Big Data als Schlüssel für die vorausschauende Wartung

Big Data als Schlüssel für die vorausschauende Wartung mittels Predictive Maintenance

Predictive Maintenance wird oft mit dem Blick in die Glaskugel verglichen, dabei basieren die Vorhersagen für drohende Ausfälle auf anspruchsvollen Analysen und festgelegten Algorithmen. Mit einer hochwertigen Datenbasis, den richtigen Messungsgrundlagen und Herangehensweisen können mit diesem Modell Ausfallzeiten vorhergesagt, Schäden verhindert, Gewährleistungs- und Wartungskosten gesenkt sowie die Kundenbindung gestärkt werden.
Predictive Maintenance ist und wird für Branchen, bei denen Maschinen zum Einsatz kommen, vor allem in Zukunft unumgänglich sein – insbesondere in der Automobilbranche findet dieser Ansatz bereits großen Anklang.

Der harte Kampf der Automobilbranche

Gerade die Automobilbranche hat immer wieder mit Rückschlägen und Imageverlusten zu kämpfen – Rückrufaktionen aufgrund fehlerhafter Fahrzeugteile und der Abgas-Skandal sind nur zwei Beispiele. Erst vor kurzem musste Toyota wieder Modelle zurückrufen, bei denen es zu Rissen in einem Aktivkohlefilter im Tank und Airbag-Problemen gekommen war. Insgesamt muss der japanische Autohersteller weltweit 3,4 Millionen Autos in die Werkstatt bitten. Toyota ist dabei kein Einzelfall – neben hohen Kosten für Wartung und Gewährleistung, leidet dadurch besonders die Beziehung zum Kunden.

Doch wie lässt sich eine solche Fehlerquelle ermitteln, verhindern oder gar vorhersehen? Die Antwort: mit Daten. Die voranschreitende Digitalisierung und neue Möglichkeiten, die durch das Internet of Things aufkommen, machen auch vor der Automobilbranche nicht Halt, Connected Cars sind auf dem Vormarsch. Nicht nur Kunden profitieren von der zunehmenden Vernetzung der Fahrzeuge, z. B. durch rechtzeitige Wartungsinformationen oder standortbasierte Empfehlungen, sondern auch Hersteller: Sie bekommen ein tieferes Verständnis für Technologien, können ihre Produktentwicklung vorantreiben, die Kosten für Garantie, Wartung und Gewährleistung senken und den Wert hinter den Daten besser nutzen.

In den (Echtzeit-)Fahrzeugdaten stecken wertvolle Informationen, die es zu sammeln und analysieren gilt, denn dadurch können Vorhersagen über Ausfälle getroffen und Fehler vorhergesehen werden. Kombiniert man diese Daten mit der Expertise der Komponentenentwickler, werden mittels Advanced Analytics neue Ansätze der Qualitätssicherung – und Predictive Maintenance – möglich.

Datenanalyse als Basis für Predictive Maintenance

Um mögliche Fehlerquellen identifizieren bzw. vorhersagen zu können, werden Muster definiert, um ein anfälliges Fahrzeug zuverlässig von einem „gesunden“ unterscheiden zu können. Unterscheidungs- beziehungsweise Hinweisquellen sind beispielsweise Informationen über die Länge der zurückgelegten Strecken, die Häufigkeit der Fahrzeugnutzung, die Durchschnittsgeschwindigkeit oder auch Witterungsverhältnisse.

Im nächsten Schritt werden die Daten für diese Parameter erhoben. Das erfolgt üblicherweise über ein Telematikmodul im Fahrzeug. Bei älteren Generationen ohne Telematik können die Informationen durch eine Fahrzeugauslesung in der Werkstatt gewonnen werden. Diese Daten kann der Hersteller sowohl bei intakten als auch defekten Fahrzeugmodellen ermitteln, um anschließend eine aussagekräftige Analyse durchführen zu können. Denn nur durch diese Gegenüberstellung läuft der Hersteller nicht Gefahr, ein generelles Problem der Baureihe, das sowohl bei kranken als auch bei gesunden Fahrzeugen auftritt, als eine Anomalie anzusehen. Die Diskrepanzen zwischen beiden Fahrzeugtypen (krank und gesund) werden in einem Predictive-Analytics-Modell genau betrachtet und identifiziert.

Lesen Sie den ganzen Artikel hier:
http://www.bigdata-insider.de/big-data-als-schluessel-fuer-die-vorausschauende-wartung-a-549659/

 

Sie wollen wissen, wie Predictive Maintenance in der Praxis aussieht?

Whitepaper
 

Tags

top