Predictive Maintenance

Stromsignal als Datenbasis für Predictive Maintenance

Productivity Mining legt zugleich die Basis für die Erweiterung in Bezug auf Predictive Maintenance. Aus dem Stromsignal, das wir in niedrigen Hertz-Frequenzen von kleineren Aggregaten analysieren können, lässt sich mehr als nur der Verbrauch von Energie und der Status einer Maschine ableiten. Unsere Algorithmen ermöglichen es, den Gesundheitszustand der elektrisch angetriebenen Aggregate zu messen und zu bewerten. Unser Index Condition macht den mechanischen Kraftaufwand der frequenzgesteuerten Antriebe erkennbar und somit auch, wann sich hier Veränderungen im Sinne von Anomalien abzeichnen.

Derzeit arbeiten wir mit Partnern daran, diesen Vorgang völlig zu automatisieren. Hier kommt der Vorteil unserer Methode, unabhängig von Schnittstellen zu sein, sehr entgegen sowie, dass wir niemals in die Prozesstechnik der Maschine einzugreifen brauchen.

Naturgemäß ist Predictive Maintenance immer ein wenig wie ein Spaziergang mit Regenschirm bei Sonnenschein. Aber ein Fall, den wir aufgedeckt haben, hat uns besonders überrascht. Dabei handelte es sich um den Motor einer Elektrohängebahn im Automobilbau. Er wurde, als wir eine Anomalie erkannten, umgehend ausgebaut und an seinen Hersteller geschickt, der tatsächlich einen „anomalen Eisenabrieb am Kegelradgetriebe feststellte“.
Dass wir eine so feine Veränderung aus dem Stromsignal identifizieren können, hätten wir selbst nicht gedacht.