Machi­ne Health für rotie­ren­des Equipment

Schon immer war die betriebs­si­che­re Pum­pe, der zuver­läs­si­ge Kom­pres­sor, die lang­fris­tig ver­füg­ba­re Lüf­tungs­an­la­ge ein zen­tra­les Aus­wahl­kri­te­ri­um 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 daher meist durch Stö­run­gen oder Abwei­chun­gen im Betrieb der Gesamt­an­la­ge aus. Gefor­dert ist also eine Lösung, mit der sol­che Stö­run­gen früh­zei­tig erkannt werden.
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 Hil­fe anspruchs­vol­ler sta­tis­ti­scher und mathe­ma­ti­scher Ver­fah­ren bezie­hungs­wei­se Algo­rith­men ver­bor­ge­ne Mus­ter, Trends und Zusam­men­hän­ge in gro­ßen Daten­men­gen zu erkennen.
Die Crux ist bis heu­te, dass smar­te Feld­ge­rä­te wie Pum­pen, Kom­pres­so­ren und Ven­ti­la­to­ren zwar mit dem zen­tra­len Gebäu­de- oder Pro­zess­leit­sys­tem kom­mu­ni­zie­ren, aber die flei­ßig gesam­mel­ten Mas­sen­da­ten auf­grund von Sicher­heits­be­den­ken und wegen tech­ni­scher Hür­den viel­fach nur zur nach­träg­li­chen Feh­ler­ana­ly­se genutzt wer­den. Exper­ten schät­zen, dass 97 Pro­zent 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. Sehr anschau­lich spre­chen Exper­ten von einem ‚Lang­zeit-EKG‘.
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 – dank Echt­zeit-Mel­dun­gen und Algo­rith­men, die geeig­ne­te Repa­ra­tu­ren und War­tungs­maß­nah­men vor­schla­gen. Hoch­wer­ti­ge Sen­so­ren und smar­te Algo­rith­men über­wa­chen 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. Der Betrei­ber kann War­tungs­maß­nah­men gezielt ter­mi­nie­ren (wenn es vom Betriebs­ab­lauf her am bes­ten passt), er spart Kos­ten ein und ver­mei­det teu­re Aus­fäl­le. Das Ergeb­nis ist über­zeu­gend: In der Pra­xis erge­ben sich 30 Pro­zent gerin­ge­re War­tungs­kos­ten, 90 Pro­zent nied­ri­ge­re Repa­ra­tur­kos­ten, 75 Pro­zent weni­ger Aus­fäl­le, eine 45 Pro­zent län­ger ver­füg­ba­re Betriebszeit.
Eine wich­ti­ge Beson­der­heit von GMH 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 von hin­ter­leg­ten 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. Dar­über hin­aus offe­riert das Unter­neh­men die erfor­der­li­chen Dienst­leis­tun­gen, um schlech­te Akteu­re wie­der auf Vor­der­mann zu bringen.