Predictive Maintenance: Continuous Intelligence für beispiellose Asset-Zuverlässigkeit nutzen

CI basierend auf Analyse von Sensor- und IoT-Daten kann Zustandsänderungen in Geräten erkennen und Vorhersagen über die Ausfallwahrscheinlichkeit eines Assets treffen.

Analyse von Echtzeit- und historischen Daten über ein Asset kann Probleme erkennen, die zum Ausfall eines Teils oder Geräts führen könnten. Im Vergleich zu kalenderbasiertem Asset-Austausch ist Predictive Maintenance weitaus effektiver bei der Verhinderung von Downtime, während die maximale Lebensdauer eines Teils oder Geräts ausgeschöpft wird. Als solches ist Predictive Maintenance eine Killer-App für Continuous Intelligence (CI).

Siehe auch: Real-Time Analytics in Big, „Brutal“ Environments

Solche Fähigkeiten können helfen, Teile oder Geräte zu identifizieren, die vor ihrem planmäßigen Austausch- und Wartungszeitpunkt wahrscheinlich ausfallen werden. Der wahre Nutzen kommt, wenn künstliche Intelligenz genutzt wird, um ein potenzielles Problem zu erkennen. Wenn diese Intelligenz dann von einem Experten-System genutzt wird, können Warnungen gesendet werden, bevor Probleme auftreten, und Korrekturmaßnahmen basierend auf abgeleiteten Informationen an diejenigen geliefert werden, die mit der Wartung von Geräten betraut sind.

Warum sind solche Fähigkeiten so kritisch?

Die Kosten von Downtime in Branchen wie Fertigung, Luftfahrt, Energieexploration, Versorgern und Telekommunikation sind erschütternd. Ein durchschnittliches Offshore-Öl- und Gasunternehmen erlebt etwa 27 Tage ungeplante Downtime pro Jahr, was sich auf 38 Millionen Dollar Verluste belaufen kann. In einigen Fällen kann diese Zahl bis zu 88 Millionen Dollar steigen.

2018 kostete ungeplante Wartung Airlines über 20 Milliarden Dollar oder etwa 27 % aller Wartungsausgaben. Dies hatte einen Kaskadeneffekt auf Netzwerkoperationen, da fast 3,8 % aller Flugverspätungen und -ausfälle durch Aircraft-on-Ground (AOG)-Ereignisse verursacht wurden. Die Quantifizierung dieser Probleme und der Nutzen von Predictive Maintenance zeigt, dass Daten und Analytik ungeplante Wartungskosten fast halbieren könnten, sodass Airlines assoziierte Kosten auf etwa 14 % der gesamten Wartungsausgaben reduzieren könnten.

Die Rolle von CI in Predictive Maintenance

CI basierend auf Analyse von Sensor- und Internet-of-Things (IoT)-Daten kann helfen, indem es Zustandsänderungen in Geräten erkennt und Vorhersagen über die Ausfallwahrscheinlichkeit eines Assets trifft.

Warum wird CI gebraucht? Traditionelle Wartungsansätze, darauf zu warten, dass etwas schiefgeht, sind unglaublich schlecht fürs Business. Und Teile basierend auf Herstellern kalenderbasierter Wartungspläne zu ersetzen, kann dazu führen, dass gute Teile lange vor ihrem Ausfall ersetzt werden.

Anstatt nachträglich zu reagieren, können CI-Einblicke in die Grundursachen der Probleme, die zu Downtime, Defekten, Ineffizienzen oder verpassten Chancen führen, *vorher* potenziell Kosten senken und operative Effizienz verbessern.

Zunehmend nutzen Branchen IoT-Geräte, um diese Einblicke zu sammeln, indem sie die Geräte nutzen, um Informationen über jeden Aspekt ihrer Operationen zu erhalten. Leider ist ein Problem, auf das die meisten Unternehmen stoßen, dass IoT-Geräte sehr große Datenmengen produzieren. Ein Branchenbericht schätzt, dass die von IoT produzierte Datenmenge 2020 4,4 Zettabyte erreichen wird, von nur 0,1 Zettabyte 2013.

Die Nutzung solcher Daten, die kontinuierlich generiert werden, erfordert neue Strategien. Die Daten können nicht einfach gespeichert und später analysiert werden. Der wahre Wert liegt in der Echtzeitanalyse, während die Daten strömen. Um Einblicke in solche Datenströme zu gewinnen, ergänzen viele Unternehmen traditionelle Analysen mit Echtzeit-, künstlicher Intelligenz (KI) und Machine Learning (ML) Algorithmen. Ein solcher Ansatz lässt Unternehmen entscheidungsrelevante Informationen aus den Daten in einem Zeitrahmen gewinnen, der es einem Unternehmen erlaubt, proaktive Maßnahmen zu ergreifen.

Speziell wird der industrielle Einsatz von KI und ML, angewendet auf IoT-Daten, als großartiger Weg gesehen, Wartungsvorhersagen und andere Aspekte der Operationen zu verbessern. Der Grund: KI und ML können helfen, Vorhersagen über komplexe Systeme zu treffen. Dies kann helfen, Maschinen-Downtime durch Predictive Maintenance zu reduzieren.

Das eine Hindernis, das die rasche Adoption von CI für präventive Wartung verhindert, ist Infrastruktur. Heute haben die meisten Organisationen nicht die Infrastruktur, um den vollen Vorteil von CI, angewendet auf Streaming-IoT-Daten, zu nutzen.

Was sind die Probleme? Große Industrieorganisationen können Milliarden von Datensätzen von Maschinen, Sensoren und internen Geschäftsanwendungen sammeln. Wenn Organisationen zu neuen IoT-Initiativen übergehen, ist es wichtig, neue Technologien und Prozesse zu berücksichtigen, die mit diesem riesigen Datenzufluss Schritt halten.