Big Data als Schlüssel für die vorausschauende Wartung

Big Data als Schlüssel für die vorausschauende Wartung mittels Predictive Maintenance

Dem Thema vorausschauende Wartung wird auch in der Automobilbranche zunehmend die nötige Aufmerksamkeit gewidmet – immerhin kann diese den Unternehmen helfen, teure Rückrufaktionen zu vermeiden und somit die Kundenbeziehung nicht zu belasten. Dieser Artikel gibt einen Überblick über den Einsatz von Predictive Maintenance in der Automobilindustrie und erklärt, wie Datenanalysen die Grundlage für vorausschauende Wartung bilden. 

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, Gewährleistungskosten der Wartung gesenkt sowie die Kundenbindung gestärkt werden.

Vorausschauende Wartung ist vor allem für die Automobil- und Logistikbranche von großem Vorteil.

Die vorausschauende Wartung ist und wird für Branchen, bei denen Maschinen zum Einsatz kommen, vor allem in Zukunft unumgänglich sein – insbesondere in der Automobil- und der Logistik-Branche findet dieser Ansatz bereits großen Anklang. Aber auch im Maschinenbau oder im Bereich der vernetzten Produktion macht der Einsatz von Predictive Maintenance Sinn.

#PredictiveMaintenance kann überall, wo Maschinen und Fahrzeuge im Einsatz sind, für weniger Ausfallzeiten, weniger Schäden und mehr Planungssicherheit sorgen. Klick um zu Tweeten

Der harte Kampf der Automobilbranche: Hohe Kosten für Wartung, Gewährleistung und Rückrufaktionen.

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 zu Airbag-Problemen gekommen war. Dennoch wird bei der Diskussion über die Ursachen und Lösungen selten die Wartung als Ansatz diskutiert.

Insgesamt musste der japanische Autohersteller aufgrund von technischen Mängeln 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.

Anhand von Daten lassen sich diese Kosten vermeiden.

Doch wie lässt sich eine solche Fehlerquelle ermitteln, verhindern oder gar vorhersehen? Die Antwort: mit Daten. Genauer gesagt, mit Big Data. Die voranschreitende Digitalisierung und neue Möglichkeiten, die auch durch das Internet of Things aufkommen, machen auch vor der Automobilbranche nicht Halt. Ein Beispiel für die voranschreitende Digitalisierung in der Automotive Branche sind Connected Cars. Die großen Datenmengen, die beispielsweise von vernetzten Autos produziert werden, verursachen zunächst auch Kosten und müssen gerade darum in sinnvollen Use-Cases gewinnbringend genutzt werden.

Linktipp: In unsere Blog-Artikel über die Automobilindustrie, befassen wir uns mit dem Impact von Artificial Intelligence in der Branche.

Kunden und Fahrzeughersteller profitieren gleichermaßen vor vorausschauender Wartung.

Nicht nur Kunden profitieren von der zunehmenden Vernetzung der Fahrzeuge– beispielsweise durch rechtzeitige Wartungsinformationen oder standortbasierte Empfehlungen – auch die Hersteller selbst gewinnen letzten Endes: Sie bekommen ein tieferes Verständnis für Technologien, können ihre Produktentwicklung vorantreiben, senken die Kosten für Garantie, Wartung und Gewährleistung und lernen, Wert aus Big Data zu generieren.

Trotz einer Vielzahl an Vorteilen wird Predictive Maintenance noch nicht flächendeckend eingesetzt.

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 die vorausschauende Wartung – möglich.

Laut einer Studie werden trotz der zahlreichen Vorteile, die Predictive Maintenance bietet, erst in gut einem Viertel aller infrage kommenden Unternehmen Predictive-Maintenance-Lösungen eingesetzt. Hauptgrund für das Zögern vieler Unternehmen sind die erwarteten Kosten bei der Einführung und organisatorische Veränderungen, die im Zuge der Einführung von Datenprojekten nötig werden. (Data Governance)

Linktipp: Wir unterstützen und beraten Unternehmen bei der Konzeptionierung und Durchführung erster Data-Science-Projekte.

Datenanalysen bilden die 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. So wird die unnötige Wartung von nicht defekten Maschinen ausgeschlossen. Als Unterscheidungs- beziehungsweise Hinweisquellen dienen 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 Telematik-Modul 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. Das verdeutlicht, dass die vorausschauende Wartung weit mehr ist, als ein datenbasiertes Konzept des herkömmlichen Wartungsansatzes.

Diskrepanzen zwischen „gesunden“ und „kranken“ Fahrzeugen werden in Predictive-Analytics-Modellen festgestellt.

Die Diskrepanzen zwischen beiden Fahrzeugtypen (krank und gesund) werden in einem Predictive-Analytics-Modell genau betrachtet und identifiziert. Am Ende der Analyse können unterschiedliche Ergebnisse stehen, die entsprechend ausgewertet werden müssen.

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

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

Ich möchte das Whitepaper „Predicitve Maintenance“ herunterladen
 

Tags

top