Predictive Maintenance: Smarte Instandhaltung

Wie läuft eine klassische Wartung ab? Bei der periodischen Wartung prüft der entsprechende Mitarbeiter gemäß dem Wartungsplan die entsprechenden Bauteile und deren Zustand, um anschließend bei Bedarf Verschleißteile auszutauschen. Abnutzungserscheinungen werden dokumentiert. Im gleichen Zuge nimmt der Mitarbeiter auch eine grobe Prüfung weiterer Bauteile vor, die im Wartungsplan nicht abgedeckt werden. Die Erfahrung und das Wissen des Mitarbeiters machen etwaige ungewollte Systemausfälle in Gebäuden, Anlagen und Maschinen frühzeitig erkennbar. Doch was passiert, wenn ein Schaden unvorhergesehen zwischen den Wartungsintervallen auftritt?

An dieser Stelle kann Predictive Maintenance die Antwort sein. Durch den Mitarbeiter wird der Zustand der Komponenten in einem Predictive Maintenance System mittels Condition Monitoring eingeschätzt. Dabei spielen der aktuelle Gebäudezustand, die damit verbundene Abnutzung und andere Faktoren eine Rolle. Der Clou: Predictive Maintenance macht Vorhersagen, wann eine Wartung notwendig werden wird – auch außerhalb der gesetzten Wartungsintervalle. Somit kann ein möglicher Ausfall der Maschine auch außerhalb der festen Wartungszyklen vorab erkannt und vermieden werden.

Predictive Maintenance kann auf Deutsch beispielsweise übersetzt werden mit vorausschauender Instandhaltung. Das lässt schon erahnen, dass es bei dieser Form der Instandhaltung darum geht, Systemausfälle vorherzusehen und zu vermeiden. Dafür werden verschiedene Parameter beobachtet und ausgewertet. Sobald Unregelmäßigkeiten in der Funktion oder Abnutzungserscheinungen erkennbar werden, können Wartungsarbeiten oder Reparaturen in den Regelbetrieb des Smart Buildings, der Anlage oder der Maschine eingeplant werden. Neben einer guten Planbarkeit werden bevorstehende Systemausfälle im Voraus erkannt und können so abgewendet werden – für mehr Zuverlässigkeit und Kosteneffizienz im Betriebsablauf.

Diese vorausschauende Instandhaltung bietet einige Vorteile. Aber wie grenzt sie sich von den bisher gängigen Instandhaltungsstrategien ab? Für eine klare Definition von Predictive Maintenance müssen die bisherigen Möglichkeiten auch bekannt sein.

Bei der Instandhaltung von Gebäuden, Anlagen und Maschinen wurden über die Jahre verschiedene Strategien entwickelt und ausgestaltet. Sie dienen auch als Basis für die moderne und vernetzte Smart Maintenance – ein wichtiger Bestandteil der Industrie 4.0. Grundsätzlich geht es bei allen darum, Betriebsabläufe und Gebäudesysteme trotz Wartungsaktivitäten möglichst kosteneffizient und mit geringer Zeitverzögerung fortwährend zu betreiben. Die Entscheidung darüber, welche Instandhaltungsstrategie die beste für die eigenen Systeme ist, hängt schlussendlich von der gegebenen Situation und den Möglichkeiten ab.

Eines der bekanntesten Instandhaltungsstrategien ist Breakdown Maintenance – eine Strategie, die auch im privaten Bereich üblich ist und auch reaktive Instandhaltung genannt wird: Sobald ein Bauteil, eine Maschine oder eine Anlage ausfällt, wird eine Reparatur durchgeführt oder ein Ersatz beschaffen. Es ist also eine ausfallbedingte Instandhaltung. Obwohl bei dieser Strategie keine akkurate Planbarkeit gegeben ist, gibt es dennoch Gründe, warum sie noch im Einsatz ist. Es kann kosteneffizienter sein, ein Bauteil bis zum Ausfall zu nutzen. Besonders in weniger kritischen Kreisläufen und bei leicht ersetzbaren Bauteilen kann diese Instandhaltungsstrategie genutzt werden, während für andere Systeme besser planbare Strategien wie Preventive Maintenance implementiert werden.

Mehr Planbarkeit bietet Preventive Maintenance – die vorbeugende Instandhaltung. Hier geht es darum, Maßnahmen zu ergreifen, die so gut wie möglich unerwartete Ausfälle reduzieren und mehr Planbarkeit bei der Instandhaltung ermöglichen. Kennzeichnend für diese Strategie sind regelmäßige Prüfabstände wie festgelegte Wartungs-, Tausch- und Reparaturintervalle. Durch diese festgelegten Zeiten wird Verschleiß früher erkannt. Dennoch bleibt ein Restrisiko an ungeplanten Systemausfällen.

Im Vergleich zwischen Predictive und Preventive Maintenance ist ein Unterschied ausschlaggebend: Durch eine dauerhafte Überprüfung der Systemleistung und der Zustände werden eventuelle Ausfälle auch außerhalb der üblichen Prüfintervalle des Preventive Maintenance erkennbar und auch konkret vorhersagbar. Die Möglichkeiten der Predictive Maintenance werden mit der Hardware des sogenannten Condition Monitoring aber erst möglich.

Zur Definition von Condition Monitoring gehört auch der Hinweis, dass es die Voraussetzung für Predictive Maintenance ist. An sich ist Condition Monitoring also keine Instandhaltungsstrategie. Auf Deutsch bedeutet Condition Monitoring Zustandsüberwachung. Mit anderen Worten: Es ist ähnlich einem Mitarbeiter, der permanent den Zustand einer Anlage überprüft und eventuelle Auffälligkeiten im Maschinenbetrieb notiert, aber noch keine Handlungsempfehlung ausspricht.

Um das zu ermöglichen, werden Sensoren eingesetzt. Diese Hardware besteht in der Regel aus einem System an Mikrocontrollern, integrierten Leistungs- und Konnektivitätsschaltungen (ICs) und Sensorelementen. Im allgemeinen Sprachgebrauch wird dieser Verbund aus Teilen auch insgesamt als Sensor bezeichnet. Streng genommen sind Sensoren allerdings einzelne mikroelektronische Bauelemente der Halbleitertechnik.

Condition Monitoring wird bei einzelnen Komponenten eines Gerätes bis hin zum gesamten Ökosystem eines Smart Building eingesetzt – vom Füllstand eines Druckers bis hin zur aktuellen Nutzung der Gebäudebeleuchtung. Die erfassten Daten innerhalb der Condition Monitoring Systeme machen durch den ständigen Abgleich zwischen aktuellen Soll- und Ist-Werten Abweichungen von Normwerten leicht erkennbar und bieten einen Einblick in mögliche Verschleiß- oder Schadensgründe. Wartungs- und Reparaturbedarfe werden planbarer und kosteneffizienter.

Mit den eingesetzten Sensoren für Condition Monitoring und den damit generierten Daten sind die Grundsteine für Predictive Maintenance gelegt. Hier bieten Hersteller wie Infineon Evaluation Kits an, welche die nötigen Komponenten der Sensorsysteme für den jeweiligen Einsatzbereich optimieren und gemeinsam mit applikationsspezifischer Software kombinieren, um von Anfang an eine umfassende Datenquelle für Predictive Maintenance zu haben. Infineon bietet hier zum Beispiel das XENSIV™ Predictive Maintenance Evaluation Kit an.

Von der Messung bis hin zur Datenbewertung durchlaufen Predictive Maintenance Geräte folgende Schritte:

1. Erhebung der Daten durch Sensoren
2. Gegebenenfalls Zusammenführung verknüpfter Sensorinformationen:
   Sobald mehr Daten von diesem Gerät erfasst werden sollen – wie Luftqualität im Zusammenhang mit Luftströmung – können diese auch bereits in einem sogenannten IoT Sensorknoten zusammenlaufen und verarbeitet werden.
3. Datenverarbeitung:
   Je nach Gerät kann es sinnvoller sein, die Auswertung der Predictive Maintenance Software am Gerät selbst durchzuführen oder die Daten weiterzuleiten.
   • Datenverarbeitung at-the-edge: Die Daten können at-the-edge verarbeitet werden, bevor sie an ein zentrales System wie eine Cloud-Plattform weitergeleitet werden oder aber auch sogar komplett autonom at-the-edge ausgewertet werden. Das Gerät befindet sich „am Rand“ eines Netzwerks. Für mehr Informationen lesen Sie Edge Computing: Alles, was Sie wissen müssen.
   • Datenweitergabe an ein zentrales System: Durch Mikrocontroller können die von den Sensoren erfassten Daten über Schnittstellen wie Wi-Fi oder Bluetooth an ein zentrales Gebäude-Management-System oder über die Cloud an externe Dienste weitergeleitet werden.
4. Auswertung der Daten:
   Schlussendlich werden die Daten mit den entsprechenden Software-Tools ausgewertet. Zu diesen gehören neben einem intelligenten Software-Algorithmus auch eine Predictive Maintenance KI. Diese Elemente können komplett autonom at-the-edge laufen: Ein Beispiel hierfür ist eine einzelne Klimaanlage, die mit einem zentralen System oder mittels Cloud an zum Beispiel die Gesamtheit aller Klimaanlagen in einem Gebäude verbunden wird. Der Ablauf enthält dann zwei Schritte:
   
   • Software-Algorithmen vergleichen den Ist-Zustand mit dem Soll-Zustand der zu überwachenden Geräte, basierend auf Sensordaten. Etwaige Anomalien werden so erkannt und infolgedessen ein Alarm ausgelöst. So wird der aktuelle Zustand des Systems erfasst und überwacht.
   • Durch eine Predictive Maintenance KI werden relevante Daten in einem Modell ausgewertet, das Machine Learning und Big Data einsetzt. Als Daten kommen diverse Quellen in Frage: Motoren, Luftströmung und -zusammensetzung, Vibrationen, Temperaturen und mehr werden genutzt, um Zusammenhänge zwischen den Werten zu ermitteln. Dank künstlicher Intelligenz kann schlussendlich eine Vorhersage getroffen werden, ob und wann ein Defekt eintreten wird. Es wird möglich, den zukünftigen Zustand des Systems vorherzusagen.

Was im ersten Moment hochkomplex klingt, lässt sich an einer klassischen Wartung durch einen Mitarbeiter gut verbildlichen:

Bei einer Wartung kann ein erfahrener Mitarbeiter Anomalien in einer Anlage an verschiedenen Faktoren erkennen. Er kann eine erhöhte Temperatur eines Motors einer Klimaanlage genauso wahrnehmen, wie ein Sensor, und auch die Luftqualität überprüfen. Anhand dieser konsolidierten Informationen trifft er entsprechende Entscheidungen – dazu gehört auch die Entscheidung, seinen Befund weiterzugeben, damit umliegende Anlagen auch geprüft werden müssen. Denn das Ergebnis seiner Wartung kann eventuelle Defekte an anderen Klimaanlagen in der Zukunft implizieren. So wird das gesamte System betrachtet und Zusammenhänge können in der Zukunft berücksichtigt werden.

Speziell in Smart Buildings bilden die Sensoren einen Hauptbestandteil des Gebäudes. Denn Smart Buildings gehen über Digitalisierung und Konnektivität hinaus. Die Konnektivität wird genutzt, um Komfort und Sicherheit durchweg zu bieten, und die Nutzung des Gebäudes zu optimieren. Hier setzt Predictive Maintenance an.

Dabei kann eine intelligente Gebäudeinstandhaltung auch in bereits existierende Architekturen integriert werden: Geräte, die selbst eine Predictive Maintenance Funktionalität integriert haben oder sich an offene, größere Gebäude-Management-Systeme mittels kompatibler Standards anbinden lassen, können genutzt werden. So wird Smart Building Maintenance für alle Unternehmen und Gebäudehalter nutzbar, und jedes Gebäude kann zu einem Smart Building werden. Vorausgesetzt, die gesammelten Daten werden effizient eingesetzt.

Machine Learning ist in der Lage, große Mengen an Daten auszuwerten. Um die richtigen Gebäudedaten für Machine Learning als Bestandteil des Predictive Maintenance zu erheben, müssen entsprechende Geräte mit Sensoren, Konnektivität und Microcontrollern eingesetzt werden. Für das Raum- oder Gebäudeklima können beispielsweise HVAC Systeme (Heating Ventilation Airconditioning Systeme) eingesetzt werden, die ihre aktuellen Daten von Temperatur bis zur Funktionseffizienz weitergeben. Weiterhin wird die Gebäudetechnik um weitere Gebäudesensoren erweitert, welche beispielsweise Veränderungen in der Luftqualität der Zu- und Abluft oder der Luftverteilung erkennen. Auch Sicherheitsschließmechanismen können durch Sensoren für elektrische Stromflüsse überprüft werden, um mehr Personen- und Gebäudesicherheit sicherzustellen.

Weitere Sensoren können genutzt werden, um den Zustand von zum Beispiel Kühlanlagen oder Produktionsmaschinen zu überwachen. Die Höhe des Verbrauchs von messbaren Parametern wie Strom, Laufgeräuschen oder eine Verstärkung von Gerätevibrationen kann mit der entsprechenden Hardware verfolgt werden. Somit können Rückschlüsse auf die Funktionsfähigkeit ermöglicht werden. Selbst die ordnungsgemäße Position von Maschinenteilen kann durch Positionserfassung mittels 3D-Magnetsensoren ermöglicht werden.

Predictive Maintenance kann in vielerlei Art in Gebäuden zum Einsatz kommen. Neben einer konstanten Erhaltung des Gebäudeklimas und der Gerätesicherheit können auch Arbeitsgeräte und Maschinenanlagen innerhalb der Gebäude von Predictive Maintenance profitieren. Die Instandhaltung aller dieser Elemente lässt sich auch kombinieren, um einen Überblick über das gesamte System zu erhalten.

Gemeinsam mit Klika Tech und AWS hat Infineon ein Predictive Maintenance Evaluation Kit entwickelt. Dieses macht mehrere kritische Elemente z.B. eines HVAC Systems innerhalb eines Gebäudes überwachbar dank eines einfachen Anomaly Score. So können Abweichungen vom Normalzustand erkannt werden. Das Evaluation Kit ermöglicht die einfache Evaluierung von Condition Monitoring und Predictive Maintenance Anwendungsfällen wie in HVAC Systemen. Hierfür wird die Sensor- und Microcontroller-Technologie von Infineon optimal mit Klika Techs Erfahrung im Bereich IoT und Cloud-Anwendungen kombiniert. Zusätzlich kommen AWS Cloud Services zum Einsatz, die eine leichte Skalierung der Lösung innerhalb der Cloud ermöglichen.

Der Einsatz von Predictive Maintenance in Smart Buildings bietet Vorteile von der Vermeidung unnötiger Wartungsarbeiten über der Steigerung des Komforts bis hin zur Wirtschaftlichkeit.

• Kostenoptimierung:
  Initial sind Predictive Maintenance Geräte und Technologien eine Investition. Beim richtigen Einsatz bietet Predictive Maintenance einen attraktiven ROI durch eine Optimierung der Wartungskosten: Unerwartete Störungsfälle werden vermieden und der Betriebsablauf läuft ungehindert weiter. Zudem werden präventive Wartungsmaßnahmen zum richtigen Zeitpunkt umgesetzt, anstelle eines zu frühen oder zu häufigen Wechsels der betroffenen Teile.
  Laut dem US Department of Energy können die Instandhaltungskosten um bis zu einem Drittel reduziert und ungeplante Ausfälle um bis zu drei Viertel verringert werden. Predictive Maintenance ermöglicht also Ersparnisse in den bisherigen Instandhaltungsausgaben.
• Individuelle Service-Angebote:
  Da die Daten und der Zustand eines Smart Buildings auch über Fernzugriff verfügbar gemacht werden können, besteht die Möglichkeit, sämtliche Wartungs- und Service-Arbeiten gebündelt an einen Service-Dienstleister mittels Fernüberwachung zu geben. Weiterhin haben aber auch die jeweiligen Hersteller der verschiedenen Geräte die Möglichkeit, dies als Service ihrer Geräte anzubieten. Aufgrund der Fülle an Möglichkeiten können sich Nutzer und Betreiber des Smart Buildings so voll auf ihre eigenen Ziele fokussieren. Gleichzeitig können die Service-Arbeiter für das gesamte Gebäude die Anforderungen entsprechend vergeben, effizient planen und abgestimmt durchgeführen - und das ohne Eingriff in den Gebäudebetrieb.
• Personenkomfort:
  Zu den weiteren Vorteilen des Predictive Maintenance zählen auch ein erhöhtes Wohlbefinden und mehr Sicherheit für die Mitarbeiter. Das Arbeitsumfeld wirkt sich auf die Zufriedenheit und Konzentrationsfähigkeit der Mitarbeiter aus. Durch eine regelmäßige Wartung von HVAC Systemen kann eine konstante, gute Luftqualität gehalten werden. Gleichzeitig beeinflusst die Luftqualität die Mitarbeitergesundheit und -produktivität. Durch ein erhöhtes Maß an Sicherheit, das durch hohe Luftqualität positiv beeinflusst wird, sinkt die Gefahr von Arbeitsunfällen und das Vertrauen der Mitarbeiter steigert sich somit. Umso erstrebenswerter ist es, dass die wichtigsten Systeme in einem Gebäude funktionsfähig sind und bleiben.

Um von diesen Vorteilen profitieren zu können, müssen einige Voraussetzungen innerhalb des Gebäudes oder der Anlage gegeben sein:

• Korrekte Anbringung der Geräte:
  Die Gebäudetechnik und die Anlagen, die in Zukunft mit Predictive Maintenance überprüft werden sollen, müssen selbst zunächst einwandfrei installiert sein. Ansonsten besteht die Gefahr, dass die erhobenen Daten fehlerhaft sind und zu falschen Ergebnissen in der Auswertung führen – die Predictive Reliability ist nicht gegeben. Auch die Verteilung der Geräte muss dem Zweck entsprechen: Der Einsatz eines einzigen Geräts zur Erkennung der Luftqualität pro Stockwerk bietet keinen tatsächlichen Mehrwert. Daher ist ein gutes Verständnis für die Technologie maßgeblich.
• Einschätzung der relevanten Daten:
  Bei Neubauten ist die Abstimmung der Gebäudetechnik aufeinander problemlos möglich, da ein ganzheitliches Konzept für das Smart Building bereits ab der Gebäudeplanung möglich ist. Bei Bestandsgebäuden hingegen erfordert der Austausch der Technik für ein Smart Building einen größeren Aufwand, da nicht alle Gewerke gleichzeitig auf den neusten Stand gebracht werden können. Daher muss dementsprechend priorisiert werden, welche Daten für den aktuellen Instandhaltungsplan des Gebäudes relevant sind und welche Daten eine Reduktion des Wartungsaufwandes ermöglichen, um die entsprechenden Gewerke nachzurüsten bzw. aufeinander abzustimmen.
• Andere Kostenpunkte:
  Einerseits sinken die Kosten von Wartung und Service beim Einsatz von Predictive Maintenance. Andererseits kann Predictve Maintenance auch in die laufenden Kosten einfließen. Das liegt unter anderem an der Auslagerung der Datenverarbeitung. Hier können beispielsweise für die Speicherung und Auswertung von Daten in einem zentralen System neue, laufende Kosten anfallen.

Im ersten Schritt kann die Entscheidung für Predicitive Maintenance überwältigend sein. Es gibt eine Vielzahl an ineinandergreifenden Punkten, die insgesamt mitbedacht und aufeinander abgestimmt werden müssen. Daher ist es auch kein leichtes Unterfangen, den möglichen Wert des Predictive Maintenance individuell abzuschätzen, vor allem auch als möglicher Anbieter der entsprechenden Geräte mit dieser Funktionalität.

Um Predictive Maintenance Lösungen anbieten zu können, bedarf es einem Zusammenschluss verschiedener Expertisen von Hardware über Software bis hin zu Telekommunikations- und Informationstechnologie. Deswegen setzt Infineon zur Evaluation möglicher Predictive Maintenance Lösungen auf Partnerschaften innerhalb des IoT Ökosystems, welche dieses Wissen vereinigen und zu Gesamtlösungen wie dem XENSIV™ Predictive Maintenance Evaluation Kit führen. Durch eine Kompatibilität innerhalb der XENSIV™ Familie kann dieses Kit mit einer großen Bandbreite an Sensoren genutzt werden. So können Geräte eines Smart Buildings sehen, hören, fühlen und auch verstehen, wo Handlungsbedarf besteht, was schlussendlich zu einem reibungslosen Betriebsablauf beiträgt.

Hier erhalten Sie einen umfänglichen Einblick in die Predictive Maintenance Produktpalette von Infineon: https://www.infineon.com/cms/en/applications/industrial/smart-building/condition-monitoring-and-predictive-maintenance/


Letzte Aktualisierung: Juli 2021