Wie energiebasierte Wartung Ausfallzeiten und Kosten in der Reifenherstellung reduziert

Dieser Artikel präsentiert eine Fallstudie mit schweren Maschinen, insbesondere Gummimischmaschinen (Banbury-Mischmaschinen). Gummimischung ist ein energieintensiver Prozess, bei dem große Motoren und Hydrauliksysteme bei hohen Temperaturen Rohkautschuk mit Zusätzen kombinieren. 

Diese Mischer sind das Rückgrat der Reifenfabriken, und ungeplante Ausfallzeiten können äußerst kostspielig sein. Außerdem verbrauchen sie enorme Energiemengen und sind berüchtigt dafür, bei ineffizientem Betrieb Energie zu verschwenden. Dies machte sie zu einem idealen Kandidaten für die Erprobung des Energiebasierten Wartungsansatzes (EBM). Durch die Analyse ihrer Energiesignale können Ineffizienzen und Fehler früher als mit herkömmlichen Methoden erkannt werden. 

Die Fallstudie zeigt, wie die Überwachung der Energie – in diesem Fall hydraulische Leistung – in Kombination mit maschineller Lernanalyse zu erheblichen Verbesserungen bei Wartungsergebnissen und Effizienz führte. 

Implementierung von EBM

Das Team stattete den Mischer mit Sensoren aus, die kontinuierlich primäre Energieindikatoren wie Hydraulikdruck und Durchfluss aufzeichnen, die zusammen den Energieverbrauch der Maschine im hydraulischen Kreislauf anzeigen. Diese Messwerte verfolgten effektiv den Energieverbrauch des Hydrauliksystems zu jedem beliebigen Zeitpunkt. 

Die Daten wurden über das SCADA-System der Maschine und dedizierte Sensoren gesammelt, die einen reichhaltigen Informationsstrom über jeden Mischzyklus lieferten, einschließlich Druckniveaus, Durchflussraten und Zykluszeiten. 

Es ging nicht nur darum, Energiedaten zu sammeln, sondern diese zu analysieren. Mit maschinellen Lernalgorithmen (ML) durchforstete das Team die Daten, um Muster zu identifizieren, die mit normalen und fehlerhaften Operationen verbunden sind. 

Angesichts der zahlreichen potenziellen Merkmale, die aus den Rohenergiesignalen abgeleitet werden konnten, wurde die Rekursive Merkmalselimination (RFE) angewendet. Diese Technik wählt automatisch die informativsten Merkmale aus und hilft so zu erkennen, welche Aspekte des hydraulischen Leistungssignals – wie spezifische Druckspitzen oder Durchflussschwankungen – die besten Prädiktoren für Probleme mit der Maschine waren. 

Mit diesen Schlüsselmerkmalen identifiziert wurden ML-Modelle, einschließlich Methoden wie Random Forest und neuronaler Netzwerke, darauf trainiert, zwischen gesundem Betrieb und verschiedenen Fehlerbedingungen zu unterscheiden. 

Ergebnisse

Fehler erkennen und Fehler vorhersagen: Die Implementierung von EBM auf dem Mischer lieferte beeindruckende Ergebnisse. Die ML-Modelle lernten, subtile Veränderungen in der hydraulischen Leistungssignatur zu erkennen, die auf sich entwickelnde Probleme hindeuteten . 

Das System erkannte diese Anomalien sofort, sobald sie auftraten, sodass Wartungstechniker eingreifen konnten, bevor größere Störungen oder Ausfälle auftraten. Dies bedeutete eine deutliche Verbesserung der Fehlererkennung, da Probleme, die zuvor bis zu einem Ausfall unbemerkt geblieben wären, nun frühzeitig durch Veränderungen im Energieverhalten erkannt wurden. 

Die Fallstudie zeigte verbesserte Fähigkeiten zur Fehlerdiagnose durch den EBM-Ansatz. 

Effizienz, Einsparungen und Nachhaltigkeit

Der Erfolg jeder Wartungsinitiative wird an greifbaren Vorteilen gemessen. Im Fall des Kautschukmischers brachte ein energiebasierter Ansatz klare, quantifizierbare Verbesserungen. Im Folgenden sind die wichtigsten Ergebnisse und deren Relevanz für produzierende KMU aufgeführt: 

• Verbesserte Fehlererkennung: EBM identifizierte Fehler, die herkömmliche Überwachungsmethoden übersehen könnten. Zum Beispiel erkannte sie frühe Anzeichen eines hydraulischen Lecks, als die Pumpe begann, etwas mehr Energie zu verbrauchen, um den Druck aufrechtzuerhalten. Es markierte außerdem Störungen im Betrieb des Mischers, indem es einen unregelmäßigen Stromverbrauch während eines eigentlich stetigen Prozessschritts erkannte. 
  Durch den Vergleich von Energieprofilen unterschied das System normale Variationen mit hoher Genauigkeit von abnormalen. Dies führte zu weniger versteckten Problemen, da fast jede Anomalie in der Leistung der Maschine eine Energiespur hinterließ, die EBM erkennen konnte. Wartungsteams erhielten jederzeit tiefere Einblicke in die Maschinenzustände. 
• Frühe Ausfallvorhersage: Neben der Erkennung von Problemen prognostizierte EBM Ausfälle, bevor sie Ausfallzeiten verursachten. So sagte sie beispielsweise die Verschlechterung der Pumpe mehrere Betriebsstunden im Voraus voraus, indem sie Energieverbrauchsmuster analysierte. 
  Diese frühe Prognose erwies sich als unschätzbar wertvoll und verwandelte ungeplante Ausfallzeiten in geplante Stillstände. Es verhinderte sekundäre Schäden durch Wartung von Komponenten vor katastrophalen Schäden und reduzierte die Auswirkungen auf die Produktionspläne. Im Wesentlichen erhielt der Kautschukmischer einen "Gesundheitsbericht", der zukünftige Probleme prognostizierte und es dem Management ermöglichte, strategisch zu handeln. 
• Reduzierung des Energieverschwendungs: Ein herausragender Vorteil war der direkte Rückgang des Energieverbrauchs nach der Einführung von EBM. Indem energieineffiziente Bedingungen erkannt und behoben wurden – selbst geringfügig wie ein falsch abgestimmtes Ventil oder ein verstopfter Filter – verbrauchte die Maschine weniger Leistung bei gleicher Ausgangsleistung. 
  Im Verlauf der Studie erzielte der Kautschukmischprozess eine Reduzierung des Energieverbrauchs um 3 % bis 7 % im Vergleich zu früheren Operationen. 
• Nachhaltigkeitsauswirkung (CO₂-Emissionsreduktion): Energieeinsparungen werden in Umweltvorteilen umgesetzt. Weniger Energie zu verwenden, reduzierte die Treibhausgasemissionen pro produzierter Tonne Kautschuk, insbesondere wenn Strom aus fossilen Brennstoffen stammte. 
  In diesem Fall entsprach die 3–7 % Energiereduktion direkt einer Reduzierung des CO₂-Fußabdrucks des Mischprozesses um 3–7 %.
• Strategischer und finanzieller Wert: Für KMU war das überzeugendste Ergebnis der Gewinnsteigerung und das verbesserte Risikomanagement.

Weniger unerwartete Ausfälle bedeuteten weniger ungeplante Ausfallzeiten, was die Gesamtproduktion und die pünktliche Lieferung von Kundenbestellungen verbesserte. Energieeinsparungen senkten die Betriebskosten und machten die Wartung zu einer Investition statt zu einer Ausgabe. Durch die Umwandlung von Energiedaten in monetäre Begriffe könnte das Management die Einsparungen in den Euro bei Energierechnungen und die Vermeidung teurer Reparaturen oder ausgemusterter Chargen durch verspätete Entdeckungen sehen. 

Fazit

Diese Fallstudie hebt hervor, dass EBM für Fertigungs-KMU kein überbewertetes Konzept ist, sondern eine tragfähige Strategie, die mit bestehenden Sensoren und Datenplattformen wie SCADA-Systemen sowie Data-Science-Unterstützung umgesetzt werden kann. 

Das Ergebnis ist ein Wartungsbetrieb, der vorausschauender, effizienter und mit den Geschäftszielen im Einklang steht.