Predictive Maintenance - Vorausschauende Wartung
Wie viel Sensorik braucht die Antriebstechnik?
Zustand von Motoren und Getrieben, deren Beurteilung auf Daten aus Sensoren, Umrichtern und Steuerungen basiert.
Die Erweiterung der Prognosen hin zur vorausschauender
Wartung erfordert zusätzliche Informationen. Diese beziehen sich sowohl auf die Menge der zu erfassenden Daten als auch auf deren Verarbeitung.
Predictive Maintenance benötigt folgende Basisdaten:
- • Maschinenzustandsdaten
- • periphere Daten aus Umgebungsmerkmalen, wie Temperatur, Luftfeuchtigkeit, Luftdruck
- • Prozessdaten.
Mit Hilfe intelligenter Algorithmen lassen sich daraus verlässliche Vorhersagen bezüglich künftiger Trends und Entwicklungen,
Störungen, Ausfälle und kritischer Ereignisse treffen. Dafür ist eine regelmäßige Datenerfassung notwendig.
Je größer die Datenbasis und je intelligenter die Berechnungs-Algorithmen, desto verlässlicher sind die generierten Informationen. @Advertorial Zwischenüberschrift:Schwingungssensorik liefert die entscheidenden Zusatzinformationen
In der Antriebstechnik findet in der Regel keine Schwingungsüberwachung statt. Doch Prognosen die über eine Trendanalyse hinaus erstellt werden sollen, benötigen eben genau diese
zusätzlichen Daten der Schwingungssensorik.
Rechen-Algorithmen in Kombination mit diesen Informations-quellen ermöglichen eine Vorausschau. Die Prognosen eines
Antriebs können vielfältig sein und müssen immer auf die Applikation und die Fragestellung angepasst werden. @Advertorial Zwischenüberschrift:So viel wie nötig
Um aus Daten und Informationen die entscheidenden Aussagen zu generieren, müssen Fragestellungen und geeignete Algorithmen entwickelt werden. Hier ist das Ziel diese Algorithmen möglichst universell einsetzbar zu gestalten. Da es für die Prognose viele Einflüsse gibt ist dies ein sehr anspruchsvolles Ziel.
Jede Applikation muss individuell betrachtet werden um den
Ausfallzeitpunkt im Sinne von Predictive Maintenance zu ermitteln. Schon heute gibt es Antriebe bei denen dies Anwendung findet und damit eine Vorausberechnung von Ausfällen
ermöglicht. Die zu analysierende Fragestellung entscheidet dann über die Anzahl der zusätzlich zu implementierenden
Sensoren. Grundsätzlich gilt: nicht so viel wie möglich, sondern so viel wie nötig!
Es zeigt sich, dass nicht der BIG DATA Ansatz zum Ziel führt,
da man dadurch Unmengen an nicht genutzten Daten erzeugt. Gezielte kleine Lösungen, zugeschnitten auf die jeweilige
Applikation, helfen bei der Trendanalyse.
Das bedeutet, wer heute schon Condition Monitoring an
der Antriebstechnik realisiert hat, ist bereit für den Schritt zu Predictive Maintenance.
Die Kolleginnen und Kollegen vom ifm-Service-Center erreichen Sie montags bis freitags von 7:00 bis 18:00 Uhr
unter der kostenfreien Hotline Tel. 0800 1616164
oder Sie schreiben uns an info@ifm.com
Zustand von Motoren und Getrieben, deren Beurteilung auf Daten aus Sensoren, Umrichtern und Steuerungen basiert.
Die Erweiterung der Prognosen hin zur vorausschauender
Wartung erfordert zusätzliche Informationen. Diese beziehen sich sowohl auf die Menge der zu erfassenden Daten als auch auf deren Verarbeitung.
Predictive Maintenance benötigt folgende Basisdaten:
- • Maschinenzustandsdaten
- • periphere Daten aus Umgebungsmerkmalen, wie Temperatur, Luftfeuchtigkeit, Luftdruck
- • Prozessdaten.
Mit Hilfe intelligenter Algorithmen lassen sich daraus verlässliche Vorhersagen bezüglich künftiger Trends und Entwicklungen,
Störungen, Ausfälle und kritischer Ereignisse treffen. Dafür ist eine regelmäßige Datenerfassung notwendig.
Je größer die Datenbasis und je intelligenter die Berechnungs-Algorithmen, desto verlässlicher sind die generierten Informationen. @Advertorial Zwischenüberschrift:Schwingungssensorik liefert die entscheidenden Zusatzinformationen
In der Antriebstechnik findet in der Regel keine Schwingungsüberwachung statt. Doch Prognosen die über eine Trendanalyse hinaus erstellt werden sollen, benötigen eben genau diese
zusätzlichen Daten der Schwingungssensorik.
Rechen-Algorithmen in Kombination mit diesen Informations-quellen ermöglichen eine Vorausschau. Die Prognosen eines
Antriebs können vielfältig sein und müssen immer auf die Applikation und die Fragestellung angepasst werden. @Advertorial Zwischenüberschrift:So viel wie nötig
Um aus Daten und Informationen die entscheidenden Aussagen zu generieren, müssen Fragestellungen und geeignete Algorithmen entwickelt werden. Hier ist das Ziel diese Algorithmen möglichst universell einsetzbar zu gestalten. Da es für die Prognose viele Einflüsse gibt ist dies ein sehr anspruchsvolles Ziel.
Jede Applikation muss individuell betrachtet werden um den
Ausfallzeitpunkt im Sinne von Predictive Maintenance zu ermitteln. Schon heute gibt es Antriebe bei denen dies Anwendung findet und damit eine Vorausberechnung von Ausfällen
ermöglicht. Die zu analysierende Fragestellung entscheidet dann über die Anzahl der zusätzlich zu implementierenden
Sensoren. Grundsätzlich gilt: nicht so viel wie möglich, sondern so viel wie nötig!
Es zeigt sich, dass nicht der BIG DATA Ansatz zum Ziel führt,
da man dadurch Unmengen an nicht genutzten Daten erzeugt. Gezielte kleine Lösungen, zugeschnitten auf die jeweilige
Applikation, helfen bei der Trendanalyse.
Das bedeutet, wer heute schon Condition Monitoring an
der Antriebstechnik realisiert hat, ist bereit für den Schritt zu Predictive Maintenance.
Die Kolleginnen und Kollegen vom ifm-Service-Center erreichen Sie montags bis freitags von 7:00 bis 18:00 Uhr
unter der kostenfreien Hotline Tel. 0800 1616164
oder Sie schreiben uns an info@ifm.com
ifm datalink gmbh
Dieser Artikel erschien in IT&Production Juli+August 2018 - 18.07.18.Für weitere Artikel besuchen Sie www.it-production.com