Die Instandhaltung von wertvollen Investitionsgütern, wie hier einer Flugzeugturbine, kann per Digital Twin und Predictive Maintenance effektiver werden.

Die Instandhaltung von wertvollen Investitionsgütern, wie hier einer Flugzeugturbine, kann per Digital Twin und Predictive Maintenance effektiver werden. - (Bild: Getty Images)

Die meisten Produktionsanlagen werden einmal gebaut und im Laufe der Zeit regelmäßig gewartet. Eine Reihe von Anlagen hingegen müssen für jeweils neue Aufgaben nachgerüstet werden. Sie durchleben dabei so viele Veränderungen, dass es sich schließlich um ein ganz anderes System handelt als bei der ersten Inbetriebnahme. Das gilt besonders in Bereichen wie der Luft- und Seefahrt, im Schienenverkehr oder in der Windkraft.

Für diese hochwertigen, langlebigen und vor allem komplexen Anlagen gelten bestimmte gesetzliche Vorschriften und besondere Compliance-Anforderungen. Damit Anbieter die Instandhaltung trotzdem effizient gestalten können, benötigen sie passende Instrumente. Ein Digital Twin kann hier zur wertvollen Hilfe werden. Der Teufel steckt dabei oft im Detail – sprich: im jeweiligen Kontext. 

Industrieunternehmen suchen ständig Möglichkeiten, die Effizienz in der Instandhaltung zu optimieren. Sie führen Arbeiten in gewissen Zyklen nach einem definierten Plan durch, um die Folgen eines Ausfalls zu vermeiden oder abzumildern. Das hat vor allem Kostengründe: Denn ungeplante Wartungen sind mit einem höheren finanziellen Aufwand verbunden und führen zu Verzögerungen im Betriebsablauf – welche sich wiederum auf die Kosten auswirken.

In den letzten Jahren hat sich ein Trend entwickelt, Instandhaltungsprozesse zuverlässiger zu gestalten und ungeplante Wartungsarbeiten zu reduzieren: Predictive Analytics. Hier werden mögliche Ausfälle antizipiert, bevor diese überhaupt eintreten. Viele Marktbeobachter sehen darin die Lösung für langjährige Probleme mit Anlagenausfällen.

Bisher setzen Unternehmen den Trend jedoch mit unterschiedlichem Erfolg um. Denn um das volle Potenzial von Predictive Analytics auszuschöpfen, sollte das Konzept auf jede Anlage individualisiert angewendet werden. Dazu braucht es ein System, das den jeweiligen Kontext darstellen kann. Die Antwort kann ein sogenannter Digital Twin sein.

Der Digital Twin im individuellen Kontext

Der Digital Twin ist per Definition eine exakte digitale Nachbildung eines physischen Assets. Hier kann die Konfiguration jeder einzelnen Anlage erfasst und verwaltet werden – auch, wenn diese sich im Laufe der Zeit ändert. So entsteht der Kontext, der für eine genaue vorausblickende Analyse erforderlich ist. Diesen Kontext zeigt der Digital Twin sowohl für den gegenwärtigen Moment als auch rückblickend auf.

Dazu nutzt er einen Digital Thread – eine Art roten Faden, der sich durch sämtliche Produktionsabläufe zieht. Per Digital Thread kann der Digital Twin relevante Informationen wie Computer Aided Design (CAD), Simulationsmodelle, IoT- und Zeitreihendaten sowie Wartungsaufzeichnungen verbinden. So entsteht eine Historie zu jedem einzelnen Asset, in der sich auch dessen aktueller Betriebszustand – sprich dessen aktuelle Konfiguration – einsehen lässt.

Bilderstrecke: Hier ist Predictive Maintenance tatsächlich im Einsatz

Idealerweise wird der Digital Twin erst dann erstellt, wenn das physische Asset den gesamten Fertigungsprozess durchlaufen und auch eine Seriennummer erhalten hat. Wenn der Digital Twin nicht an dieser Stelle generiert wird, gibt es auch später – während der Inbetriebnahme und des Betriebs – Möglichkeiten dies nachzuholen. In jedem Fall ist das Vorhandensein eines Digital Twins entscheidend, um Predictive Analytics realisieren zu können.

Digitale Modelle sind keine Digital Twins

In letzter Zeit lässt sich hier ein neuer Trend beobachten: nämlich Simulations- oder CAD-Modelle, die während der Entwicklungsphase im Produktlebenszyklus erstellt und als Digital Twin eines Assets verwendet werden. Der Gedanke dahinter: Vergleicht man diese digitalen Modelle mit Betriebsdaten – während verschiedene Simulationen laufen –, ist es einfach, Fehler zu identifizieren. Schließlich werden die Simulationsmodelle auf viele Arten unterschiedlicher Betriebsszenarien und damit verbundene Ausfälle getestet. Auf den ersten Blick bietet das eine große, reichhaltige Informationsquelle, die die Instandhaltung nutzen kann, um Fehlersignale zu überwachen.

Das Problem jedoch ist, dass diese Modelle nicht unbedingt die endgültige Konfiguration der Anlage widerspiegeln, die an den Anwender geliefert wurde. Denn während der Herstellung kann sich vieles ändern. Zum Beispiel wechseln die Lieferanten, es werden Modifikationen eingebaut und Fehler behoben. Die ursprünglichen Modelle reflektieren diese Unterschiede nicht und das tatsächliche Leistungsprofil weicht von der Prognose ab.

Kritisch wird das vor allem, wenn die Anlage einige Jahre im Einsatz war. Sie wurde gewartet und aufgerüstet, sodass sich ihre Konfiguration nun erheblich von dem Zustand unterscheidet, der in den ursprünglichen Simulationen angenommen wurde. Die am Anfang verwendeten Modelle sind somit als Digital Twin nicht ausreichend.

Predictive Maintenance - der große Überblick

Predictive Maintenance -
(Bild: krunja/stock.adobe.com)

Prädiktive Wartung ist Ihr Ding und Sie wollen alles zum Thema vorausschauende Instandhaltung wissen? Über den Link kommen Sie direkt zu unserem großen Überblick Predictive Maintenace. Dort finden Sie alles, was Sie wissen müssen, wenn Sie über die Einführung nachdenken, ein Projekt planen oder Ihre bestehende Technologie effektiver nutzen wollen.

Zum Themenüberblick PREDICTIVE MAINTENANCE.

Den Kontext aufrechterhalten

Vielversprechende Technologien wie IoT, Predictive Analytics und Simulationen erfüllen erst dann ihr Potenzial, wenn sie im Kontext der individuellen Anlage verwendet werden. Dazu müssen Hersteller eine digitale Aufzeichnung der Produktkonfiguration erstellen und pflegen – und zwar während der Herstellung, Wartung und Nachrüstung. Dies ist entscheidend, um das Asset im Feld mit dem Digital Twin synchron zu halten. 

Der Digital Twin wird immer dann aktualisiert, wenn eine wesentliche Änderung an der Anlage erfolgt. Wird beispielsweise ein Elektromotor mit der Seriennummer 001 durch einen Motor mit der Seriennummer 002 ersetzt, wird die entsprechende Änderung auch an der Konfiguration des Digital Twins vorgenommen. Der Elektromotor mit der Seriennummer 001 wird Teil der Historie des Digital Twins und ist für immer mit dem Digital Thread verknüpft.

Mit einer stets aktuellen Konfiguration des Digital Twins können nun Simulationsmodelle für die spezifischen Eigenschaften einer individuellen Anlage erstellt werden. Diese lassen sich mit Zeitreihen- und IoT-Daten koppeln, die von der physischen Anlage über Sensoren vor Ort gemessen werden. So kann das Unternehmen potenzielle Ausfälle vorhersagen.

Predictive Analytics in der Praxis

Der Kontext ist vor allem auch für die Predictive Maintenance entscheidend. Das zeigt ein weiteres Beispiel: Zwei Flugzeugtriebwerke weisen die gleiche Anzahl an Betriebsstunden auf. Während das eine diese jedoch in Reiseflughöhe gesammelt hat, sind diese beim anderen im Zusammenhang mit High-G-Manövern angefallen. Dieser unterschiedliche Kontext schlägt sich entsprechend auf die notwendigen Wartungszyklen aus.

Mit Predictive Maintenance lässt sich auf Basis der tatsächlichen Betriebsbedingungen der Anlage bestimmen, wann eine Wartung durchgeführt werden sollte. Jedoch kann dies nicht als Endergebnis isoliert betrachtet werden. Der Erfolg hängt von einer Reihe an Vorgängen ab.

Zuerst sollte die physische Anlage als Digital Twin abgebildet werden. IoT-Sensoren versorgen diesen mit Echtzeitdaten über die Leistung der physischen Anlage. Anhand von OEM-Spezifikationen werden diese Daten analysiert und Multiphysik-Simulationsmodelle auf den Digital Twin angewendet. Die Ergebnisse lassen sich zur Vorhersage von Komponentenausfällen interpretieren und in die Wartung proaktiv einplanen. 

Mit dem Digital Twin Daten nutzbar machen 

Unternehmen können sich technologische Fortschritte in den Bereichen Sensorik, Analytics und Simulation zu eigen machen, wenn sie diese im Zusammenspiel mit einem Digital Twin nutzen. Dazu müssen Anwender entsprechende Prozesse schaffen, mit denen sie Änderungen an der Anlagenkonfiguration nachverfolgen und Echtzeitdaten sammeln können.

Sie sollten auf dem Potenzial von Simulationen aufbauen, um ein spezifisches Modell für die jeweilige Konfiguration zu schaffen. Der entscheidende Rahmen ist am Ende der individuelle Kontext einer Anlage. Wenn Hersteller diesen als Grundlage für ihr Projekt nutzen, können sie Daten erfolgreich für Predictive Maintenance einsetzen.

Über den Autor

michael_pfennig_aras.jpg
(Bild: Michael Pfenning)

Michael Pfenning studierte Wirtschaftsingenieurwesen am Karlsruher Institut für Technologie und promovierte an der Technischen Universität Kaiserslautern, mit einem Fokus auf MBSE (Modellbasiertes Systems Engineering) und dessen Integration mit PLM (Product Lifecycle Management). Er war Co-Vorsitzender mehrerer Gremien der Object Management Group (OMG) und des deutschen Chapters von INCOSE, wo er an der Standardisierung der Systems Modeling Language (SysML) beteiligt war. Im Jahr 2018 erhielt er den Prostep iViP Scientific Award für die beste Dissertation im Bereich virtuelle Produktentwicklung und PLM. Er sammelte Industrieerfahrung in verschiedenen Beratungsprojekten und ist seit März 2019 bei Aras als Senior Product Manager für Systems Engineering tätig.

Sie möchten gerne weiterlesen?