihm gewonnen werden können. Deshalb sollten Ihre Analysen im Unternehmenskontext durchgeführt werden. Wenn Ihr Reparaturteam beispielsweise 48 Stunden im Voraus über eine Wartungsmaßnahme informiert werden muss, ist ein handlungsrelevantes Modell gegeben, wenn es Fehler 48 Stunden vor deren Auftreten vorhersagt.

Mit Vorhersagemodellen können Zustände ermittelt werden, die zukünftig zu Problemen mit der Ausstattung führen können. Anhand dieser Informationen können Sie die Prozesse und Systeme anpassen, um Präventionsmaßnahmen auszulösen, wenn dieser Fall eintritt. Sie können also die Erkenntnisse des Modells in betriebliche Änderungen umwandeln und somit einen deutlichen Mehrwert für Ihr Unternehmen gewinnen.

Überprüfen des Modells in einer Praxisumgebung

Wenden Sie Ihr Modell auf echte Streamingdaten an, und beobachten Sie, wie es in der Praxis funktioniert. Nutzen Sie Machine Learning, um Ihr Modell zu verbessern und es für die vollständige Implementierung einsatzbereit zu machen.

Verfeinern Sie Ihren Ansatz anhand der Daten, die während des Praxispilots erfasst werden.

Überwachen der vernetzten Geräte

Für die Durchführung eines Predictive-Maintenance-Piloten mit IoT-Technik müssen Ihre Geräte vernetzt sein und die aktuellen Betriebsdaten an die entsprechenden Systeme senden. Dieser Livedatenfluss wird von Ihrem Modell analysiert, um Anzeichen für Probleme zu ermitteln und Warnungen oder Präventivmaßnahmen wie die Bestellung eines Ersatzteils auszulösen oder den Einsatz eines Technikers zu planen.

Pilotplanung

Legen Sie zunächst den Umfang des Piloten fest. Hierzu zählen die Ausstattung, die Systeme, die Standorte, die zu testenden Szenarios, die Bedingungen, unter denen eine Warnung oder Aktion ausgelöst wird (z. B. die automatische Bestellung eines Ersatzteils), die Maßnahmen zum Erfolg und die Zeitplanung.

Anwenden des Modells und Verfeinern der Ergebnisse

Während des Piloten werden ständig neue Daten erfasst, die Sie dabei unterstützen, die akzeptable Spanne zu verfeinern, und die neue Fehlersignale herausstellen. Passen Sie Ihren Ansatz anhand der aktuellen Betriebsdaten und -analysen an.

Integration in Betriebsvorgänge

Operationalisieren Sie das Modell, indem Sie die Wartungsprozesse, Systeme und Ressourcen anpassen, um auf neue Erkenntnisse zu reagieren. Nehmen Sie anhand der Erkenntnisse durch Machine Learning und Advanced Analytics stetig Verbesserungen vor.

Nutzen Sie Ihre Kenntnisse, um Ihre Prozesse und Prozeduren zu verbessern.

Sobald die Pilotziele erfüllt sind und Sie das Modell verfeinert haben, können Sie mit der umfangreichen Implementierung beginnen.

Hierfür müssen wahrscheinlich einige betriebliche Änderungen umgesetzt werden. Darunter kann beispielsweise ein geänderter und/oder dynamischer Reparaturplan oder die Änderung von Richtlinien fallen, damit sofortige Reparaturvorgänge priorisiert werden, wenn bestimmte Daten einen festgelegten Bereich überschreiten. Da betriebliche Änderungen weitreichend ausfallen können, wird empfohlen, einen Ansatz zu wählen, der in Phasen umgesetzt wird, damit der inkrementelle Nutzen entstehen kann.

Beim Rollout eines Predictive-Maintenance-Ansatzes können weitreichende betriebliche Verbesserungen vorgenommen werden. Im Folgenden finden Sie einige Beispiele:

  • Optimieren Sie die Aufgaben und die Arbeitszeiten Ihres Reparaturteams, indem Sie beispielsweise Reparaturpläne und Routen anpassen, um Ausfälle und zusätzliche Touren zu vermeiden.
  • Ändern Sie Ihr Kaufverhalten für Ersatzteile, damit Sie keinen großen Bestand lagern müssen. Eine Bestellung für bestimmte Teile kann zum entsprechenden Zeitpunkt ausgelöst werden.
  • Bieten Sie Predictive Maintenance als Dienst an, um den Jahresumsatz zu erfassen und bestehende Kundenbeziehungen zu pflegen.

Das sind nur einige Beispiele dafür, wie Sie mit Predictive Maintenance Ihre Effizienz steigern, Kosten reduzieren und Ihr Unternehmen voranbringen können.

Erstellen Sie Ihre Predictive-Maintenance-Lösung

Erste Schritte