Hagenberg - Wenn in einer industriellen Fertigungsanlage eine Maschine überraschend kaputtgeht, ist das ein Worst-Case-Szenario: Die Produktion verzögert sich, ungeplante Standzeiten kosten viel Geld. In vielen Fällen sind zudem Verzugsstrafen fällig, wenn ein Produkt nicht rechtzeitig geliefert werden kann.

Wartung ist deshalb in jedem Industriebetrieb ein wesentlicher Punkt - egal ob Metallträger, Automotoren oder Mikrochips hergestellt werden. Der Status quo sieht in vielen Betrieben so aus, dass Wartungstechniker entsprechenden Instandhaltungsplänen folgen. Nach einer bestimmten Anzahl von Betriebsstunden werden Komponenten überprüft, repariert oder ausgetauscht.

Effizienter wäre es natürlich, wenn man anstelle der Instandhaltungspläne Zugriff auf Daten über den tatsächlichen Zustand der Maschine vor Ort hätte. Wenn sich die Fertigungsstraßen durch entsprechende Sensoren laufend selbst kontrollieren würden. Genau das wollen Forscher der Montanuni Leoben und des Software Competence Center Hagenberg (SCCH) im dreijährigen Projekt "Ressourcenintelligente antizipative Instandhaltung durch Condition Monitoring, Datenanalyse und Störungsprognostik" erreichen. Wirtschaftspartner sind BMW Motoren, BRP-Powertrain und die Kärntner Messfeld.

"Sagen wir, Komponente A muss laut Instandhaltungsplan alle 1000 Betriebsstunden ge-wechselt werden", bringt Bernhard Freudenthaler, Projektleiter auf Seiten des SCCH, ein Beispiel. "Wenn wir jederzeit wissen, wie der tatsächliche Zustand von Komponente A ist, muss sie vielleicht erst nach 1200 Stunden gewechselt werden. Oder man kann ungeplante Standzeiten verhindern, weil sie bereits nach 800 Stunden schadhaft ist."

Sensor meldet Ölleck

Voraussetzung für die laufende Störungsprognostik sind Druck-, Temperatur- und andere Sensoren, deren Daten Rückschlüsse auf den tatsächlichen Zustand der Anlage erlauben. "Wenn sich die Betriebstemperatur erhöht, könnte das beispielsweise daran liegen, dass fehlendes Öl eine erhöhte Reibung an beweglichen Teilen verursacht. Es könnte also eine Ölleitung leck sein", schildert Freudenthaler.

Alle Sensoren tragen sich in einer zentralen Datenbank ein und werden ausgewertet. "Dabei können sehr große Datenmengen zusammenkommen", sagt Freudenthaler, "und nicht aus allen kann man Wissen ableiten." Nachdem die Forscher herausgefunden haben, welche Daten überhaupt interessant sind, arbeiten sie mithilfe statistischer Methoden daran, Muster zu identifizieren. "Wir versuchen Zusammenhänge zwischen einzelnen Systemelementen, Ursache-Wirkung-Beziehungen zu finden."

Dem System wird beigebracht, aus bereits bekannten Situationen zu lernen, um die Restlebensdauer der Komponenten abschätzen zu können und zukünftige Ausreißer im Datenmaterial besser verstehen zu lernen. Ereignisse werden mit einer Störungsdatenbank, in der alle bisherigen Vorfälle dokumentiert sind, abgeglichen, erklärt Freudenthaler. Data Mining und Machine Learning lauten die Schlagwörter zu den angewandten Methoden.

Für das Wartungsteam, das für eine ordnungsgemäße Funktion einer Fertigungsstraße sorgen muss, werden die Ergebnisse der angewendeten Algorithmen am Computer zentral zugänglich gemacht. Dort könnten etwa übersichtliche Modelle der Maschinen auf einen Blick Aufschluss über deren Zustand geben.

Eine Aufgabe des im September gestarteten Projekts, das von der österreichischen Forschungsförderungsgesellschaft FFG im Rahmen der vierten Ausschreibung des Programms "Produktion der Zukunft" unterstützt wird, liegt auch in der ökonomischen Modellierung einer derart optimierten Instandhaltung. "Wir wollen auch mögliche Einsatzgrenzen aufzeigen", sagt Freudenthaler. "Condition Monitoring sollte einen guten wirtschaftlichen Effekt bringen. Es mag aber auch Fälle geben, in denen es keinen Nutzen bringt." Diese ökonomische Einschätzung muss erst erarbeitet werden. Denn: "Wenn es keinen Sinn macht, soll man es den Unternehmen auch sagen." (pum, DER STANDARD, 15.10.2014)