Predictive Maintenance im Maschinenbau

Ein großer Hersteller für Verpackungsanlagen hat durch den Einsatz datenbasierter Prognoseszenarien die Effizienz seiner Produkte in verschiedener Hinsicht erhöht. Die Optimierungen reichen von der Lagerhaltung bis zur Gesamtproduktivität.

Predictive Maintenance im Maschinenbau
(Bild: Fotolia, Boggy)

Ausgangssituation

Im globalen Wettbewerb sind effiziente Produktionsprozesse ein entscheidender Erfolgsfaktor. Ein Ansatzpunkt für Optimierungen bilden die Maschinen. So können die Maschinenhersteller durch den Einsatz datenbasierter Prognoseszenarien die Effizienz der gefertigten Anlagen in verschiedener Hinsicht erhöhen. Entsprechend gestalten sich die Ziele unseres Kunden, einem weltweit agierenden Maschinenbauer für Verpackungsanlagen im Lebensmittelbereich:

  • Maschinenstillstände vorhersehen und verhindern
  • Maschinenschäden vermeiden
  • Ausfallzeiten minimieren
  • Typische Störungsfälle identifizieren
  • Wartungsintervalle optimieren
  • Produktivität verbessern

Lösung

Ausgangspunkt für unsere Lösung bilden historische und aktuelle Maschinen- bzw. Sensordaten. Auf dieser Basis wird ein Prognosemodell aufgesetzt und laufend verbessert. Konkret gestaltet sich die Vorgehensweise wie folgt:

  1. Sensordaten der Maschinen werden laufend gesammelt
  2. Aktuelle Messwerte werden durch qualitätsgesicherte Stammdaten angereichert
  3. Diagnosedaten werden generiert
  4. Machine-Learning-Modell wird auf Basis von Diagnosedaten trainiert
  5. Algorithmen werden laufend mit Echtzeitdaten abgeglichen und optimiert

Maßgeblich für den Erfolg ist die enge Zusammenarbeit mit den Fachabteilungen und Spezialisten auf Kundenseite. Dadurch können Fehler vorab erkannt und identifiziert werden. Hierbei nehmen Data Scientists und Maschinen-Ingenieure eine besondere Rolle ein. Letztere verfügen über probates Wissen zu den Maschinen. Durch diese Unterstützung können Data Scientists gezielter die richtigen Fährten aufnehmen und lohnende Details prüfen, sodass eine langwierige Suche vermieden wird.

Kundennutzen

Durch das Prognosemodell lassen sich Maschinendefekte nunmehr im Vorhinein identifizieren. Prüfkosten, aufwendige Rückrufaktionen und Stillstandzeiten werden vermieden. Die Gewährleistungskosten sind erheblich gesunken. Zugleich profitiert der Hersteller von einer höheren Kundenzufriedenheit und -bindung.

Der Nutzen in konkreten Zahlen:

  • Maschinendefekte und -ausfälle werden zu 75% vorausschauend erkannt
  • Stillstandszeiten sind um 50 bis 80% gesunken
  • Wartungskosten haben sich um 50 bis 80% verringert
  • Gewährleistungskosten wurden um über 50% gesenkt
  • Lagerhaltungskosten reduzieren sich um 20 bis 30%
  • Ausgaben für Überstunden haben sich um 20 bis 50% verringert
  • Die Gesamtproduktivität wurde um 20 bis 30% gesteigert

Predictive Maintenance lässt sich vor allem dort schnell einführen, wo bereits laufend Daten erfasst werden und vielfältige Datenbestände vorliegen. Doch auch eine nachträgliche Aufrüstung von Monitoring-Systemen ist lohnenswert.

Fazit: Predictive Maintenance steigert die Gesamteffizienz von Produktionsanlagen erheblich. Entsprechend profitieren die Betreiber bzw. Kunden von einem deutlich besseren Kosten-Nutzen-Verhältnis. Nicht zuletzt steigt die Effizienz der gesamten Instandhaltungsprozesse. Alle diese Faktoren wirken sich spürbar positiv auf die Wettbewerbsfähigkeit aus.

Teilen auf

We turn data into value! Kontaktieren Sie uns.

Gerne beraten wir Sie persönlich!
Rufen Sie uns an oder schreiben Sie eine E-Mail.

Jetzt kontaktieren