Predictive Maintenance: Nutzer stärken statt nur Algorithmen

Erfahrene Instandhaltungsingenieure haben ein detailliertes mentales Bild der Maschinen, die sie betreuen. Sie wissen, wann ein klapperndes Ventil einen bevorstehenden Ausfall signalisiert und wann es bis zum nächsten planmäßigen Stillstand ignoriert werden kann. Wenn ein automatisiertes PdM-System in diesen Wissenspool eintauchen kann, lernt es, Nutzer optimal zu unterstützen, die entscheiden müssen, welche Wartungsaktivitäten Priorität haben.

In einem nutzerzentrierten PdM-Ansatz werden Wartungsteams nur alarmiert, wenn das System glaubt, dass sie die Information als nützlich empfinden – basierend darauf, was sie in der Vergangenheit als hilfreich bewertet haben.

Das ähnelt digitalen Content-Anbietern wie Netflix oder Amazon, die speichern, was Nutzer anschauen, um eine „Recommendation Engine“ zu betreiben, die Filmvorschläge kontinuierlich anhand von Feedback verfeinert.

Genau diesen Ansatz verfolgen wir bei Senseye: Wir modellieren und verstehen Nutzerverhalten zusätzlich zum Asset-Zustand, um die Aufmerksamkeit dort hinzulenken, wo sie am dringendsten gebraucht wird.

Die Kraft (und Grenzen) der Vorhersage

Jede PdM-Initiative – vom Eisenstab an einer klappernden Maschine bis zum hochentwickelten automatisierten Softwaresystem – zielt darauf ab, Betreiber frühzeitig vor drohenden Problemen zu warnen. Hauptziel: Probleme früh genug flaggen, um einen Ausfall zu verhindern, der sonst zu kostspieligen ungeplanten Stillstandszeiten führt. Oft gibt es weitere Vorteile: verbesserte Produktivität und Wartungsplanung.

Das „Digital Twin“-Konzept ist derzeit populär – doch das oft verwirrende Marketing dieses mathematischen Modellierungsansatzes erwähnt kaum die Nutzer, die mit diesen „Zwillingen“ interagieren sollen, und was das für sie bedeutet. Ein „Digital Twin“ jedes Assets erfordert auch, dass Nutzer sich in komplexen digitalen Umgebungen wohlfühlen. Es gibt einen anderen Ansatz, der viel stärker auf Nutzerbedürfnisse fokussiert.

Viele Ausfälle hinterlassen deutliche Signale oder „Fingerabdrücke“ in Maschinendaten. Führende PdM-Software kann lernen, diese zu erkennen, indem sie vielfältige Eingaben akzeptiert – von dedizierten Condition-Monitoring-Daten bis zu allgemeinen Anlagendaten. Diese Systeme verstehen, welche Muster oder Signale auf Probleme hindeuten. In manchen Fällen und mit ausreichend Daten können sie sogar die Restnutzungsdauer (RUL) jedes Assets berechnen – Prognostik genannt.

Die meisten PdM-Systeme arbeiten mit begrenzten Fabrikdaten und lösen Alarm aus, wenn ein voreingestellter Schwellenwert überschritten wird. Sie warnen bei Überhitzung oder Vibration, haben aber selten genug Information für eine detaillierte Diagnose.

Mit anderen Worten: Das System kann „beraten“, indem es Alarm schlägt, aber nur der Nutzer hat die Erfahrung und das Expertenwissen, um zu entscheiden, wann gehandelt werden muss. Entscheidend: In Umgebungen, in denen viele Maschinen gleichzeitig überwacht werden, wird die Lage schnell unübersichtlich, weil Nutzer leicht überfordert sind. Die PdM-Herausforderung ist nicht „Können Sie Probleme in den Daten erkennen?“, sondern „Können Sie erkennen, was für die Nutzer relevant ist?“

Wer kümmert sich um den Nutzer?

Wir halten es für essenziell, dass Nutzer per Knopfdruck angeben können, ob ein Alarm nützlich war oder nicht. Über die Zeit lehrt dies das System, die Aufmerksamkeit des Operators auf die dringendsten Wartungsprioritäten zu lenken. Dies geschieht automatisch – Operators brauchen keine Data-Analytics-Expertise.

Kurz: Senseyes nutzerzentrierter Analytics-Ansatz lenkt Aufmerksamkeit, indem er die Nutzerreaktion modelliert. Dieser Feedback-Loop zwischen Senseyes Lösung und dem Nutzer reduziert die Alarme schrittweise auf ein stabiles Niveau, wo fast alles, worauf das System den Nutzer hinweist, hilfreich ist.

Bewährte Ergebnisse durch fortgeschrittene Analytics – für Maschinen und Instandhalter

Data Analytics bedeutet, Muster in der Masse eingehender Anlagendaten zu suchen. Die proprietären Algorithmen (Pattern Engines) hinter Senseye PdM sind darauf ausgelegt, charakteristische Verhaltensweisen vor potenziellen Ausfällen zu erkennen und einen Alert über unseren proprietären Attention Index auszulösen. Mehrere Musterarten können einen Attention-Index-Alert triggern: Anomalien (Phasen instabiler Daten), Trends (graduelle Baseline-Verschiebungen) und Verletzungen (Überschreitung von Nutzer-definierten Schwellenwerten/Regeln).

Doch all diese clevere Datenanalyse bedeutet nichts, wenn sie keine echten Geschäftsvorteile für Nutzer liefert. Glücklicherweise hat Senseye PdM eine starke Erfolgsbilanz bei der Einlösung seiner Produktivitätsversprechen across Branchen. Bestandskunden genießen typischerweise 50 % weniger Stillstandszeiten, 55 % höhere Produktivität und 85 % höhere Wartungsgenauigkeit.

Zudem wird Senseye PdM von Senseyes ROI Lock®-Garantie gestützt: Wenn der Einsatz von Senseye PdM die ungeplante Stillstandszeit nicht wie vorab vereinbart reduziert, können Kunden eine Rückerstattung der gesamten Abogebühr fordern.

Möchten Sie mehr darüber erfahren, wie wir Instandhaltungsnutzer ebenso modellieren wie die Assets, die sie überwachen? Wir haben ein detailliertes Whitepaper zusammengestellt, wie Senseye PdM Ihre Instandhaltungsbemühungen dorthin lenkt, wo sie den größten Nutzen stiften. Laden Sie es herunter oder kontaktieren Sie uns für eine Demo!