Open-Source-Sprache R

Vorausschauende Instandhaltung per intelligenter Datenanalyse

| Autor / Redakteur: Heiko Miertzsch / Nico Litzel

Die digitale Transformation in der Fertigung, auch unter dem Begriff Industrie 4.0 zusammengefasst, beginnt gerade. Ressourcenschonende, effiziente und ausfallsichere Prozesse mit einer hohen Produktqualität, überwacht durch Condition Monitoring und optimiert durch Predictive Maintenance, sind ein erstes Zwischenziel.
Die digitale Transformation in der Fertigung, auch unter dem Begriff Industrie 4.0 zusammengefasst, beginnt gerade. Ressourcenschonende, effiziente und ausfallsichere Prozesse mit einer hohen Produktqualität, überwacht durch Condition Monitoring und optimiert durch Predictive Maintenance, sind ein erstes Zwischenziel. (Bild: © XtravaganT - Fotolia.com)

Innovatoren wie der Leiter der technischen Entwicklung bei Google, Ray Kurzweil, erwarten, dass sich die exponentielle Entwicklung hinter Moores Gesetz über die Digitalisierung auf ganze Wertschöpfungsketten ausdehnt. Disruptive Entwicklungen, getrieben durch IT, haben in den vergangenen Jahren bereits in Bereichen wie digitaler Fotografie, Musik, Hotels und Personenbeförderung zu erheblichen Marktveränderungen geführt. Etablierte Marktteilnehmer verschwinden, neue wachsen mit exponentiellen Umsätzen.

Die digitale Transformation in der Fertigung, auch unter dem Begriff Industrie 4.0 zusammengefasst, beginnt gerade. Industrieunternehmen sondieren ihre Optionen, Geschäftsmodelle und Geschäftsprozesse datengetrieben zu optimieren und zu transformieren.

Ressourcenschonende, effiziente und ausfallsichere Prozesse mit einer hohen Produktqualität, überwacht durch Condition Monitoring und optimiert durch Predictive Maintenance, sind ein erstes Zwischenziel. Eine Instandhaltungsstrategie, die mögliche Fehler erkennt, bevor Sie geschehen, basierend auf den Auswertung aller Informationen, die im Umfeld der Produktionsprozesse entstehen, kann einen hohen Wertbeitrag liefern.

Per Datenanalyse zur optimalen Instandhaltungsstrategie

Predictive Maintenance, die vorausschauende Instandhaltung, ist eine Erweiterung der zustandsabhängigen Instandhaltung. Durch die Voraussage, wann die Anlage ausfällt und durch die rechtzeitige Behebung der Fehler, wird das Potenzial der Anlage bestmöglich ausgenutzt.

Um das zu ermöglichen, braucht es ein ausgeklügeltes Überwachungssystem der Teil- und Anlagenzustände. Viele Sensoren sammeln möglichst viele relevante Daten. Diese werden zeitnah in einer zentralen Datenbank zur Verfügung gestellt und mit umfangreichen statistischen Verfahren analysiert, um Störungen, Ausfälle oder andere kritische Ereignisse zu prognostizieren.

Ein Grundstein für die vorausschauende Instandhaltung ist Condition Monitoring als die kontinuierliche sensorgestützte Erfassung der Maschinen- und Umgebungsdaten wie Schwingungen, Temperaturen oder der Luftfeuchtigkeit. Diese Daten können wie im Fall von Wetterdaten leicht aus externen Quellen angereichert werden.

Gezielte Analysen, auf Basis der Daten, ermöglichen die Prognose über den Zustand der Anlagen, die die Grundlage für effiziente Produktionsprozesse ist. Reparatur- und Wartungsarbeiten können besser geplant und Ausfallzeiten sowie damit verbundene Produktionsengpässe reduziert werden.

Diese Form der detaillierten Maschinenzustandsanalyse bietet auch die Chance, Verbesserungspotenziale an einzelnen Teilen frühzeitig erkennen und nutzen zu können.

Die Unterstützung von Predictive Maintenance durch die offene Statistiksprache R

Die Datenanalyse für Predictive Maintenance besteht im Wesentlichen aus Datenmanagement, Mustererkennung und Modellbildung. Eine Software zur Datenanalyse, die im Umfeld von Predictive Maintenance zum Einsatz kommt, muss viele Anforderungen erfüllen, wie:

  • Statistische Funktionen, die die spezifischen Analysen und Auswertungen ermöglichen,
  • ein möglichst breites Angebot an statistischen Methoden und Funktionen, um Flexibilität und Nutzen auszuweiten,
  • möglichst anschauliche Weiterverarbeitungen der Ergebnisse und umfassende Möglichkeiten der grafischen Aufbereitung sowie
  • eine nahtlose Integration der Software in die bestehende Anwendungslandschaft (Hintergrund Industrie 4.0, intelligente Fabriken und Big Data).

Als Softwarelösung für Predictive Maintenance bietet R zahlreiche Vorteile, die R zu einem maßgebenden und richtungsweisenden Lösungsansatz machen:

  • 1. Funktionsumfang: Der Funktionsumfang, den R heute schon (ohne zusätzliche Investitionen) bietet, ist unvergleichlich.
  • 2. R im Analytic Stack: R lässt sich mit allen Schichten einer Analyse- oder Reporting-Architektur wie der Datenhaltung, der Datenanalyse oder der Schicht zur Präsentation der Ergebnisse integrieren. Nahezu alle namhaften Hersteller bieten Schnittstellen und Integrationsmöglichkeiten.
  • 3. Investitionssicherheit: Das Involvement der wissenschaftlichen Community in Verbindung mit dem zunehmenden Engagement großer Unternehmen, R mit den eigenen Produkten zu verbinden, bestätigt die Vehemenz, mit der sich R in den letzten Jahren unter Datenanalysten durchgesetzt hat, und lässt eine weitere sehr positive Entwicklung für die Marktakzeptanz erwarten.
  • 4. Flexibilität: R-Experten können mit der gleichen Sprache und dem gleichen Toolset sowohl Data Mining auf Big Data, einem Hadoop Cluster oder auch kleineren Datensätze betreiben sowie Text Mining oder Bilddatenanalyse durchführen.
  • 5. Qualität: Die wesentliche Weiterentwicklung von R findet im Bereich der Wissenschaft statt. Zwei Drittel der Kernentwickler sind Professoren, alle sind professionell im Bereich Datenanalyse an Universitäten oder in Unternehmen tätig. Da die Veröffentlichung eines R-Paketes einer wissenschaftlichen Veröffentlichung gleich kommt, bieten die Pakete in der Regel höchste Zuverlässigkeit und verwenden statistische Verfahren am Puls der Zeit.
  • 6. Fachkräfte: Internationale wie auch deutsche Universitäten bilden zunehmend in R aus. Open-Source-Initiativen – wie auch Linux – sind im akademischen Umfeld sehr beliebt. Somit kommt von Universitäten ein stetiger Strom von Analyse-Experten für R.
  • 7. Datenvisualisierung: R ist eine der mächtigsten Alternativen zur Erzeugung präsentationsfähiger Grafiken. Von der Datenaufbereitung über die Analyse bis zur Visualisierung lässt sich der gesamte Workflow in R realisieren.
  • 8. Lizenzkosten: R ist Open Source, es fallen keine Lizenzkosten an.
  • 9. Plattformunabhängig: R ist durch seine Plattformunabhängigkeit universell einsetzbar.

R ist eine sehr geeignete Softwarelösung für Predictive Maintenance und bietet sowohl Einsteigern als auch Analyseexperten alle Möglichkeiten.

Predictive Maintenance ist ein sehr komplexer und dynamischer Prozess und wird in Zukunft immer umfassender werden. Um den gesamten Prozess des Predictive Maintenance – von der Datenerfassung, der Analyse über die Erstellung von Prognosen bis hin zu einer möglichst anschaulichen Darstellung der Ergebnisse – jetzt und in Zukunft gerecht zu werden, braucht es eine integrierte Softwarelösung, die das Potenzial bietet, die Daten von allen Schnittstellen, wie Anlagensensoren und Umgebungsbedingungen, zu erfassen und mit zu analysieren.

Innovationen erfordern Interdisziplinarität und eine geeignete Plattform

Entwicklungsingenieure, Maschinenbediener, Servicetechniker, Datenbankadministratoren, Anwendungsentwickler, Data Scientists – eine der zentralen Herausforderungen bei der Implementierung von Predictive Maintenance ist das Zusammenbringen unterschiedlicher Nutzergruppen. Es gilt, die Ergebnisse komplexer statistischer Analysen in effiziente Arbeitsabläufe zu transferieren.

Das Potenzial von datengetriebenen Prozessverbesserungen im Allgemeinen und Predictive Maintenance im Besonderen liegt in der Schnittstelle aus Analytik, Fachwissen und vorhandenen Marktanforderungen. Vor dem Hintergrund der gegebenen Infrastruktur und der eigenen Ziele kommt der Auswahl einer geeigneten Architektur und Plattform eine wichtige Bedeutung zu: Sie muss die beteiligten Kräfte zusammenbringen und Data Science Teams dabei unterstützten, den Endanwendern die Ergebnisse aus Data Mining, Predictive Analytics oder Machine Learning zu präsentieren. R kann hier ein elementarer Baustein sein.

Fazit

Die zielgerichtete proaktive Reparatur von Industrieanlagen ist längst kein Zukunftsszenario mehr, sondern in immer mehr Bereichen bereits praktizierte Realität. In vielen weiteren Unternehmen spielt die Frage nach der richtigen Instandhaltungsstrategie zumindest eine immer wesentlichere Rolle. Studien haben ergeben, dass Predictive Maintenance Maschinenstillstandszeiten und Wartungskosten um bis zu 80 Prozent verringern kann. Kennziffern wie diese sorgen dafür, dass Predictive Maintenance aus dem Zeitalter der Industrie 4.0 nicht mehr wegzudenken sein wird.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 43518240 / Analytics)