Betriebssicher, zuverlässig, langfristig verfügbar. Das waren bei Pumpen, Kompressoren, RLT-Anlagen etc. schon immer zentrale Auswahlkriterien der Betreiber.
Die Technik des rotierenden Equipments selbst ist heute weitgehend ausgereift. Werden die Maschinen bestimmungsgemäß eingesetzt, haben sie eine zu erwartende Lebensdauer von mehreren Jahren. Solche Maschinen fallen deshalb meist durch Störungen oder Abweichungen im Betrieb der Gesamtanlage aus. Gefordert sind also Lösungen, mit denen solche Störungen frühzeitig erkannt werden.
Sensoren erkennen Muster vor der Störung
Aus Big Data durch Analyse und Mustererkennung Smart Data generieren: Es ist eines der ganz großen Versprechen der digitalen Transformation. Das gelingt in Sachen Instandhaltung sehr gut über das langfristige Erfassen von relevanten Daten (Temperaturen, Drücke, Volumenströme) und deren Analyse (Trends, Abweichungen).
Massiv gefallene Preise der immer leistungsfähiger werdenden Sensoren unterstützen dies. Data Mining versucht dann, mit statistischen und mathematischen Verfahren und Algorithmen verborgene Muster, Trends und Zusammenhänge in großen Datenmengen zu erkennen.
Vorhandene Daten bleiben meist ungenutzt
Die Crux ist bis heute, dass inzwischen smarte Feldgeräte, wie Pumpen, Kompressoren und Ventilatoren, zwar mit dem zentralen Gebäude- oder Prozessleitsystem kommunizieren, aber fleißig gesammelte Massendaten aufgrund von Sicherheitsbedenken und wegen technischer Hürden vielfach nur zur nachträglichen Fehleranalyse genutzt werden. Experten schätzen, dass 97 % der Daten aus der Feldebene ungenutzt bleiben.
Die Herausforderung ist, an diese Daten ranzukommen. Heute stehen dazu sehr leistungsfähige Echtzeit-Bus-Systeme wie das Industrial Ethernet und Cloud-Anbindungen bereit. Eine datenbasierte Verzahnung der Bereiche Produktion und Instandhaltung ist somit möglich. Experten sprechen von einem ‚Langzeit-EKG‘.
Datenbank für Maschinengeräusche und Vibrationsprofile
Grundfos greift mit seinem Machine-Health-Konzept (GMH) auf eine der weltweit größten Datenbank für typische Maschinengeräusche bzw. Vibrationsprofile zu, mit deren Hilfe äußerst präzise Diagnosen möglich sind.
Mehr noch: Aus Maschinendaten werden Handlungsempfehlungen – durch Echtzeit-Meldungen und Algorithmen, die geeignete Reparaturen und Wartungsmaßnahmen vorschlagen. Hochwertige Sensoren und smarte Algorithmen überwachen dafür kritische Aggregate rund um die Uhr. Schon beim ersten Anzeichen eines Problems meldet sich das System mit einer detaillierten Analyse inklusive einer erfolgversprechenden Lösung für das sich anbahnende Problem.
Predictive Maintenance spart Kosten und vermeidet Ausfälle
Der Betreiber kann Wartungsmaßnahmen gezielt terminieren (wenn es vom Betriebsablauf her am besten passt; Predictive Maintenance; proaktive Wartung), er spart Kosten ein und vermeidet teure Ausfälle. Das Ergebnis ist überzeugend: In der Praxis ergeben sich 30 % geringere Wartungskosten, 90 % niedrigere Reparaturkosten, 75 % weniger Ausfälle und eine 45 % länger verfügbare Betriebszeit.
Eine wichtige Besonderheit von Grundfos Machine Health ist, dass die genutzte Datenbank schon kurz nach der Installation der Sensoren und Empfänger Aussagen über den Zustand der Anlage treffen kann – die Algorithmen der künstlichen Intelligenz müssen also nicht wie sonst oft üblich erst angelernt werden; Tausende hinterlegter Geräusche- und Vibrations-Mustern können sofort mit den installierten Maschinen verglichen werden.
Grundfos Machine Health gewährt dem Betreiber sozusagen einen Blick in die nahe Zukunft – damit wandelt sich Instandhaltung zum Asset Management, vom Kostenblock zur Werterhaltung. ■
