IT-Rebellen Das Blog für IT- und Businessentscheider, die neue Wege gehen wollen.
Foto: SKF
Der Wälzlager-Konzern SKF liefert neben Lagern und Lagereinheiten auch Dichtungen, Schmiersysteme, Mechatronik-Bauteile und industrielle Dienstleistungen. Zu diesen Services gehört auch die sensorbasierte Zustandsüberwachung von Kundeninstallationen, zum Beispiel im Antriebsstrang von Windkraftanlagen. Eine Dienstleistung, die mit der Nutzung des Internet of Things (IoT) sowie dem Einsatz moderner, intelligenter Analyse-Software neue Perspektiven im Hinblick auf Wartung, Total Cost of Ownership und Lebensdauer der SKF-Produkte eröffnet.
Am Anfang stand der Sensor: Im Laufe der Jahre hat SKF eine immer ausgereiftere, intelligentere, leistungsfähigere und energieeffizientere Lager-Sensorik entwickelt. Dadurch veränderte sich auch das Dienstleistungsspektrum des Unternehmens: dem vergleichsweise einfachen „Condition Monitoring“ Ende der 80er Jahre folgten Ende der 90er Jahre smartere Diagnosemethoden. Eine echte Revolution in Sachen „Lager-Zustandsmanagement“ präsentierte SKF schließlich auf der Hannover Messe 2013: Mit „Insight“ stellte das Unternehmen ein Lager vor, das über eingebaute Miniatur-Sensoren verfügt. Es kann sich aus der Anwendung heraus selbst mit Strom versorgen, eigenständig ein Funk-Gateway aufbauen („Embedded Wireless“-Technologie) und Daten so lange weiterleiten, bis z.B. ein W-LAN-Netz erreicht wird, von wo aus die Daten dann zur Speicherung und Weiterverarbeitung an dedizierte Cloud-Applikationen geschickt werden können.
Sensoren bilden eine Basis für das IoT
Diese in die Wälzlager integrierten, smarten Sensoren sind prädestiniert für die Integration in das Internet of Things (IoT), das für die zukünftige Instandhaltung und den Betrieb von technischen Produkten und Anlagen eine zunehmend unverzichtbare Rolle spielen wird. Denn Sensoren liefern eine Vielzahl von Daten zu den hierfür relevanten Parametern: Bei den hochinnovativen Lagern sind das etwa Drehzahlen, Temperaturen, Schmierbedingungen, Schwingungen oder auch die Akustik. Durch die permanente Überwachung solcher Faktoren lassen sich ungünstige Betriebsbedingungen extrem frühzeitig identifizieren – noch bevor sich aus ihnen überhaupt ein ernsthafter Schaden entwickeln kann.
In Windkraftanlagen wie diesen werden hochwertige Wälzlager benötigt. Mit Sensoren und Analysesoftware lassen sich Wartungszyklen und Lebensdauer dieser Lager deutlich verlängern.
Um jedoch zu brauchbaren Ergebnissen zu gelangen, müssen die Daten zeitnah, umfassend und mit der notwendigen Expertise analysiert werden. Erst dann liefern sie ein perfektes Bild vom Zustand und Abnutzungsgrad eines Lagers und sind in der Lage, zentrale Fragen zu den Ursachen von Verschleißerscheinungen und Ausfällen beantworten zu können. Zudem schaffen erst sie die notwendige Voraussetzung für eine vorausschauende Wartung und Instandsetzung sowie Leistungsverbesserung der Anlagen, die von den SKF Kunden betrieben werden. Aber wie und auf welchem Wege können diese ständig wachsenden Datenberge effizient und wirtschaftlich ausgewertet werden? Die bisherigen Lösungen stießen hier an ihre Grenzen.
Viele Daten, mangelnde Integration
Den Teams von SKF können auf immer mehr Daten zugreifen. Bedingt durch die ständige Weiterentwicklung der Sensoren, sowie den Einsatz neuer, auch mobiler, Technologien, stehen immer mehr Daten aus den unterschiedlichsten Quellen zur Verfügung. Dazu gehören Informationen zum aktuellen Zustand ihrer Produkte, die bei den Kunden im Einsatz sind, zur Produkt- und Wartungshistorie, zu ihren Standorten und vieles mehr. Diese strukturierten, teilweise aber auch unstrukturierten Daten wurden bisher – und genau das war ein zentrales Problem für eine umfassende Auswertung – an unterschiedlichen Orten in verschiedenen Datenbanken gesammelt und konnten nur partiell ausgewertet werden. Es fehlte der Gesamtüberblick.
IOT-Cloud-Plattform ersetzt Datensilos
Ein klassischer Silo-Ansatz also, zu dem es über viele Jahre auch keine wirtschaftlich adäquate Alternative gab. Denn es fehlten schlicht die passenden IT-Infrastrukturen und Analyse-Werkzeuge, um diese Daten an einem Ort zu integrieren sowie die unterschiedlichen strukturierten und unstrukturierten Daten so auszuwerten, dass sie als Grundlage für ein umfassendes Life-Cycle-Management herangezogen werden konnten.
Genau hier setzt nun der gemeinsam mit IBM entwickelte Ansatz an: Die neue Cloud-basierte IT-Infrastruktur bricht die bisherigen Silos auf, indem sie sämtliche Daten in Cloud-Servern zusammenfasst und an einer Stelle integriert. In einem weiteren Schritt wird eine ebenfalls Cloud-basierte IBM Analyse-Software eingesetzt, um diese Daten auszuwerten. Die Auswertungen dieser Daten dienen dann wiederum als Grundlage für die Diagnose und (vorausschauende) Wartung etwa der Wälzlager. Damit stehen jedem Beteiligten nicht nur die exakt gleichen Informationen zur Verfügung, sondern es wächst auch das Verständnis über das Profil eines klassischen Wälzlager-Lebenszyklus.
Noch zu viele manuell erstellte Auswertungen
Doch die Implementierung der neuen Cloud-IoT-Plattform und die gemeinsame Sicht auf das Produkt und seinen Lebenszyklus sind nur der erste Schritt. Denn noch müssen viele Bewertungen und Handlungsanweisungen, die sich aus den Analysen ergeben, in den Remote Diagnostic Centern von SKF weitgehend manuell erstellt werden. Die Software ist noch nicht entsprechend „geeicht“, um diese Aufgabe zu übernehmen. Gegenwärtig sind das noch etwa 80 Prozent der Daten, die einzeln betrachtet und bewertet werden – Daten, die aus inzwischen mehr als 700.000 überwachten Maschinenkomponenten weltweit stammen. Das ist teuer, kostet Zeit und hindert manch hochqualifizierten SKF Spezialisten daran, in seiner wertvollen Arbeitszeit technisch wirklich anspruchsvolle Analysen durchführen zu können.
Das Ziel von SKF ist es daher, diese Relation langfristig umzudrehen, damit nur noch 20 Prozent der Daten manuell bewertet werden müssen. Das Stichwort hierfür lautet Automatisierung. Zudem sollen die Analysen schneller, auch in Echtzeit, erfolgen und zusätzliche Daten, beispielsweise zum Wetter, sowie weitere Kunden- und Produktdaten in die Analysen einfließen.
Längere Lebenszyklen durch automatisiertes Health-Management
Generell leisten bereits heute die Analysen der Remote Diagnostic Center von SKF ihren Kunden gute Dienste: Sie dokumentieren den aktuellen Zustand und zeigen den Verschleiß der Lager an, so dass sie rechtzeitig gewartet beziehungsweise ausgetauscht werden können. Stillstandzeiten werden damit auf ein Minimum reduziert und böse Überraschungen weitgehend vermieden.
Doch die Reise geht weiter. Das smarte, intelligente Condition Monitoring wird mit Hilfe des Einsatzes „geeichter“ Analyse-Software in Zukunft noch wesentlich mehr können: Es wird zu jeder Phase des Lebenszyklus nicht nur Auskunft über den aktuellen Zustand des Lagers geben, sondern auch darüber informieren, welche Aktionen zu einem bestimmten Zeitpunkt notwendig werden, um die Lebensdauer eines individuellen Lagers tatsächlich zu verlängern. Denn dies hängt von vielen Parametern ab. Schließlich ist keine Anlage wie die andere: Während bei Windkraft-Anlagen beispielsweise das Wetter eine entscheidende Rolle spielt, ist eine Papiermaschine ganz anderen Einflüssen ausgesetzt.
SKF wird, so die Planung, die IBM Analyse-Software individuell „trainieren“, so dass sie in der Lage ist, Richtwerte automatisch richtig zu interpretieren und – daraus abgeleitet – die notwendigen Handlungsempfehlungen zu geben. Das Stichwort lautet „automatisiertes Health-Management“. Dabei signalisiert die Software beispielsweise direkt, wenn das Lager nachgeschmiert oder seine Geschwindigkeit reduziert werden muss beziehungsweise andere „lebensverlängernde“ Maßnahmen zu ergreifen sind. Ziel ist es, nicht nur die Wartung weiter zu optimieren, sondern schneller auf Ereignisse zu reagieren und damit die Lebensdauer eines Lagers insgesamt zu verlängern.
Damit können die Total-Costs-of-Ownership (TCO) noch weiter maßgeblich reduziert werden. Denn diese lebensverlängernden Eingriffe bedeuten für die Kunden von SKF eine deutliche Steigerung der Effizienz der eingesetzten Ressourcen – ohne zusätzliche Investitionen.
