Die Wartung kann ein komplexes Unterfangen sein, das eine gründliche Planung und ein genaues Verständnis des Risikoprofils einer Anlage erfordert. Dies gilt insbesondere für Anlagen mit hohem Risiko, wie z. B. solche in der Öl und Gas, der chemischen Industrie und bei Stromversorger. Wartungsarbeiten finden nicht im „luftleeren Raum“ statt und können zu kostspieligen Ausfallzeiten führen, wenn sie unerwartet oder ungeplant erfolgen. Selbst geplante Wartungsarbeiten können zu langen Ausfallzeiten führen, die zu enormen Verlusten führen. So verlieren beispielsweise allein Ölraffinerien in den USA aufgrund von 213.000 Stunden Ausfallzeit jedes Jahr geschätzte 47 Milliarden US-Dollar. Was erforderlich ist, ist ein umfassendes, aber unauffälliges Wartungssystem. Hier kommt die vorausschauende Wartung ins Spiel.
Was ist vorausschauende Wartung?
Selbst die modernsten und teuersten Maschinen und Anlagen können unberechenbar sein. Immer anspruchsvollere Anlagen erfordern eine Wartung, die so schnell und intelligent wie möglich ist. Die präzise Vorhersage, wann Anlagen möglicherweise gewartet werden müssen, kann die Arbeitsbelastung einer Wartungsabteilung erheblich vereinfachen und ihre Fähigkeit, auf die Komplexität moderner Maschinen zu reagieren, erheblich vereinfachen. Die vorausschauende Wartung bietet diese Lösung.
Predictive Maintenance nutzt künstliche Intelligenz (KI), um Betriebsdaten kontinuierlich und in Echtzeit auszuwerten. Wie der Name schon sagt, handelt es sich um Wartung, die auf der Fähigkeit beruht, Ergebnisse vorherzusagen. Dies kann beispielsweise mithilfe intelligenter Sensoren und ähnlicher Technologien in oder in der Nähe von Anlagen geschehen, die kontinuierlich ihren aktuellen Status überwachen. Auf diese Weise können potenzielle Fehlfunktionen oder Ausfälle vorhergesagt werden, wodurch das Risiko unvorhergesehener oder plötzlicher Ausfälle minimiert wird. Sensoren, die Schwingungsanalysen und akustische Analysen durchführen, tragen beispielsweise dazu bei, dass mechanische Anlagen davor geschützt sind, aufgrund übermäßiger Vibrationen oder Schleifen zwischen den Komponenten defekt zu werden. Ebenso können Temperatursensoren dabei helfen, „Hotspots“ oder Überhitzungen in Maschinen zu erkennen und so zukünftige Ausfälle aufgrund verbrannter Bauteile oder Schaltkreise zu verhindern.
In den letzten Jahren haben Unternehmen versucht, vorausschauende Wartungslösungen über das industrielle Internet der Dinge (IIoT) zu implementieren. Dabei handelt es sich um das gesamte Netzwerk physischer Geräte, in die digitale Software, Sensoren und Netzwerkkonnektivität eingebettet sind, die den Datenaustausch zwischen Geräten in einer Industrieanlage ermöglichen. Computer Vision (CV) oder andere datengesteuerte Modelle des maschinellen Lernens sind ebenfalls häufig Schlüsselfaktoren. IIoT verbessert zweifellos das, was als „heiliger Gral“ des Gebäudemanagements bezeichnet wird. Zum Beispiel KI kann Daten verarbeiten über den Zustand von Anlagen mit Algorithmen, die Anomalien erkennen, bevor sie sich verschlechtern, d. h. worum es bei vorausschauender Wartung im Wesentlichen geht. Dieser Ansatz kann die mittlere Reparaturrate (MTTR) von Anlagen um bis zu 60 Prozent senken und so teure Ausfallzeiten deutlich reduzieren.
Die enormen Kosten von Ausfallzeiten
Ausfallzeiten sind für kapital- und produktionsintensive Anlagen belastend, ja sogar lähmend. Die Zahlen sind wirklich überwältigend: In den Vereinigten Staaten kostet beispielsweise eine Stunde Ausfallzeit die Stromversorger 300.000$. EIN melden mit dem Titel „Die wahren Kosten von Ausfallzeiten“ stellte fest, dass die Fortune Global 500-Unternehmen der Produktions- und Industriebranche aufgrund ungeplanter Ausfallzeiten fast 1 Billion US-Dollar pro Jahr verlieren, was einem Verlust von 3,3 Millionen Arbeitsstunden und einem durchschnittlichen Verlust von 8% beim Jahresumsatz entspricht.
Und die Branche, die am stärksten von Ausfallzeiten betroffen ist? Der Öl- und Gassektor mit einer durchschnittlichen Ausfallzeit von 32 Stunden pro Anlage pro Monat kostet eine Anlage 220.000$ pro Stunde oder 84 Millionen $ pro Jahr. Laut Forschung, nur 3,65 Tage ungeplanter Ausfallzeiten pro Jahr können ein Öl- und Gasunternehmen über 5 Millionen US-Dollar kosten. Es wird noch schlimmer: Im Jahr 2020 berichtete Reuters, dass in einigen Ölraffinerien die Versicherungstarife für Sachschäden und Betriebsunterbrechungen aufgrund von Explosionen oder Bränden um bis zu 100% gestiegen waren.
Vorteile von Predictive Maintenance
Intelligente Unternehmen sind sich der erstaunlichen Auswirkungen von Ausfallzeiten bewusst und haben sich Strategien zur vorausschauenden Wartung zugewandt. Sie wissen, wie wichtig es ist, KI einzusetzen, um Frühwarnzeichen an Anlagen zu erkennen, bevor es zu Fehlfunktionen oder Störungen kommt, anstatt sich auf zeitbasierte Wartungsarbeiten zu verlassen, die festen Zeitplänen folgen.
Die vorausschauende Wartung hat mehrere Vorteile, von denen der offensichtlichste darin besteht, dass potenzielle Ausfälle vorhergesagt werden, bevor sie auftreten. Auf diese Weise verlängert sie die Lebensdauer von Anlagen und holt den maximalen Nutzen aus Maschinen und Anlagen heraus. Das Ergebnis ist eine Verringerung des Gesamtrisikoprofils einer Anlage, einschließlich der Sicherheitsrisikofaktoren, und letztlich eine Verbesserung des Finanzergebnisses einer Einrichtung. Und doch haben so viele Unternehmen dies immer noch nicht eingeführt. Laut Statistiken von GE verfolgen weniger als 24% der Öl- und Gasbetreiber einen Wartungsansatz, der auf prädiktiven Daten und Analysen basiert.
Die Bedeutung von Daten
Hochwertige Daten sind eine wesentliche Voraussetzung für die effektive Umsetzung von Predictive Maintenance. In dieser Hinsicht steht es vor Herausforderungen, wenn es ausschließlich auf der Grundlage von IIoT und manuellen Inspektionen implementiert wird. Wenn man sich zu sehr auf die Datenerfassung durch IIoT verlässt, können physische Inspektionen vernachlässigt oder reduziert werden, was für die Erfassung von Daten an Orten, die sich außerhalb des Erfassungsbereichs stationärer Sensoren befinden, von unschätzbarem Wert ist. Auch bei häufigem manuellem Betrieb industrielle Inspektion Es werden Runden durchgeführt, um die IIoT-Infrastruktur zu ergänzen, Dateninkonsistenzen aufgrund von menschlichem Versagen sind unvermeidlich.
Prädiktive Wartung mit autonomen mobilen Robotern
Um diese Herausforderungen zu bewältigen, setzen Einrichtungen mit hohem Risiko auf autonome mobile Roboter und Drohnen für zuverlässige Inspektionen und als aktive Verbündete für das Gebäudemanagement. Die autonome Roboterinspektion ermöglicht einen kontinuierlichen Zeitplan für physische Inspektionen, selbst an Gefahrenstellen oder schwer zugänglichen Bereichen. Gleichzeitig wird das Wartungspersonal entlastet, um spezielle Arbeiten durchzuführen, die weniger mühsam und ungefährlich sind.
Neben der beeindruckenden Flexibilität und Mobilität, die es mobilen Robotern und Drohnen ermöglichen, Standorte und Anlagen zu überwachen, die möglicherweise außerhalb des Erfassungsbereichs stationärer digitaler Sensoren liegen, sind sie auch kostengünstig und einfacher zu integrieren. Anstatt Einrichtungen mit Tausenden teurer Sensoren ausstatten zu müssen, können Anlagenbesitzer einen einzigen mobilen Roboter als umherfahrende Sensorplattform an Bord nehmen.
Mobile Roboter sammeln nicht nur hochwertige Daten, sondern wandeln die gesammelten Daten auch in verwertbare Informationen um, sodass kein Raum für Fehlinterpretationen von Daten bleibt. Dies wird durch KI- und Computer-Vision-Anwendungen ermöglicht, die als Fähigkeiten. Fähigkeiten sind „containerisierte“ Anwendungen, die Sensordaten verarbeiten und das Verhalten eines Roboters bei der Ausführung bestimmter Aufgaben beeinflussen. Beispielsweise sind Roboter, die über die Fähigkeit verfügen, analoge Geräte zu lesen, in der Lage, die Nadelposition analoger Geräte präzise zu erkennen und den Messwert genau aufzuzeichnen. Ein Alarm kann dann ausgelöst werden, wenn der Messwert über oder unter einem vordefinierten Schwellenwert liegt. Ein solcher autonomer mobiler Roboter ist mehr als ein bloßer „Datensammler“.
Daher zahlt es sich aus, dass ein einzelner Roboter oder eine Drohne zuverlässig und wiederholt mehrere Arten von Daten von Anlagen an verschiedenen Standorten in der Anlage erfassen kann und liefern verwertbare Informationen an die Fingerspitzen der Bediener. Die Daten können in Echtzeit verarbeitet oder direkt in ein Enterprise Asset Management (EAM) -System integriert werden, das ein computergestütztes Wartungsmanagementsystem (CMMS) für die gesamte Wartungsplanung und -ausführung umfasst. Das Ergebnis ist ein intelligentes, intuitives und optimiertes System für die vorausschauende Wartung.
Den Weg zur Industrie 4.0 beschleunigen
Einrichtungen sind dank KI, IIoT, maschinellem Lernen (ML) und Automatisierung „intelligenter“ geworden. Industrie 4.0 erfordert eine entsprechende intelligente Wartung. Prädiktive Wartung ist eine hervorragende Option, um eine intelligente Wartung sicherzustellen, die immer proaktiv und niemals reaktiv ist. Durch robotergestützte Inspektion und KI-gestützte vorausschauende Wartung lassen sich deutlich verbesserte Datenanalysen und Daten erstellen, die bei Wartungsentscheidungen in einer Anlage mit hohem Risiko einen spürbaren Unterschied ausmachen können.
Bei der vorausschauenden Wartung geht es jedoch nicht darum, Wartungspersonal und das unvergleichliche menschliche Element, das sie in die Wartungsfunktion einbringen, zu ersetzen. Vielmehr ermöglichen verbesserte Datenerfassungs- und Analysefunktionen den Wartungsmanagern und -teams, fundiertere Entscheidungen in Bezug auf Anlagen zu treffen. Autonome mobile Roboter mit integrierten Sensoren und maßgeschneiderten KI-Fähigkeiten können viel dazu beitragen, Wartungsarbeiten zu rationalisieren und zu erleichtern. Allein ihre Vielseitigkeit und ihre beachtliche Kapitalrendite sind es wert, bei kapitalintensiven Anlagen ernsthaft in Betracht gezogen zu werden.
