Suchergebnisse

Das genau ist die Frage und dann doch auch der Unterschied zwischen Condition Monitoring und Predictive Maintenance. Magische Begriffe, die über einen entspannten, reibungslosen Ablauf der Produktion entscheiden, über Lieferfähigkeit und Vertragstreue und auch darüber, was Produktion kosten kann. Grund genug, kurz zu erklären, was sich hinter diesen Begriffen verbirgt und – wenn Sie das noch nicht getan haben – warum es sich lohnt, darüber nachzudenken. Die Anlage läuft. Keine Fehlermeldungen, keine Ausfälle. Alles ist fein. Jetzt. In genau diesem Moment. Aber wie wird das morgen sein? Übermorgen? Nächste Woche? Nicht nur für das gute Gefühl wäre es wichtig zu wissen, wie es in der Maschine aussieht, wie der Zustand der Verschleißteile tatsächlich ist, oder? Eine solche Überwachung von Maschinen-Bestandteilen, die nicht sofort mit bloßem Auge (oder nur aufwändig) sichtbar sind, kann mittels eines Sensors erfolgen. Condition Monitoring macht genau das – ein erster Schritt in Richtung Sicherheit, denn, wie der Name schon sagt, wird ein Zustand überwacht: Ein Sensor wird angebracht und meldet, ob das Wälzlager okay ist, das Getriebe oder die Anlage. Probleme werden erkannt und eingeordnet. Ist der Zustand so kritisch, das gehandelt werden muss, kann unmittelbar reagiert werden. Der Schaden wird begrenzt und die Frage, warum es zu dieser Situation gekommen ist, lässt sich ebenfalls klären. Das Hier und Jetzt – nicht mehr und nicht weniger Condition Monitoring trifft also eine Aussage über den Moment – nur eben nicht über die Zukunft. Wie angenehm wäre es, nicht erst dann zu reagieren, wenn schon etwas gerissen, zersplittert oder schlicht verbraucht ist? Es wäre schon gut zu wissen, wie sich der Zustand der Teile, die in regelmäßigen Abständen ersetzt werden müssen, beispielsweise in der kommenden Woche darstellen wird. Oder in zwei Wochen. In einem Monat. Predictive Maintenance – für den Blick in die Zukunft. So würde man Zeit gewinnen, um zu agieren – im Voraus und nicht, wenn schon im schlimmsten Fall die Maschinen stehen. Der Anspruch, in die Zukunft schauen zu können, wird erst durch Predictive Maintenance erfüllt. Damit wird eben nicht nur der aktuelle Zustand der Anlagen bestimmt und eingeordnet. Dieses „Ich habe heute gemessen und alles ist in Ordnung“ allein reicht nicht. Predictive Maintenance macht zwar auch genau das, sieht aber gleichzeitig dank einer intensiv trainierten Künstlichen Intelligenz (KI) auch in die Zukunft und ergänzt: „Ich erwarte, dass auch die nächsten drei Monate alles in Ordnung ist, die nächsten sechs Monate ist ebenfalls noch alles bestens, aber die Restlebensdauer beträgt insgesamt nur noch sieben Monate. Also Achtung: Kümmere dich rechtzeitig um die Ersatzteile x,y,z.“ Was der eine kann und der andere noch besser Warum nicht Condition Monitoring und Predictive Maintenance kombinieren? Condition Monitoring analysiert im Hier und Jetzt, Predictive Maintenance leistet zusätzlich den Blick in die Zukunft. Wie lange wird etwas noch in Ordnung sein? Wie sieht es mit der Restlebensdauer aus? Predictive Maintenance beantwortet diese Fragen mühelos, verlässlich und kostensparend. Die Produktlebensdauer der Verschleißteile wird maximal ausgenutzt und sicher ausgelotet. Das versetzt Sie in die Lage, rechtzeitig reagieren zu können. Eine gute Idee. Autor: DI. Mag. Markus Loinig E-Mail: markus@senzoro.com

Drei Methoden zur Realisierung von Predictive Maintenance Je nach Ausgangssituation, ob bestimmte Maschinen-Bestandteile überwacht, „lebenszeitmindernde“ Zustände erkannt, oder in der Anlage verbaute Sensoren genutzt und ihre Daten analysiert werden sollen, gibt es unterschiedliche Lösungen, die zum Ziel führen. Es gibt drei Grundarten von Predictive Maintenance: regelmäßige Messungen von akustischen Emissionen, permanente Installation von akustischen Sensoren und Auswertung von Maschinenparametern. Die Analyse erfolgt jeweils mittels Künstlicher Intelligenz (KI), wodurch die Auswertung automatisiert wird und die entsprechenden Erkenntnisse (z. B. Instandhaltungsbedarfe) abgeleitet werden. Methode 1 – Regelmäßige Messungen von akustischen Emissionen (Ultraschall): Ergebnisse bereits nach der 1. Messung Ausgangssituation: Viele Unternehmen möchten hohe Investitionskosten vermeiden, rasch Ergebnisse erzielen und sich kein zusätzliches Personal leisten, das stundenlang Sensordaten analysiert. Wie kann Senzoro helfen? Senzoro hat ein intelligentes mobiles Messsystem namens BeepMeep® entwickelt. Es besteht aus einem Industrie Tablet und akustischen Sensoren (Ultraschall), die magnetisch an Gehäusen haften. Eine Messung dauert ca. 30 Sekunden, danach wird die Restlebensdauer angezeigt. Der Vorhersagezeitraum beträgt dabei 3 Monate. In einer Schicht können 120 bis 160 Messungen gemacht werden. Basis für die mächtige Senzoro-KI sind 24 380 Messungen, die 3 Jahre lang regelmäßig an hunderten von Anlagen gesammelt wurden. Methode 2 – Permanente Installation von akustischen Sensoren (Ultraschallbereich): Hohe Ausfallsicherheit da alles offline läuft Ausgangssituation: Regulatorische Anforderungen, Sicherheitsbereiche ohne Menschen, Digitalisierung-sstrategie, Reduktion von externen Dienstleistern im Werk… es gibt viele Gründe zur Installation von permanenten Sensoren. Wie kann Senzoro helfen? Unser System mit permanenten Sensoren „Spyder“ basiert auf der selben KI-Technologie wie unser mobiles Messsystem BeepMeep®. Durch die permanenten Sensoren können allerdings breitere Use Cases abgebildet werden. Das System verfügt über eine hohe Ausfallsicherheit und 100% Datenhoheit, da die KI ohne Internet und Cloud arbeiten kann. Weitere Eigenschaften sind ein reibungsloser Workflow durch Integration in vorhandene Systeme und der Aufbau von Knowhow, da alle Rohdaten gespeichert werden (können). Methode 3 – Auswertung von Maschinenparametern: Zusätzlich Predictive Quality abdecken Ausgangssituation: Anlagen der neuen Generation haben bereits viele Sensoren verbaut, es liegt nahe, diese Sensoren zur Optimierung der Anlage zu nutzen. Oftmals werden diese Rohdaten ohne Aufbereitung visualisiert, was bei der hohen Datenmenge zur Überforderung und Fehlalarmen führt. Künstliche Intelligenz automatisiert die Analyse und leitet die entsprechenden Erkenntnisse ab. Wie kann Senzoro helfen? Die Basis für unsere Produkte BeepMeep® und „Spyder“ ist ein spezieller „Onion-Layer“ in der Auswertung, welcher die notwendige Information aus den Sensorsignalen extrahiert. Dieser „Onion-Layer“ ist die Basis für das Training einer speziellen KI für Maschinenparameter. Neben Predictive Maintenance durch die vorhandenen, vielfach vortrainierten KI‘s, wird somit auch Predictive Quality möglich. Weitere Vorteile sind der Wegfall von Investitionskosten, da die eingebauten Sensoren benutzt werden, und dass die Methode zu 100% auf Ihre Anwendungsgebiete zugeschnitten ist. Klicken Sie sich durch die Bilder um noch mehr über die einzelnen Methoden zu erfahren: Autor: Dipl. Ing. Mag. Markus Loinig, Senzoro GmbH Email: markus@senzoro.com

Der GEWINN Jungunternehmer-Wettbewerb wird jährlich seit 1990 vom Wirtschaftsmagazin GEWINN und der UniCredit Bank Austria veranstaltet. Eine Jury, bestehend aus Experten aus verschiedenen Wirtschaftsbereichen, kürt die 100 besten Jungunternehmer. Trotz der erschwerten Rahmenbedingungen fand der Wettbewerb 2020 statt und es gab fast 1000 Erstregistrierungen, von denen ungefähr 300 bewertet und schließlich die besten 100 prämiert wurden. Platz 6 des GEWINN Jungunternehmer-Wettbewerbs 2020 wurde an Senzoro vergeben. Top 100 – die GEWINN Jungunternehmer 2020 in tabellarischer Form

Markus Loinig erklärt beim International Machinery Forum 2021 - The Factory of Tomorrow, wie das intelligente Ultraschallprodukt BeepMeep® seinen Kunden hilft, schnelle Ergebnisse bei der vorausschauenden Wartung zu erzielen

So ein Award ist immer eine spannende Angelegenheit, aber wie kommt man eigentlich dazu? Angefangen hat alles mit einer E-Mail, wo wir eingeladen wurden uns zu bewerben. Für die Bewerbungen dieser Art schickt man aber keinen klassischen Lebenslauf durch, sondern muss viele Fragen beantworten. Wobei, naja. Eigentlich ist es schon ein Lebenslauf, nämlich der Lebenslauf von Senzoro, den man hier einreicht. Seit wann gibt es Senzoro? Was macht Senzoro? Warum habt Ihr den Job, Verzeihung Award, verdient? Also eigentlich alles Fragen, die man auch im klassischen Bewerbungsgespräch irgendwie gestellt bekommt. Auf Basis dieser Fragen erfolgte eine Vorauswahl der Unternehmen, die dann Ende September zu einem Pitch geladen wurden. Beim Pitch waren es dann schon nur mehr 6, von ursprünglich 40. Und ja, der “Corona-Effekt” hat die Pläne von uns und KPMG noch mal kräftig durcheinander gewirbelt. Ein Pitch von uns war wegen einer Quarantäne von Markus Loinig nicht möglich, aber keiner kann den Lebenslauf von Senzoro besser erzählen als Markus, also musste kurzfristig auf Online-Pitch umgestellt werden. Aber Unternehmensberater helfen ja normal bei den richtig großen Problemen dieser Welt, da war die kurzfristige Umstellung von Offline zu Online kein Problem. Wir bedanken uns für die Flexibilität ;) Die große Frage beim Pitch ist eigentlich immer “drei” oder “fünf”? Das ist nämlich das typische Zeitfenster, in dem man als “Start Up” seine Highlights erzählen muss. Sie ahnen es schon, das ist irgendwie nicht allzuviel Zeit, gerade wenn es um KI geht. KPMG hat sich für die knackigen 3 Minuten entschieden, also bereiten wir uns darauf vor. Aber: Wie bereitet man sich auf einen Pitch eigentlich vor? Kurze Antwort: üben, üben, üben und der Rest: Betriebsgeheimnis ;) Das spannende bei der Bewertung der Pitches hier: Nicht KPMG hat die Pitches bewertet, sondern 20 Personen aus dem Top-Management der österreichischen Wirtschaft. Man kennt Sie alle, wir haben die Liste, dürfen wir aber nicht verraten. Sie wissen ja, DSVGO und so ;) Das Highlight an diesem Pitch? Am Ende wussten wir direkt, wer gewonnen hat. Eine Online-Abstimmung der Jury hats möglich gemacht. Gleichzeitig mussten wir aber schwören/unterschreiben, dass wir das bis zur offiziellen Verleihung nicht verraten. Fair enough, dann bleibt nämlich die Spannung erhalten. Aber was bewegte eigentlich die Jury dazu, Senzoro unter die Top 3 zu wählen? Die Gründe kennen wir natürlich nicht, aber was im Vergleich zu anderen auffällt: Die Kombination von KI mit Ultraschall fasziniert die Leute und es ist eine sehr greifbare Anwendung von Künstlicher Intelligenz. Oftmals muss für die KI der Nutzen im eigenen Unternehmen erst gefunden werden, bei uns ist der Nutzen sofort glasklar. Sie wollen wissen wie es einem Wälzlager geht? Senzoro anrufen. Sie wollen die Kosten in der Instandhaltung senken? Senzoro anrufen. Sie wollen einfach mal KI erleben? Melden Sie sich gerne. Für die offizielle Preisverleihung? Da durften wir in einer tollen Location “Tech Gate Vienna” noch mal pitchen. Diesmal war man mit 5 Minuten großzügiger und es gab sogar Zeit für Fragen aus dem Publikum. Die Veranstaltung wurde live übertragen, in Summe haben ca. 200 Personen zugehört. Das bisher größte Publikum für Senzoro, nur der Auftritt auf der Hannover Messe, natürlich 2019, war noch ein wenig “pompöser”. Vielleicht noch abschließend die Frage: Was bringt uns das eigentlich? KPMG hat das Ziel, vielversprechenden KI-Unternehmen eine Plattform zu bieten um bekannter zu werden und das ist definitiv gelungen. Im Nachgang ruft dann einfach das eine oder andere Mitglied der Jury an. Manchmal kommt man ins Geschäft und hat einen Kunden mehr. Haben wir wirklich Party gemacht? Klar, ein wenig Party hat das Senzoro - Team schon gemacht, aber am Ende des Tages sitzen wir dann doch wieder am liebsten vor den Ergebnissen der letzten Modellrechnung und sind alle gespannt, was die KI denn nun wieder alles dazu gelernt hat. Lager in Ordnung, aber schlechte Schmierung? Aha, kann Sie nun plötzlich erkennen, sehr gut. Wir geben der KI wieder einen neuen (Spitz-) Namen: SCHOKI - kommt von SCHmierung und OK. https://wien.wirtschaftszeit.at/unternehmen-detail/article/kpmg-ki-award-2020-fuer-start-up-cogvisai https://home.kpmg/at/de/home/media/press-releases/2020/10/kpmg-ki-award-2020-fuer-cogvisai.html

Im MFA Webinar zum Thema KI-basiertes Ultraschallmesssystem im Einsatz hat MFA-Mitglied Markus Loinig (Senzoro GmbH) gemeinsam mit Anwender Stefan Altenberger (VM Holz) aufgezeigt, wie man die Restlebensdauer von Wälzlagern zuverlässig vorhersagen und rasche Ergebnisse erzielen kann. Eingegangen wurde auf viele entscheidende Fragen. Angefangen dabei, was sich Kunden eigentlich von Predictive Maintenance erwarten, wann mittels Predictive Maintenance kosten gespart werden können und die ‚Big 5‘ Predictive Maintenance Technologien. Der Use Case mit VM Holz beschreibt, wie der Vorgang abläuft und welche Potenziale das Ultraschallmesssystem in Ihren Unternehmen freisetzen kann. Sehen Sie selbst! Die Sprecher: Markus Loinig Geschäftsführer, Senzoro GmbH Markus Loinig hat seine Karriere bei der Daimler AG als Berater im Bereich Lean Management begonnen, bevor er sechs Jahre für die Unternehmensberatung Booz&Company tätig war. Mit der Gründung von Senzoro im Bereich Predictive Maintenance, hat er mit seinem Team die Ultraschalltechnologie mit Künstlicher Intelligenz kombiniert. Ebenfalls unterrichtet Herr Loinig an der Fachhochschule Kapfenberg das Fach „Produktionsmanagement“ und beherrscht die Programmiersprache Python und programmiert zentrale Aspekte der künstlichen Intelligenz selbst. Stefan Altenberger Leiter Instandhaltung, VM Holz Beruflich ist Herr Altenberger hat als gelernter Betriebsschlosser in der industriellen Instandhaltung groß geworden. Über die Jahre hat er verschiedene Stationen in den Bereichen Technik, Instandhaltung und Produktion in unterschiedlichen Industrien als Instandhaltungs-, Abteilungs- bzw. Produktionsleiter durchlaufen. An der Donau Uni Krems hat er das Studium „Management und IT“ erfolgreich abgeschlossen und ist seit 2019 der technische Standortleiter bei VM Holz in Vöcklamarkt. Zudem ist Herr Altenberger der Autor des Buches „Life Cycle Costing und Total Cost of Ownership in der industriellen Instandhaltung“. https://www.mfa-netzwerk.at/webinare/mfa-webinar-kuenstliche-intelligenz-ultraschallmesssystem/

Predictive Maintenance mit KI und Ultraschall Predictive Maintenance kann aufwändig und teuer werden. Schließt das die KMU aus? Ein Wiener Unternehmen macht die vorausschauende Instandhaltung auch für kleinere Firmen zugänglich. Und setzt dabei auf die Kombination von KI und Ultraschall. Wenn Markus Loinig potenzielle Neukunden besucht, trifft er häufig auf Skepsis. Immerhin hat er neben einem Tablet und ein paar Ultraschallsensoren auch das Versprechen im Gepäck, innerhalb weniger Minuten Auskunft über den Zustand einer Maschine oder Anlage zu geben, die er noch nie gesehen hat. „Dass man das ohne spezifische Daten in kurzer Zeit lösen kann, glaubt zunächst niemand“, erzählt Loinig, „und das liegt wohl auch daran, dass es im Bereich der Predictive Maintenance schon zu viele leere Versprechen gegeben hat.“ Der studierte Maschinenbauer mit Vergangenheit bei Daimler und als Unternehmensberater hat 2019 Senzoro gegründet. Das Unternehmen rückt Maschinen- und Anlagenausfällen mit einer Kombination von Ultraschall-Sensorik und Künstlicher Intelligenz auf den Leib. User können eigene KI-Modelle erstellen Und das geht – vor allem bei Wälzlagern – ziemlich schnell. Mittels Magneten werden leistungsfähige Breitband-Ultraschallsensoren an die zu untersuchende Maschine geheftet, die den spezifischen Körperschall der Maschinenkomponente aufnehmen. Die Werte werden binnen weniger Sekunden ermittelt und auf das Tablet übertragen, dessen KI die nötigen Features extrahiert und die Ergebnisse in Form einer Gesundheitskennzahl von 0 bis 100 anzeigt. Dann geht es direkt zur nächsten Anlage, fixe Sensoren werden nicht installiert. Möglich wird das auf der Basis großer Erfahrung: Die KI arbeitet mit den Informationen aus mehr als 20.000 Messungen an hunderten Wälzlagern. „Wir haben hier mittlerweile eine Erkenntnistiefe erreicht, die uns nach der Messung genau sagen lässt, ob das Wälzlager noch drei Monate hält oder nicht“, sagt Markus Loinig. Vor allem aber kann das „BeepMeep®“-System anhand der Frequenzen, die das Wälzlager emittiert, sowohl den Fortschritt einer Beschädigung als auch ihren Ort bestimmen. So „klingen“ beispielsweise Schäden im Außenring anders als solche im Innenring. Und das Lernen kann durchaus weitergehen. BeepMeep® ist so konzipiert, dass Anwender ihre spezifischen Daten aufzeichnen und auf deren Basis selbst KI-Modelle erstellen können. Der Clou dabei: BeepMeep® selektiert automatisch das beste Modell und zeigt sowohl dessen Genauigkeit als auch die Gewichtungen der zugrundeliegenden Merkmale. „Unsere KI kann auch standalone arbeiten“, sagt Loinig, „aber die Verheiratung mit spezifischen Daten macht die Ergebnisse natürlich noch genauer.“ Das Wissen darum, ob sich ein Element der Versagenssignatur nähert oder sich davon entfernt, ermöglicht zudem KI-basiertes Smart Trending: Mittels BeepMeep® können Benutzer so auch Verläufe verfolgen. Vieles spricht für Ultraschall Für die Messungen setzt Senzoro die aktuell leistungsfähigsten Ultraschallsensoren auf dem Markt ein. Sie erlauben das Erfassen von Frequenzen bis zu 700 kHz, und dieser Körperschall liegt in einem Frequenzbereich, der für Menschen weder hör- noch spürbar ist. Ultraschall ist in Markus Loinigs Augen ein Mittel der Wahl bei Predictive Maintenance, das an Bedeutung gewinnen werde. Einerseits, da die Technologie nichtinvasiv funktioniert: Mittels Ultraschalls lassen sich Maschinen und Anlagen, Motoren, Pumpen und andere Technologie im laufenden Betrieb und ohne die Installation permanenter Sensoren messen. Andererseits ist die Kombination von Ultraschall und KI Loinig zufolge zukunftssicher: Messungen werden von benachbarten Quellen kaum beeinflusst, liefern daher sehr reine Daten. Dadurch können Daten aus unterschiedlichen Quellen zusammengefügt werden, um auf dieser Basis trainierte KI-Modelle werksübergreifend anzuwenden. Ultraschall hat außerdem eine hohe Informationsdichte, und die Messzeit an einer Anlage beträgt nur wenige Sekunden. Stationäre Anwendungen sollen folgen Die größte Erfahrung hat Senzoro in der Messung von Wälzlagern. Irrtümer seien hier bislang nur in einer Richtung aufgetreten, sagt Markus Loinig: Es kam schon vor, dass die Komponenten länger durchhielten als prognostiziert, „aber es ist noch nie vorgekommen, dass etwas früher ausgefallen ist“. Ein weiteres Anwendungsgebiet sind Getriebe. Deren höhere Komplexität erfordert derzeit noch drei Messungen, „doch wir arbeiten daran, auch hier mit nur einer Messung auszukommen“. Auch die Daten von anderen mechanischen Komponenten wie Motoren, CNC-Spindeln, Pumpen oder Generatoren kann BeepMeep® erfassen. Stationäre Anwendungen sind bei Senzoro derzeit noch in der Phase der Erforschung, aber auch hier sieht Markus Loinig spannende Use Cases kommen. Ebenso bei der Detektion von Energieverlusten etwa durch Druckluft- oder Gasleckagen – hier sei der finanzielle Leidensdruck in der Industrie noch nicht allzu groß, könnte aber mit dem Greifen des Green Deal deutlich steigen, meint der Senzoro-Gründer. „Das muss deutlich einfacher werden“ Dass BeepMeep® ohne Internetverbindung und somit ohne Uploads in die Cloud auskommt, verweist auf die von Senzoro adressierte Zielgruppe. Wer Predictive Maintenance im Sinne von Industrie 4.0 versteht – also laufend gewonnene Daten in Echtzeit anderen Anwendungen zur Verfügung stellen will –, wird damit nicht bedient. Die Ungeduld gegenüber den großen Plänen, die es allzuoft nicht in die Praxis schaffen, treibt wohl auch Markus Loinig an. „Predictive Maintenance muss deutlich einfacher werden, sonst wird das nichts mehr“, sagt der Firmengründer. „Daher halten wir uns auch von den großen Konzernen mit ihren langen Entscheidungswegen fern. Bei KMU habe ich sofort die Entscheidungsträger am Tisch und kann ihnen unmittelbar zeigen, was unsere Leistung ist.“ Was meist nur wenige Minuten dauert. https://factorynet.at/a/predictive-maintenance-mit-ki-und-ultraschall

Senzoro hat das intelligenteste vorausschauende Wartungssystem auf dem Markt entwickelt. Das Video zeigt, wie einfach es sein kann, die Restlebensdauer mit künstlicher Intelligenz abzuschätzen. Weitere Informationen zu BeepMeep® finden Sie hier.

München, 11. März 2021 Die Digitalisierung der industriellen Produktion schreitet weiter voran. Eine aktuelle Entwicklung ist Predictive Maintenance, was soviel heißt wie vorausschauende Instandhaltung und bedarfsgerechte Wartung. Diese basiert auf der Verarbeitung von Prozess- und Maschinendaten in Echtzeit und ermöglicht dadurch dem unerwarteten Ausfall von Anlagen zuvorzukommen. Bei „acatech am Dienstag“ am 9. März gaben die Referenten einen Überblick über den Nutzen der Predictive Maintenance und den Status quo in deutschen Unternehmen. Die Experten waren sich einig, dass Predictive Maintenance noch viel zu häufig Zukunftsmusik ist. Die Veranstaltung fand in Kooperation mit dem VDI Bezirksverein München, Ober- und Niederbayern e.V. statt. Zu Beginn der Veranstaltung führte acatech Präsident Dieter Spath Podium und Gäste kurz ins Thema ein: Predictive Maintenance – das bedeute etwas vorsorglich zu betrachten und gleichzeitig zu prüfen, wie die Produktion läuft. Wann steht die nächste Wartung an, wann würde sie den Produktionsablauf am wenigsten beeinträchtigen? Dies alles basiere auf der Verarbeitung von Prozess- und Maschinendaten in Echtzeit, um einem unvermuteten Ausfall vorgreifen zu können und damit Ersatzteile und Personal für Instandhaltungsarbeiten besser planen und somit Kosten einsparen zu können, sagte Dieter Spath. Anschließend stellte der Vorsitzende des VDI Bezirksvereins München, Ober- und Niederbayern e.V., Andreas Wüllner, den Verein Deutscher Ingenieure (VDI) vor, den größten technisch-wissenschaftlichen Verein Deutschlands, und gab dann das Wort an seine Vorstandskollegin Christa Holzenkamp weiter, die die Veranstaltung moderierte und durch den Abend führte. Den Status quo der Predictive Maintenance schilderte anschließend acatech Mitglied Michael Henke, Institutsleiter des Fraunhofer-Instituts für Materialfluss und Logistik in Dortmund. Zu Beginn wies Michael Henke auf aktuelle Problemfelder hin, die Predictive Maintenance erschweren: Produktion und Instandhaltung planen getrennt, die Produktion ist relativ unflexibel, das Know-how ist stark personengebunden, das Ersatzteilwesen ist nicht strukturiert und es gibt eine überwiegend reaktive Instandhaltung, die vor allem als Kostenverursacher gesehen wird. Predictive Maintenance soll in Zukunft zu einer gemeinsamen Planung, einer verfügbarkeitsorientierten Instandhaltung, einem flexibleren Agieren und Reagieren auf Veränderungen, einem besseren Wissens- und Ersatzteilmanagement führen. Damit soll der Beitrag der Instandhaltung zum Unternehmenserfolg sichtbar werden. Als Hürden, die den Einsatz von Predictive Maintenance verzögern oder erschweren, nannte Michael Henke fehlende Kapazitäten im IT-Bereich und damit mangelndes Know-how in den Unternehmen. Ein noch nicht geklärtes Kosten-Nutzen-Verhältnis führt dazu, dass in der Unternehmenspraxis Predictive Maintenance noch nicht flächendeckend implementiert ist. In der Forschung ist sie ein interdisziplinäres Forschungsfeld, an dem Fachbereiche wie BWL, Maschinenbau und Data Science gleichermaßen arbeiten. Das Fazit von Michael Henke: Ohne Instandhaltung wird es keine Smart Factory geben. Deshalb brauchen wir in Zukunft verstärkt ein Smart und Predictive Maintenance Verständnis und Ansätze in der Praxis. Mit der Frage von Kunden und Instandhaltern nach dem richtigen Zeitpunkt eine Komponente zu tauschen, beschäftigt sich Markus Loinig, Senzoro GmbH, Wien. Sein Start-up entwickelt – ausgehend von der Frage welche Technologie den Zustand einer Anlage optimal erfasst und belastbare Vorhersagen für die Zukunft macht – Lösungen für Predictive Maintenance und Condition Monitoring. Studien zufolge lassen sich mit Ultraschall am schnellsten Lagerschäden feststellen. Darüber hinaus zeichnet es sich verglichen mit anderen Technologien wie Öl, Vibration, Infrarot und Maschinenparameter durch wenig Hintergrundgeräusche aus und liefert damit sehr „reine“ Daten. Anhand eines Beispiels aus der Holzindustrie zeigte Markus Loinig wie das System von Senzoro mittels mobiler Breitband-Ultraschallsensoren den Zustand von Wälzlagern messen kann. KI verarbeitet anschließend die Daten und gibt einen Gesundheitsscore aus. So werden Instandhaltungskosten gesenkt, indem die Restlebensdauer von Wälzlagern vorhergesagt und zustandsorientiert getauscht werden können. Die anschließende Diskussion begann Andreas Wüllner mit einem ernüchternden Einblick in die industrielle Praxis. Obwohl ungeplante Stillstände Horrorszenarien darstellten, würde Instandhaltung als notwendiges Übel angesehen, denn im Vordergrund stehen die Kostenseite und die Produktivität. Allzu oft sind die Mitarbeiter der Instandhaltung zu wenig in die Organisation eingebunden und arbeiten im Unternehmen neben und nicht mit der Produktion. Trotz der großen Bedeutung ist das Thema Instandhaltung bei zwei Dritteln der Unternehmen noch nicht im Management angekommen. Hier gibt es großen Nachholbedarf. Von einem Industriezweig mit Vorbildcharakter berichtete Dieter Spath. Die Baumaschinenindustrie habe es durch Konnektivität ihrer Produkte erreicht, dass Monteure fernüberwachte Maschinen im Blick haben. Michael Henke konnte bestätigen, dass noch zu viel Überraschung in der Instandhaltung steckt. Predictive Maintenance müsste keine Zukunftsmusik sein, auch wenn es in der Realität oft so scheint, denn obwohl der Nutzen gegenüber der reaktiven Instandhaltung auf der Hand liegt, ist das Thema noch nicht in der Breite verankert. Er forderte, dass die verschiedenen Entitäten im Unternehmen zusammengeführt werden und die Daten nicht mehr in Silos verschwinden. Er ist überzeugt, dass Instandhaltung einer der Haupttreiber für die digitale Transformation ist. Wer ihn beauftrage, hängt von der Firmengröße ab und ist managementabhängig, so Markus Loinig. Die Entscheidung, ob sich die Einführung von Predictive Maintenance lohnt, ist stark unternehmensabhängig und richtet sich auch danach, ob Ausfallbauteile kosteneffizient modelliert werden können. Wenn bei Ausfällen keine Folgekosten entstehen, wird die reaktive Instandhaltung bevorzugt. Um die Mitarbeiter auf dem Weg zur Predictive Maintenance mitzunehmen, formulierte Michael Henke zum Abschluss der engagierten Diskussion einen Appell zum Aufbau von Weiterbildungsangeboten, von IT-Kapazitäten und verbesserter Netzwerkkommunikation. Man muss schon in der Schule anfangen, den Kindern die MINT-Fächer nahezubringen und zeigen, wie cool das Thema Instandhaltung ist. https://www.acatech.de/allgemein/vorher-ist-man-immer-schlauer-belastbare-vorhersagen-fuer-industrieanlagen-treffen/

INTERVIEW MIT SENZORO Senzoro ist ein in Österreich ansässiges Start-Up, das im Bereich Predictive Maintenance tätig ist. Sie sind das erste Unternehmen weltweit, das Ultraschalltechnologie und künstliche Intelligenz im industriellen Maßstab kombiniert hat. Die Produkte und Dienstleistungen von Senzoro werden in mehreren Branchen eingesetzt und der Zero-Investment-Ansatz ist einzigartig auf dem Markt. Ein Interview mit Markus Loinig, CEO bei Senzoro. Easy Engineering: Was sind die Haupttätigkeitsbereiche des Unternehmens? Markus Loinig: Wir haben einen starken Fokus auf anlagenorientierte Industrien, in denen Wartungskosten und Ressourceneffizienz eine wichtige Rolle spielen. Derzeit sind wir in der Papier-, Automobil-, Holz-, Chemie- und Versorgungsindustrie tätig. Unser Service dient immer dazu, die Instandhaltungsaktivitäten vom zeitbasierten zum vorausschauenden Austausch von Ersatzteilen zu transformieren. Das spart Kosten und Ressourcen unseres Planeten. Blick in die Zukunft: Wir sind auch Teil eines Forschungskonsortiums in der Luft- und Raumfahrtindustrie, wo wir eine künstliche Intelligenz entwickeln, die in der Lage ist, Korrosion in bestimmten Teilen des Flugzeugs vorherzusagen. EE: Was gibt es Neues für 2020 in Bezug auf neue Produkte? ML: Als Teil unserer Technologie-Roadmap und sicherlich erleichtert durch die Pandemie haben wir es unseren Kunden ermöglicht, Ultraschallmessungen selbst durchzuführen und Daten an uns zu übertragen. Dies ermöglicht unseren Kunden, unsere künstliche Intelligenz (KI) im „Self-Service“ zu nutzen, wann immer sie es brauchen und ohne menschliches Eingreifen. EE: Was sind die Sortimente der gehandelten Produkte? ML: Unsere Kunden können entweder auf „All inclusive“-Basis mit uns zusammenarbeiten, wo Senzoro-Experten Messungen vor Ort durchführen und die entsprechenden Vorhersagen unserer künstlichen Intelligenz liefern. In diesem Fall müssen sich unsere Kunden um nichts kümmern. Es wird auch unser „Koffer-Service“ genannt, weil wir unsere Kunden wirklich mit einem Koffer besuchen. Unsere zweite Option ist die „Remote-AI“, bei der Kunden das Messgerät kaufen und Daten über ein Upload-Portal an uns senden. Wir konzentrieren uns derzeit auf den GSA-Markt (Deutschland, Österreich und Schweiz), aber die Option „Remote-AI“ wird auch in anderen europäischen Märkten eingesetzt. EE: In welchem ​​Stadium befindet sich der Markt, in dem Sie derzeit aktiv sind? ML: Der Markt für vorausschauende Wartung wächst schnell, aber eine breite Einführung erfolgt immer noch nur durch die Innovationsführer. Die meisten Unternehmen warten immer noch ab, welche Technologie sich als dominierend herausstellen wird, bevor sie ihren Schritt wagen. Wir sind fest davon überzeugt, dass Ultraschalltechnologie und künstliche Intelligenz perfekt zusammenpassen und zur dominierenden Technologie werden. Die Gründe würden über dieses Interview hinausgehen, aber die Gründe sind im Blog-Bereich unserer Webseite (https://www.senzoro.ai/blog) gut dargelegt. EE: Was können Sie uns über Markttrends sagen? ML: Der Markt ist noch sehr fragmentiert und es ist für Industrieunternehmen nicht möglich, eine Predictive-Maintenance-Lösung zu kaufen, die ihr Problem wirklich „von der Stange“ löst. Der Markt ist nach wie vor aufgeteilt in Unternehmen, die „Hardware und Sensoren verkaufen“ und andere, die „Data-Science-Dienstleistungen anbieten“. In Marketingbotschaften behaupten alle, Lösungen für vorausschauende Wartung zu verkaufen, aber was sie wirklich verkaufen, sind nur Teile davon. Was Unternehmen brauchen, ist ein System, das die verbleibende Lebensdauer ihrer kritischen Komponenten vorhersagt. Sie wollen nicht anfangen, Daten zu sammeln, sie wollen ein System kaufen, das die verbleibende Lebensdauer direkt von der Stange vorhersagen kann. Und sie fordern das zu Recht, weil es möglich ist. Nehmen wir als Beispiel Elektromotoren: Millionen von Motoren laufen auf der ganzen Welt, und die Eigenschaften, wie sie ausfallen, sind gut bekannt. Daher muss jede Predictive-Maintenance-Lösung eine KI an Bord haben, die die verbleibende Lebensdauer bestimmter Komponenten von der ersten Sekunde an vorhersagen kann. Stellen Sie sich vor: Sie befestigen den Sensor am Motor, die KI erkennt, dass es sich um ein „Lager eines Motors“ handelt und berechnet die Restlebensdauer. Das tun wir, und das ist die Zukunft. Alle anderen Produkte und Dienstleistungen ohne dieses „eingebaute KI-Kraftpaket“ werden sich anfühlen wie das Surfen im Internet mit einem 56k-Modem und sehr bald sterben. EE: Was sind die innovativsten Produkte auf dem Markt? ML: Ich glaube, dass wir im Bereich Predictive Maintenance die innovativste und kostengünstigste Lösung auf dem Markt anbieten. Unsere Kunden brauchen keine großen Investitionen in Sensorik und bekommen KI von der Stange, die Ergebnisse in der ersten Sekunde liefert. Gleichzeitig rationalisiert unsere KI jeden Analyseprozess auf beispiellose Weise, da sie ohne menschliches Eingreifen unendlich viele Ultraschallmessungen gleichzeitig auswerten kann. Im Bereich Data Science nimmt die Pipeline für die Bereitstellung von KI für Edge-Computing-Geräte Gestalt an. Die jüngsten Aktivitäten von Google („TinyML“) werden es einfacher machen, KI am Rand bereitzustellen, zu verwenden und zu warten. EE: Welche Einschätzung haben Sie für 2020? ML: Fabriken widerstandsfähiger gegen ungeplante Stillstände in Zeiten der Pandemie zu machen, ist sicherlich ein wichtiger Treiber für unsere Technologie, und das wird noch eine ganze Weile so bleiben. Bestimmte Branchen mussten ihre Produktion in kurzer Zeit verdoppeln oder verdreifachen, sodass die Wartung im gleichen Tempo mithalten musste. Ihr altes System des „Teilewechsels alle 2 Jahre“ war völlig aus dem Takt geraten, da die Nachfrage nach Maschinen (mehr und schneller produzieren) die Art und Weise, wie sich Teile verschlechterten, erheblich veränderte, so dass ungeplante Ausfallzeiten in die Höhe schossen. Dies war ein unerwarteter Schub für die von uns angebotenen Produkte und Dienstleistungen. Doch früher oder später werden die Auswirkungen der Pandemie vorbei sein und sich der Fokus wieder auf die langfristigen Probleme richten. Der Kostendruck auf die Unternehmen bleibt bestehen und wer Ersatzteile genau vor dem Ausfall tauschen kann, wird effizienter sein als der, der alle zwei Jahre tauscht. Abgesehen davon müssen Unternehmen nach wie vor Ressourcen wie CO2 einsparen, um regulatorische Vorgaben zu erfüllen. Da jedes zu früh gewechselte Ersatzteil eine Verschwendung von Ressourcen bedeutet, sowohl an Material als auch an Arbeitskraft, kann Predictive Maintenance auch zu einer „grüneren“ Produktion beitragen. Vorausschauende Wartungstechnologien im Allgemeinen tragen zu einer nachhaltigeren Art der Produktherstellung bei und werden daher eine glänzende Zukunft haben. https://easyengineering.eu/interview-with-senzoro/ Erstveröffentlichung: 28. September 2020