Predictive Maintenance Mit digitalem Zwilling unerwartete Produktionsausfälle simulieren

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Tableau von Salesforce

QUNIS GmbH

Fraunhofer-Institut für Arbeits- wirtschaft + Organisation IAO

Vogel Communications Group GmbH & Co. KG

Die Bestimmung des optimalen Zeitpunkts für die Maschineninstandhaltung zählt zu den großen Herausforderungen in der Produktion. Die vorausschauende Instandhaltung könnte die Lösung sein. Eine Verknüpfung von datengetriebenen und physikbasierten Maschinenmodellen soll nun auch unerwartete Ausfallszenarien vorhersehen – mithilfe eines digitalen Zwillings.

Datengetriebene Modelle von Produktionssystemen gewinnen bei der Bestimmung des optimalen Instandhaltungszeitpunktes zunehmend an Bedeutung. Sie können aber nur Trends anhand vergangener Ereignisse extrapolieren. Ihnen fehlt es an Daten zu Ausfallszenarien, die noch nicht aufgetreten sind. Ein vielversprechender Lösungsansatz für eine vorausschauende Instandhaltung ist das Simulieren derartiger Ausfallszenarien mittels physikbasierter Modellierung und das Anreichern der datengetriebenen Vorhersagemodelle mit den generierten Simulationsdaten. Dies wird mithilfe eines Digitalen Zwillings des Produktionssystems möglich.

Hybride Maschinenmodelle

Im EU-geförderten Projekt Z-BRE4K haben das Fraunhofer IAO, die Universität Stuttgart und 17 weitere Partner drei Jahre lang Lösungen zur Hybridisierung datengetriebener und physikbasierter Modelle von Produktionssystemen mit internationalen Industrieanwendern erforscht, entwickelt und erprobt. Nach eigenen Angaben wurden Konzepte sowie Lösungen zur Datenerfassung, -verarbeitung und -analyse auf der Grundlage Digitaler Zwillinge erarbeitet. Dabei versteht das Forschungsteam einen Digitalen Zwilling als digitale Repräsentation eines realen Produkts (z.B. Maschine) oder Prozesses inklusive aller für den jeweiligen Anwendungsfall relevanten Daten und Informationen über den gesamten Lebenszyklus hinweg. Das zugrundeliegende digitale Modell des Realobjekts wird fortlaufend durch Betriebsdaten, Verhaltensanalysen und Simulationen angereichert.

Restnutzungsdauer berechnen

Somit wird es laut Fraunhofer IAO auch möglich, die Restnutzungsdauer von Maschinenanlagen abzuleiten. Die Ansätze zur Restnutzungsdauer-Berechnung basieren auf statistischen Methoden und abgeleiteten Algorithmen, die viele Daten benötigen. Das Forschungsteam des Fraunhofer IAO und der Universität Stuttgart war im Projekt insbesondere für die physikbasierte Modellierung verantwortlich, um Simulationen des Maschinenverhaltens durchzuführen, die als Grundlage für Digitale Zwillinge verschiedener Produktionssysteme dienen. Die erarbeiteten Konzepte und Lösungen wurden in drei Pilotfällen gemeinsam mit Industrieanwendern erprobt, validiert und angewendet.

Ganzheitliche Predictive-Maintenance-Strategie

Im nächsten Schritt sollen die Lösungen in die deutsche Industrielandschaft überführt werden. Laut den Erfahrungen des Forschungsteams haben Unternehmen kaum einen Überblick über die vorhandenen Daten und entsprechenden Module, die für eine ganzheitliche Predictive-Maintenance-Strategie und deren Umsetzung benötigt werden. Hinzu komme, dass Unternehmen häufig eine Systematik fehlt, um ein entsprechendes Geschäftsmodell zur Einführung einer vorausschauenden Instandhaltung aufzubauen. Eine Industrial Internet-of-Things-Architektur mit einer daraus abgeleiteten systematischen Vorgehensweise bilden die Grundlage für die Integration einer vorausschauenden Instandhaltung in die bestehenden Unternehmensprozesse, heißt es.

Dieser Artikel stammt von unserem Partnerportal Elektrotechnik.

(ID:47530394)