Wer hätte sich vor 10 Jahren träumen lassen, welche Technologie uns heute zur Verfügung steht und welche Möglichkeiten sie uns bietet. Und das zu immer weiter sinkenden Kosten. Fast jeder Aspekt der Produktion kann heute erfasst und gespeichert werden, intelligenten Sensoren, smarte Maschinen und der Verfügbarkeit von Speicherplatz sei Dank.
Aber was machen Sie mit den ganzen Daten?
Predictive Analytics (prädiktive Analyse), also vorausschauende Analyse, nutzt eine Form der künstlichen Intelligenz (KI), die auf Basis von Erfahrung eine Modellierung der Geräteleistung ermöglicht. Es handelt sich dabei um eine der vielversprechendsten Technologien zur Ableitung eines greifbaren Mehrwerts, der aus vorhandenen Historiandaten gezogen werden kann und sorgt für ein besseres Verständnis der Anlage. Es kommt erweiterte Mustererkennung und maschinelles Lernen zum Einsatz, um die Anlage in Echtzeit zu überwachen und Anomalien frühzeitig zu erkennen. Potenzielle Probleme werden dann Tage oder Wochen vor dem eigentlichen Auftreten identifiziert, diagnostiziert und behoben.
Vor der Implementierung von Predictive Analytics ist es wichtig das richtige Fundament zu legen und die notwendigen Daten zur Erstellung der prädiktiven Anlagenmodelle zu erfassen. Eine erfolgreichen Analyse-Strategie zur Sicherung von Qualität und Sicherheit basiert auf der Fähigkeit Daten richtig zu erfassen und zu speichern. In der Produktion findet man daher zumeist den AVEVA Historian. Er führt Daten aus mehrere Datenquellen zusammen und stellt sicher, dass die Daten bereinigt, und so strukturiert sind, um vorausschauende Analysen durchführen zu können.
Predictive Analytics ist ein integraler Bestandteil jeder Strategie zur digitalen Transformation und zur Senkung von Betriebs- und Wartungskosten. So wurde beispielsweise in einer Kundenanwendung im Lebensmittelbereich AVEVA Predictive Analytics in einer Anlage installiert, die mit dem AVEVA Historian verbunden ist. Während des dreimonatigen Pilotprojekts wurden drei signifikante Anlagenausfälle identifiziert und verhindert, bevor sie auftreten konnten.
Durch die Überwachung multivariater Sensorveränderungen wurde erkannt, dass ein Förderbandmotor im Normalbetrieb eine höhere Stromaufnahme hatte als erwartet. Problem erkannt Problem gebannt - bevor ein Lager, eine Rolle und ein Motor beeinträchtigt wurden. Ausfallzeiten und Reparaturkosten wurden vermieden. So auch im Fall einer Teiglaminieranlage.
Setzen Sie messbaren Ziele und starten mit einem Pilotprojekt. Verwenden Sie bereits Historian? Wollen Sie mehr über die Integration von AVEVA Historian und AVEVA Predictive Analytics erfahren? Dann schauen Sie sich doch unser OnDemand Webinar "Strategische Wertsteigerung von Produktionsanlagen – Asset Performance Management 4.0" an, oder wir machen einen Termin aus. Ich freue mich.
Ihr Dirk Rengbers