23. NOVEMBER 2017

zurück

kommentieren drucken  

"Ich spreche lieber von 'Right Data' als von 'Big Data'"


Interview

Digitalisierung - Wie man Informationen zur Kontrolle und Instandhaltung von Maschinen richtig strukturiert, schildert Harald Stricker, Bereichsleiter Business Critical Applications bei MSG Industry Advisors.
Mehrseitiger Artikel:
1 2  

Herr Stricker, viele Fertigungsunternehmen kämpfen schon mit der Informationsfülle aus dem Tagesgeschäft – wie soll da noch der datengestützte Blick in die Zukunft gelingen?

Die Kunst liegt darin, aus dem vergangenheitsorientierten Wahrnehmungsmuster auszubrechen, das die Ergebniskontrolle via IT in den letzten Jahrzehnten geprägt hat: eine Maschine produziert X Werkstücke im Zeitraum Y und muss vielleicht einmal im Monat gewartet werden, weil der Hersteller es empfiehlt. Dieses reaktive Handlungsschema ist überhaupt nicht mehr zeitgemäß. Heute können Sie mit Sensoren zum Stückpreis von wenigen Euro auch 20 Jahre alte Maschinen so nachrüsten, dass diese Ihnen Basisdaten über ihren Zustand rund um die Uhr aufs Smartphone senden. Aus den von den Sensoren gesammelten Daten müssen nun diejenigen extrahiert und korreliert werden, die für Maschinenausfälle oder nur erhöhte Abnutzung Frühindikatoren sind. Daher spreche ich auch lieber von ›Right Data‹ als von ›Big Data‹. Die vielbeschworene Transparenz von Geschäftsprozessen entsteht nun einmal nicht durch die Menge der verfügbaren Informationen, sondern durch das ganz spezifische Herausfiltern der richtigen Daten zum richtigen Zeitpunkt für das richtige Einsatzziel, beziehungsweise den richtigen Informationsempfänger. Die meisten erzeugten Daten können im Anschluss an diese Filterung nach kurzer Zeit gelöscht werden, da sie keinen Beitrag zur Sache liefern.

Was ist speziell bei Predictive Maintenance zu beachten?

Die Informationen, die bei Predictive Maintenance anfallen, lassen sich generell in einem Kreislauf von vier Etappen strukturieren: der Erfassung von Daten, ihrer erst dezentralen Pufferung, Übertragung und dann zentralen Speicherung, ihrer Analyse und Auswertung sowie der Planung der Wartungsschritte. Bei der Analyse kommt es zum Beispiel darauf an, die von der Maschine gemessenen Daten im Zusammenhang mit ihrer Konstruktion und Funktionsweise zu betrachten, um an die relevanten Datenmuster zur Früherkennung von bevorstehenden Störungen oder gar Ausfällen zu gelangen. Es empfiehlt sich, hier das eigene Engineering einzubinden. Ganz wichtig dabei: besser immer mit einem kleinen Use Case anfangen, als bereits im ersten – vor allem für das Lernen wichtigen – Schritt die Maschine als Ganzes optimieren zu wollen.


Mehrseitiger Artikel:
1 2  
Ausgabe:
IQ 01/2017
Unternehmen:
Bilder:

kommentieren drucken  


ANZEIGE

 


i-Quadrat 2/2017

  Jetzt Newsletter
abonnieren!


Aktuelle Ausgaben