Home Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt
Article
Licensed
Unlicensed Requires Authentication

Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt

Harmonisierung datengetriebener und physikbasierter Modelle für die vorausschauende Instandhaltung
  • Andreas Werner , Veerendra C. Angadi , Joachim Lentes and Alireza Mousavi
Published/Copyright: May 22, 2020
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 115 Issue 5

Kurzfassung

Datengetriebene Modelle zur Analyse von Produktionssystemen gewinnen in der Industrie an Bedeutung. Wesentliche Vorteile bei ihrem Einsatz sind, dass die Erzeugung sogenannter Digitaler Schatten nur auf gemessenen Sensordaten basiert und bestehende Datenschnittstellen und Analyseverfahren für Vorhersagen genutzt werden können. Datengetriebene Ansätze stoßen jedoch an Grenzen, da sie lediglich aus vergangenen Ereignissen Trends extrapolieren. Es fehlen häufig relevante Daten zu Ausfallszenarien, die bis dato real nicht aufgetreten sind. Somit entsteht ein Bedarf für sogenannte Digitale Zwillinge zu Analysezwecken, welche datengetriebene und physikbasierte Modelle zusammenführen, um repräsentative prädiktive Aussagen, wie die Restnutzungsdauer von Maschinenkomponenten zu ermöglichen. Im EU-geförderten Projekt Z-BRE4K werden Ansätze zur Harmonisierung datengetriebener und physikbasierter Modelle für die vorausschauende Instandhaltung gemeinsam mit Industrieanwendern erforscht, entwickelt und erprobt, welche im Rahmen dieses Beitrags vorgestellt werden.

Abstract

Harmonization of data-driven and physics-based models for predictive maintenance. Data-driven models for the analysis of production systems are becoming increasingly important in industry. The main advantages of their use are that the generation of Digital Shadows is only based on measured sensor data and existing data interfaces and analysis methods can be used for predictions. However, data-driven approaches have their limits, as they only extrapolate trends from past events. Relevant data on failure scenarios that have not occurred in reality are often missing. Therefore, there is a need for Digital Twins for analysis purposes, which combine data-driven and physics-based models to enable representative predictive statements such as the Remaining Useful life of machine components. In the EU-funded project Z-BRE4K, approaches to harmonize data-driven and physics-based models for predictive maintenance are researched, developed and tested together with industrial users. These approaches are presented in this paper.

Andreas Werner, M. Sc., geb. 1994, studierte Technologiemanagement und Maschinenbau an der Universität Stuttgart und ist seit 2019 Wissenschaftlicher Mitarbeiter am Institut für Arbeitswissenschaft und Technologiemanagement der Universität Stuttgart. Während seines Studiums war er u. a. als hilfswissenschaftlicher Mitarbeiter am Fraunhofer Institut für Arbeitswirtschaft und Organisation tätig. Schwerpunkt seiner jetzigen Forschungsarbeit ist die Vernetzung von Entwicklung und Produktion. Er leitet seitens der Universität Stuttgart das EU-Projekt Z-BRE4K.

PhD Veerendra C. Angadi, geb. 1990, studierte Elektrotechnik und erlangte 2018 seinen Doctor of Philosophy in „Electrical, Electronics and Communications Engineering“ an der University of Sheffield. Seit 2018 ist er wissenschaftlicher Mitarbeiter in der „Systems Engineering Research Group“ (SERG) der Brunel University London. Während seiner Forschungsarbeit beschäftigt er sich mit der Anwendung von „Data Science“ im Produktionsumfeld. Derzeit arbeitet er am Projekt Z-BRE4K zur Vorhersage von Ausfällen von Produktionsmaschinen auf Basis von Techniken des maschinellen Lernens.

Dipl.-Ing. Joachim Lentes, geb. 1969, studierte Maschinenwesen und ist Leiter Digital Engineering am Fraunhofer IAO und Lehrbeauftragter an der Universität Stuttgart. Er ist Gutachter für internationale Konferenzen sowie Zeitschriften und initiiert und leitet seit vielen Jahren Forschungsvorhaben für die Europäische Kommission, nationale Fördergeldgeber sowie namhafte Industrieunternehmen im In- und Ausland. Er hat Preise wie den Best Paper Award der International Conference for Production Research ICPR2019 gewonnen. Seine Forschungsarbeit adressiert insbesondere die Entwicklung und Produktion der Zukunft mit innovativen Strategien, Vorgehensweisen, Methoden und Werkzeugen.

Dr. Alireza Mousavi, geb. 1970, studierte Elektrotechnik an der Brunel University London, wo er sowohl seinen Doctor of Philosophy erlangte, als auch als Post-Doc tätig war. Aktuell ist er Lektor im Fachbereich Elektrotechnik und Informationstechnik der Brunel University London. Er leitet die Forschungsgruppe „Systems Engineering Research Group“ (SERG) der Brunel University London und ist seit vielen Jahren in nationalen sowie internationalen Forschungsvorhaben tätig. Sein Forschungsschwerpunkt liegt in der mathematischen Modellierung und Simulation sowie der angewandten Steuerung technischer Systeme unterschiedlicher Branchen.

Literatur

Roland Berger GmbH et al. (Hrsg.): Predici-tve Maintenance: Service der Zukunft – und wo er wirklich steht. Roland Berger GmbH, München, 2017Search in Google Scholar

Landherr, M.; Neumann, M.; Volkmann, J.; Jäger, J.; Constantinescu, C.: Digitale Fabrik. In: Westkämper, E.; Spath, D.; Constantinescu, C.; Lentes, J. (Hrsg.): Digitale Produktion. Springer-Vieweg-Verlag, Wiesbaden2013, S. 107–13110.1007/978-3-642-20259-9_12Search in Google Scholar

Bertsche, B.; Lechner, G.: Zuverlässigkeit im Fahrzeug- und Maschinenbau – Ermittlung von Bauteil- und System-Zuverlässigkeiten. Springer-Verlag, Berlin, Heidelberg2004Search in Google Scholar

Bertsche, B.; Zeiler, P.: Vorlesungsunterlagen: Zuverlässigkeitstechnik – Berechnung reparierbarer Systeme. Institut für Maschinenelemente, Universität Stuttgart, 2017Search in Google Scholar

Reichinger, M.: Von der reaktiven zur zustandsorientierten Instandhaltung. SPS Magazin (2014) 7, S. 1Search in Google Scholar

Kalt, F.; Rosenberger, P.: Stairway to Heaven. Mobilität, Service. Siemens AG – Das Magazin, 2018Search in Google Scholar

Instandhaltung 4.0 mit SAP. Instandhaltungstage, Nürnberg. 06.12.2017. Orianda Solutions AG, Nürnberg, 2017Search in Google Scholar

Bailey, C. J.; Yin, C.; Sutharssan, T.; Stoyanov, S.: Prognostic and Health Management for Engineering Systems: A Review of the Data-driven Approach and Algorithms. The Journal of Engineering (2015) 7, S. 215–22210.1049/joe.2014.0303Search in Google Scholar

Ahmadzadeh, F.; Lundberg, J.: Remaining Useful Life Estimation: Review. International Journal of System Assurance Engineering and Management (2014) 4, S. 461–47410.1007/s13198-013-0195-0Search in Google Scholar

Zio, E.: Prognostic and Health Management of Industrial Equipment. In: Zio, E. (Hrsg.): Diagnostic and Prognostic of Engineering Systems– Methods and Techniques. Elsevier, Amsterdam2015, S. 333–35610.4018/978-1-4666-2095-7.ch017Search in Google Scholar

Okoh, C.; Roy, R.; Mehnen, J.; Redding, L.: Overview of Remaining Useful Life Pediction Techniques in Through-Life Engineering Services. In: Proceedings of the 16th CIRP Conference on Industrial Product-Service Systems, Windsor, Canada, 1.–2. Mai 2014. Elsevier, Amsterdam2014. S. 158–16310.1016/j.procir.2014.02.006Search in Google Scholar

Ardakani, H. D.: Prognostic and Health Management of Engineering Systems Using Minimal Sensing Techniques. Dissertation, University of Cincinnati, 2016Search in Google Scholar

Aivaliotis, P.; Georgoulias, K.; Chryssolouris, G.: A RUL Calculation Approach Based on Physical-based Simulation Models for Predictive Maintenance. In: Proceedings of the 23rd Conference on Engineering, Technology and Innovation (ICE/ITMC), Madeira Island, Portugal, 27.–29. Juni 2017. IEEE, Piscataway2017. S. 1243–124610.1109/ICE.2017.8280022Search in Google Scholar

Döbel, I., Leis, M.; Vogelsang, M.M.; Neustroev, D.; Petzka, H.; Rüping, S.; Voss, A.; Wegele, M.; Welz, J.: Maschinelles Lernen – Kompetenzen, Anwendungen und Forschungsbedarf (Ergebnisbericht). Fraunhofer-Gesellschaft, München2018Search in Google Scholar

MathWorks I: Homepage. ©2020. Online unter https://de.mathworks.com/discovery/machine-learning.html [Letzter Aufruf am 08.03.2020]Search in Google Scholar

Dimensional Insight: Homepage. ©2020. Online unter https://www.dimins.com/blog/2018/01/26/simulation-in-predictive-analytics/ [Letzter Aufrufe am 08.03.2020]Search in Google Scholar

Werner, A.; Zimmermann, N.; Lentes, J.: Approach for a Holistic Predictive Maintenance Strategy by Incorporating a Digital Twin. Procedia Manufacturing39 (2019), S. 1743–175110.1016/j.promfg.2020.01.265Search in Google Scholar
Online erschienen: 2020-05-22
Erschienen im Druck: 2020-05-28

© 2020, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. Im Angesicht der Ohnmacht
  3. Inhalt/Contents
  4. Inhalt
  5. Maschinelles Lernen
  6. Detektion von Anomalien in automatisierten Schraubprozessen
  7. Mensch-Roboter-Kollaboration
  8. Vorgehensmodell zur Integration der Mensch-Roboter-Kollaboration
  9. Smart Devices
  10. Informationsaufbereitung für Smart Devices
  11. Datenbasierte Dienstleistung
  12. Temperaturüberwachung und automatisierte Bestandsbuchungen im intelligenten Ladungsträgermanagement
  13. Produktionsstrategien
  14. Über den Wertkettenansatz zur Customer Centricity
  15. Ki-Basierte Systeme
  16. KI-gestützte Prozessüberwachung in der Zerspanung
  17. Sensornetzwerk
  18. Optisches Multi-Sensornetzwerk zur Instandhaltung
  19. Traceability-Systeme
  20. Implementierung von unternehmensübergreifender Traceability
  21. Process Mining
  22. Datenanalyse in Produktionsprozessen
  23. Supply-Chain-Management
  24. Verbreitungsgrad von Supply-Chain-Management-Methoden
  25. Suppy-Chain-Management
  26. Supply-Chain-Management 4.0
  27. Montage
  28. Webbasiertes Framework und Apps für die Montage
  29. Werkzeugmaschinen
  30. Dynamische Schmierzustandserkennung Öl-Luft-geschmierter Spindellager
  31. Energieeffizienz
  32. Ganzheitliche Energieeffizienz in Produktionsstätten
  33. Instandhaltung
  34. Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt
  35. Digitaler Zwilling
  36. Modelle als Grundlage für den Digitalen Zwilling
  37. Digitalisierung
  38. Interoperabilität als Erfolgsfaktor für die vernetzte, adaptive Produktion
  39. Informationssystem
  40. Effektives Wertstromdesign 4.0
  41. Cyber-Physische Systeme
  42. Beschreibungsmodell zur Standardisierung von Schnittstellen für Cyber-Physische Module
  43. Vorschau/Preview
  44. Vorschau
https://doi.org/10.3139/104.112295

Articles in the same Issue

  1. Editorial
  2. Im Angesicht der Ohnmacht
  3. Inhalt/Contents
  4. Inhalt
  5. Maschinelles Lernen
  6. Detektion von Anomalien in automatisierten Schraubprozessen
  7. Mensch-Roboter-Kollaboration
  8. Vorgehensmodell zur Integration der Mensch-Roboter-Kollaboration
  9. Smart Devices
  10. Informationsaufbereitung für Smart Devices
  11. Datenbasierte Dienstleistung
  12. Temperaturüberwachung und automatisierte Bestandsbuchungen im intelligenten Ladungsträgermanagement
  13. Produktionsstrategien
  14. Über den Wertkettenansatz zur Customer Centricity
  15. Ki-Basierte Systeme
  16. KI-gestützte Prozessüberwachung in der Zerspanung
  17. Sensornetzwerk
  18. Optisches Multi-Sensornetzwerk zur Instandhaltung
  19. Traceability-Systeme
  20. Implementierung von unternehmensübergreifender Traceability
  21. Process Mining
  22. Datenanalyse in Produktionsprozessen
  23. Supply-Chain-Management
  24. Verbreitungsgrad von Supply-Chain-Management-Methoden
  25. Suppy-Chain-Management
  26. Supply-Chain-Management 4.0
  27. Montage
  28. Webbasiertes Framework und Apps für die Montage
  29. Werkzeugmaschinen
  30. Dynamische Schmierzustandserkennung Öl-Luft-geschmierter Spindellager
  31. Energieeffizienz
  32. Ganzheitliche Energieeffizienz in Produktionsstätten
  33. Instandhaltung
  34. Vorausschauende Instandhaltung – Wenn der Digitale Schatten an seine Grenzen stößt
  35. Digitaler Zwilling
  36. Modelle als Grundlage für den Digitalen Zwilling
  37. Digitalisierung
  38. Interoperabilität als Erfolgsfaktor für die vernetzte, adaptive Produktion
  39. Informationssystem
  40. Effektives Wertstromdesign 4.0
  41. Cyber-Physische Systeme
  42. Beschreibungsmodell zur Standardisierung von Schnittstellen für Cyber-Physische Module
  43. Vorschau/Preview
  44. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 14.9.2025 from https://www.degruyterbrill.com/document/doi/10.3139/104.112295/html
Scroll to top button