Die Optimierung der Instandhaltung (IH) von Anlagen oder Flotten erfolgt auf Basis der Analytik von Lastdaten, Lastantworten und Ereignissen. Jede überwachte Instanz muss zu diesem Zweck korrekt dokumentiert sein, nicht nur mit ihrer Hardware, sondern auch mit allen relevanten Eigenschaften, und zwar über die gesamte Lebensdauer hinweg: kurz ein solider digitaler Zwilling ist die Basis für optimierte Instandhaltung. Die Anforderungen an den digitalen Zwilling und seine Wartung sind durchaus herausfordernd. Seine wesentlichen Module sind die Folgenden:
• Hält die Struktur von Anlagen (Hard-, Software, Bedatung, Sensorik) inkl. Instanziierung bis auf Tauschteil-Ebene über die gesamte Lebensdauer aktuell. Damit ist für jeden Zeitpunkt eindeutig von welchem Bauteil welche Daten stammen.
• Das umfasst auch die Parametrierung der Instanzen (Belastbarkeit, Lastantwort, z.B. die Isolationsklasse einer Motor-Wicklung, die Leistungskurve einer Pumpe). Sie liefert die Referenzen für die Anomalie-Detektion.
• liefert die Ausfallsrisiken für Bauteile und Funktionsgruppen mit den schädigenden Betriebsweisen und Bedingungen sowie den Indikatoren für anomales Verhalten,
• und die korrespondierenden Informationsbedarfe (Regelstrategie, Messgrößen, erforderliche Sensorik, Inspektionsergebnisse).
• besteht erstens aus den Modellen für das erwartete Last-Antwort-Verhalten. Mit ihnen werden Abweichungen detektiert und deren Ursachen diagnostiziert.
• Zweitens liegen dort die Schädigungsmodelle für die Berechnung der kumulierten Schädigung zur Vorhersage der Restlebensdauer.
• erledigt den Rollen-basierten Informationsfluss in den IH-Prozess (ein CMMS) für die Anforderung von präventiven IH-Maßnahmen,
• liefert das Feedback für die Verbesserung und Qualitätssicherung des IH-Prozesses.
Für die Anwendung im Rahmen von Instandhaltungsprojekten ist ein modulares Konzept des digitalen Zwillings erforderlich, weil Reporting- oder auch Asset Management-Systeme häufig schon existieren und nicht für ein Instandhaltungsprojekt ersetzt werden.
Die Inhalte des digitalen Zwillings dienen als Basis, um aus Belastungs- und Ereignis-Daten konkret umsetzbare Empfehlungen für die Instandhaltung und den Betrieb abzuleiten. Der digitale Zwilling versorgt dazu die Modelle des Analyse-Kerns mit den erforderlichen Input-Daten.
Dazu fragen wir – zuerst die Wissensbasis und dann die Experten – wie eine Anlage geschädigt werden könnte und was man daher für die Detektion und Prognose wissen und messen sollte. Damit spezifizieren wir den Risiko-fokussierten Datenprozess, entwickeln und implementieren die Modelle. Im Unterschied zu KI / big-data lässt sich das sehr flott machen. Die Techniker verstehen unsere white-box Modelle und deren Input-Bedarf.
Die Modelle liefern mit den Ergebnissen auch Empfehlungen mit Begründung an das CMMS oder auch an den Anlagen-Verantwortlichen. Die Ergebnisse aus HARVEST triggern also zustandsbasierte Instandhaltungs-Maßnahmen.
