Bei erfolgreicher vorausschauender Wartung geht es nicht um Algorithmen oder Assets, sondern um Benutzer

Erfahrene Wartungsingenieure haben ein detailliertes geistiges Bild der Maschinen, die sie betreuen. Sie wissen, wann ein klapperndes Ventil auf einen bevorstehenden Ausfall hinweist oder bis zum nächsten planmäßigen Stillstand getrost ignoriert werden kann. Kann ein automatisiertes Predictive-Maintenance-System auf diesen Wissenspool zurückgreifen, kann es lernen, die Nutzer bei der Entscheidung, welche Wartungsaktivitäten priorisiert werden sollen, bestmöglich zu unterstützen.

Bei einem benutzerzentrierten Ansatz für vorausschauende Wartung werden Wartungsteams nur dann benachrichtigt, wenn das System glaubt, dass sie diese Informationen nützlich finden, basierend auf dem, was sie in der Vergangenheit als hilfreich empfunden haben.

Es ist ein bisschen so, als würden Anbieter digitaler Inhalte wie Netflix oder Amazon routinemäßig Informationen darüber speichern, was sich jeder Benutzer ansieht. Sie können damit eine „Empfehlungsmaschine“ antreiben, die die Filme, die sie jedem Benutzer zeigt, kontinuierlich als Reaktion auf deren Feedback verfeinert.

Dies ist der Ansatz, den wir bei Senseye verfolgen, um das Benutzerverhalten zu modellieren und zu verstehen, zusätzlich zu dem, was mit den Assets passiert, die sie überwachen, um ihre Aufmerksamkeit dorthin zu lenken, wo sie am dringendsten benötigt wird.

Abbildung 1:Umgebungen, die reich an kontextbezogenen und qualitativ hochwertigen Zustandsüberwachungsdaten sind, ermöglichen eine perfekte Überwachung der Anlagen – wie bei einem Digital-Twin-Ansatz. Die meisten Werksumgebungen sind Low-Context und so Modelle von das Benutzerinteresse kann die Wirksamkeit von Predictive-Maintenance-Software verbessern

Die Macht (und Grenzen) der Vorhersage

Jede vorausschauende Wartungsinitiative – von der Verwendung einer Eisenstange, die an eine ratternde Maschine gehalten wird, um zu verstehen, ob das Getriebe vor dem nächsten geplanten Wartungsintervall gewartet werden muss, bis hin zu einem ausgeklügelten automatisierten Software-Überwachungssystem – versucht, den Bedienern zu helfen, zu erkennen, wenn sich Probleme anbahnen. Das Hauptziel besteht darin, Probleme früh genug aufzuzeigen, um einen Ausfall zu verhindern, der sonst zu kostspieligen ungeplanten Ausfallzeiten führen würde. Es gibt oft auch andere Vorteile, die sich auf eine verbesserte Produktivität und Wartungsplanung beziehen.

Das Konzept des „Digitalen Zwillings“ ist derzeit besonders beliebt – doch die oft wirre Vermarktung dieses mathematischen Modellierungsansatzes erwähnt kaum die Benutzer, die mit diesen „Zwillingen“ interagieren sollen, und was das für sie bedeutet. Ein „digitaler Zwilling“ jedes Assets erfordert auch, dass der Benutzer sich in einer komplexen digitalen Umgebung wohlfühlt. Aber es gibt noch einen anderen Ansatz, der sich viel stärker an den Bedürfnissen der Nutzer orientiert.

Viele Ausfälle hinterlassen eindeutige Signale oder „Fingerabdrücke“ in Maschinendaten, und führende Predictive-Maintenance-Software, die derzeit auf dem Markt ist, kann lernen, sie zu erkennen, indem sie eine Vielzahl von Eingaben akzeptiert – von dedizierten Zustandsüberwachungsdaten bis hin zu allgemeineren Anlagendaten. Diese Systeme können verstehen, welche Muster oder charakteristischen Signale auf ein Problem hindeuten. In einigen Fällen und mit ausreichenden Daten können sie sogar die verbleibende Nutzungsdauer (RUL) jedes Vermögenswerts berechnen – eine Technik, die als Prognose bekannt ist.

Die meisten dieser vorausschauenden Wartungssysteme arbeiten mit begrenzten Daten aus der Fabrik oder dem Werk und lösen einen Alarm aus, wenn ein voreingestellter Schwellenwert überschritten wird. Sie könnten Benutzer beispielsweise warnen, wenn sich etwas erhitzt oder vibriert, aber sie haben wahrscheinlich nicht genügend Informationen, um eine detaillierte Diagnose zu stellen.

Mit anderen Worten, das System kann „raten“, indem es einen Alarm auslöst, aber nur der Benutzer hat die Erfahrung und das Expertenwissen, um zu entscheiden, wann er handeln muss. Entscheidend ist, dass es viel schwieriger wird, die Situation in Umgebungen zu bewältigen, in denen viele Maschinen gleichzeitig überwacht werden, da Benutzer leicht überfordert werden können. Die Herausforderung bei der vorausschauenden Wartung ist nicht „Können Sie Probleme in den Daten erkennen“, sondern „Können Sie erkennen, was für die Benutzer von Interesse ist?“

Wer kümmert sich um den Benutzer?

Wir halten es für wichtig, dass der Benutzer beim Auslösen einer Warnung auf Knopfdruck angeben kann, ob diese Warnung nützlich ist oder nicht. Im Laufe der Zeit lehrt dies das System, die Aufmerksamkeit des Bedieners auf die dringendsten Wartungsprioritäten zu lenken. Dies geschieht automatisch, sodass Bediener keine Fachkenntnisse in Datenanalyse benötigen.

Mit anderen Worten, der benutzerzentrierte Ansatz von Senseye zur Datenanalyse lenkt die Aufmerksamkeit, indem er die Reaktion des Benutzers modelliert. Diese Rückkopplungsschleife zwischen der Lösung von Senseye und dem Benutzer bedeutet, dass die Anzahl der Warnungen allmählich abnimmt, bis sie ein stabiles Niveau erreicht, auf dem fast alles, was der Benutzer ansieht, hilfreich ist.

Nachgewiesene Ergebnisse aus fortschrittlicher Analytik – für Maschinen und Wartungspersonal

Bei der Datenanalyse geht es um die Suche nach Mustern in der Masse eingehender Anlagendaten. Beispielsweise sind die proprietären Algorithmen oder Pattern Engines hinter Senseye PdM darauf ausgelegt, die charakteristischen Verhaltensweisen zu erkennen, die potenziellen Ausfällen vorausgehen, und mithilfe unseres proprietären Aufmerksamkeitsindex einen Alarm auszulösen. Mehrere Arten von Mustern können eine Aufmerksamkeitsindex-Warnung auslösen:Anomalien sind Perioden mit instabilen Daten, Trends sind allmähliche Verschiebungen der Basislinie und Verstöße überschreiten Schwellenwerte oder Regeln, die vom Benutzer festgelegt werden können.

Doch all diese ausgeklügelten Datenanalysen bedeuten nichts, wenn sie den Benutzern keine echten Geschäftsvorteile bieten. Glücklicherweise hat Senseye PdM eine starke Erfolgsbilanz bei der Erfüllung seiner Produktivitätsversprechen in einer Reihe von Branchen. Bestehende Kunden profitieren in der Regel von einer Reduzierung der Ausfallzeiten um 50 %, einer Steigerung der Produktivität um 55 % und einer Steigerung der Wartungsgenauigkeit um 85 %.

Darüber hinaus wird Senseye PdM auch durch die ROI Lock®-Garantie von Senseye unterstützt:Wenn der Einsatz von Senseye PdM die ungeplanten Ausfallzeiten nicht wie im Voraus vereinbart reduziert, können Kunden eine Rückerstattung ihrer gesamten Abonnementgebühr verlangen.

Wenn Sie mehr darüber erfahren möchten, wie wir die Wartungsbenutzer sowie die von ihnen überwachten Assets modellieren, haben wir ein ausführliches Whitepaper darüber zusammengestellt, wie Senseye PdM funktioniert kann Ihnen dabei helfen, Ihre Wartungsbemühungen dorthin zu lenken, wo sie am meisten bewirken. Laden Sie das ausführliche Whitepaper unten herunter, um weitere Informationen zu erhalten, oder nehmen Sie Kontakt mit uns auf um eine Demo zu sehen und loszulegen!