Watson von IBM. Bild: IBM

IBM setzt bei Predictive Maintenance auf künstliche Intelligenz. Bild: ke NEXT

"Welche Geschäftsmodelle, welche Hardware und welche Softwarepakete werden wir in Zukunft anbieten, um daraus Daten zu generieren, die wirklich helfen.“ – Für Erwin Weis, Leiter IoT Technology beim Wälzlager-Spezialisten SKF, ist diese Frage bei allen Diskussionen rund um die Instandhaltung von morgen entscheidend. Dr. Martin Junghans, Cognitive Solutions Architect Industrial IoT bei IBM, stimmt Weis hier zu: „Es geht darum, aus unüberschaubaren Datenmengen einen konkreten Wert zu erzeugen. Und dieser Wert kann im ersten Schritt in einer Erkenntnis liegen, er kann und muss im zweiten Schritt den Menschen in seiner Entscheidungsfindung unterstützen und in einem dritten Schritt muss er in tatsächlichen Aktionen von Menschen liegen.“

 

Erwin Weis, SKF. Bild: SKF
Seine Welt sind die Daten: Erwin Weis, Leiter IoT Technology bei SKF. Bild: SKF

Denn: Das bloße Sammeln von Daten, hat noch keinen Servicetechniker weitergebracht. Vielmehr, so Weis und Junghans, gelte es, die Datensammlung zu interpretieren und auf diesem Weg wertvolle Informationen zu generieren. Eine derart intelligente Überwachung der Maschine gehe dann sogar über ihren vorausschauenden Charakter hinaus. Bernd Heintz, Ingenieur für Zustandsüberwachung bei SKF, erklärt: „Selbst bei Predictive Maintenance ist für uns noch nicht Schluss. Wir gehen Richtung proaktives Maintenance, bei uns: Proactive Reliability Maintenance – kurz PRM. Wir möchten nicht nur den Zustand erfassen und daraus ableiten, wann eine Instandhaltungsmaßnahme zu treffen ist, sondern Maschinen mit diesen gewonnenen Daten weiter optimieren und ganz gezielt Ursachen von Schäden beseitigen.“

Weg von den Datensilos

Martin Junghans, IBM. Bild: IBM
„Es geht darum, aus unüberschaubaren Datenmengen einen konkreten Wert zu erzeugen." - Martin Junghans, Cognitive Solutions Architect Industrial IoT bei IBM. Bild: IBM

Doch bis dahin gilt es einige Hürden zu meistern – was sich am Beispiel der Schwingungsüberwachung von Lagern zeigt: So entwickelt SKF nicht nur Wälzlager, sondern auch Sensoren. Bereits 2013 präsentierte das Unternehmen mit SKF Insight ein Lager, das mit integrierter Sensorik und Funktechnologie ausgestattet ist. Insight ist in der Lage, seine Zustandsdaten, wie Belastung, Drehzahl, Schwingung, Schmierung und Temperatur, über Wifi an die SKF Cloud weiterzugeben. Bis heute jedoch wird das Lager vor allem in Prototypen oder kritischen Bereichen eingesetzt, wie zum Beispiel in Zügen. Für Erwin Weis liegen die Gründe auf der Hand: Weit verbreitet seien vor allem extern montierte Sensoren, da diese Daten unabhängig vom Hersteller der Lager erfassen können. Weis: „Nichtsdestotrotz können im Bereich der Schienenfahrzeuge, mit der hohen Anzahl an gleichen Lagern, auch Sensoren verwendet werden, die direkt im Lager verbaut sind.“ Diese Lösung bringe andere Herausforderungen für die Hersteller mit sich, denn „der Sensor, der an einem rotierenden Bauteil angebracht ist, muss dort selbst die Energie erzeugen können, die notwendig ist, um die Messdaten zu erfassen und die Kommunikation aus einem metallischen Gehäuse aufzubauen, damit die Daten per Funk übertragen werden können.“ Nicht nur das Beispiel SKF Insight zeigt so, dass vielfach noch heiß diskutiert wird, auf welche Art und Weise Daten aufzunehmen und weiterzugeben sind.

SKF Enlight Quick Collect. Bild: SKF
Mit einem einfach zu bedienenden Tool, wie SKF Enlight Quick Collect, können wertvolle Daten über den Maschinenzustand gesammelt und einer groben Analyse unterzogen werden. Bild: SKF

Liegen die Rohdaten jedoch erst einmal vor, gelte es, sie in einem nächsten Schritt nicht einzeln zu überwachen, sondern, wie Martin Junghans betont, „Parameter in Bezug zu anderen Parametern zu betrachten.“ Denn erst die Zusammenhänge zum Produktions- oder Betriebskontext sowie die Korrelationen zwischen verschiedenen Parametern ermöglichten eine aufschlussreiche Interpretation der Daten. Auch Erwin Weis sieht hierin den Mehrwert zum klassischen Condition Monitoring: „Wir wollen weg von den Datensilos und dem Kunden die Möglichkeit geben, Daten für eine verbesserte Analyse zu integrieren und zusammenzuführen – durch standardisierte Schnittstellen.“

IBM und SKF wissen jedoch: Sollen Komponenten, Maschinen und Menschen im Internet of Things Daten in Echtzeit untereinander austauschen, muss vor allem an der Interoperabilität der Systeme weiter hart gearbeitet werden. Zwar wirbt die OPC Foundation längst für ihren Schnittstellen-Standard OPC UA (Unified Architecture), der Daten zwischen sämtlichen Systemen innerhalb eines Unternehmens verfügbar machen soll. Dies dürfe jedoch nicht darüber hinwegtäuschen, dass die Industrie noch nicht wirklich bereit sei für ein Predictive Maintenance im großen Stil, wie Erwin Weis zu Bedenken gibt: „Das wird sicherlich noch einige Zeit dauern. Realistisch betrachtet sind heute in der Industrie oft noch Maschinen im Einsatz, die nicht auf dem Level Industrie 4.0, sondern Industrie 0.5 bis Industrie 3.0 sind. In vielen Fällen haben diese Maschinen gar nicht die Möglichkeit, direkt miteinander zu kommunizieren. Dies kann an den Steuerungen oder an der fehlenden Vernetzung liegen, das heißt, Sie müssen erst einmal nach- oder aufrüsten.“