Entwicklungsservices für Predictive Maintenance
Profitieren Sie von Fehlerprognosen für Ihre Assets
Systematischer Entwicklungsprozess für wirtschaftliche Lösungen
Für viele – wenn nicht die meisten – vielversprechenden Predictive Maintenance-Anwendungsfälle hält das zu vereinfachende Versprechen, automatisch relevante Korrelationen in großen Datenmengen zu finden, nicht was es verspricht. Relativ oft sind nicht einmal die relevanten Daten verfügbar.
Signifikante Einsparpotentiale rechtfertigen trotzdem die Entwicklung von Predictive Maintenance-Lösungen. Wir haben uns darauf spezialisiert, Sie dabei mit einem strukturierten Prozess in vier Phasen zu unterstützen: eine initiale Quantifizierung Ihres Business Cases, gefolgt von Entwicklung und Implementierung der spezifischen Predictive Maintenance-Prizipien und abschließend die Unterstützung des laufenden Betriebs.
Führen Sie zusammen mit uns eine erste schnelle Simulation Ihres Potentials durch. Basierend auf der Wirtschaftlichkeit Ihres Anwendungsfalls freuen wir uns, Sie in einigen oder allen genannten Phasen zu unterstützen.
BUSINESS CASE
Unser Simulationsansatz quantifiziert Szenarien Ihrer Potentiale und sichert so den Business Case vor Start eines Predictive Maintenance-Projekts ab.
ENTWICKLUNG
Unsere hybride Entwicklungsmethode liefert durch Kombination ingenieursmäßiger Techniken mit Predictive Analytics systematisch Prognosemodelle.
IMPLEMENTIERUNG
Wir integrieren die erforderliche IoT-Hard- und Software effizient in Ihre Umgebung. Zusätzlich können Qualifikationstess durchgeführt werden.
BETRIEB
Wir unterstützen die Inbetriebnahme Ihrer Lösung mit logistischer Unterstützung und Fehlerbehebung. Einmal in Betrieb, optimieren wir Ihre Wartungsstrategien.
Phase 1 – Business Case-Simulationen
Wie lassen sich Potentiale außer der Operational Reliability quantifizieren?
Probabilistische Simulation zur Quantifizierung von Potentialbändern
Sieben Wertdimensionen basierend auf der SAE ARP 6275
Oftmals sind offensichtliche Nutzen wie die Operational Reliability nur die Spitze eines Eisbergs. Häufiger sind die Vorteile von Predictive Maintenance für das Asset Management deutlich schwieriger zu quantifizieren – wie im Fall von Flugzeugkabinen.
Daher haben wir einen probabilistischen Simulationsansatz entwickelt, um auch die weniger offensichtlichen aber oft trotzdem signifikanten Potentiale zu quantifizieren. Die zweite Generation unseres Simulationsmodells verarbeitet reale Kontextdaten und kann verschiedene Szenarien mit Ihren Annahmen berechnen.
Die SAE ARP 6275 enthält Richtlinien für sieben von uns identifizierte Wertedimensionen: Reduzierung von fixen Wartungsintervallen, Optimierung von Ersatzteilbevorratungen, Verbesserung der funktionalen Verfügbarkeit und weitere.
Nutzen Sie solchermaßen realistisch quantifizierte und greifbare Potentialanalysen Ihrer Kandidaten als Grundlage einer Investitionsentscheidung, um den wirtschaftlichen Erfolg Ihrer Predictive Maintenance-Anwendung abzusichern.
Sprechen Sie uns auf eine Simulation Ihrer Problemstellung an – natürlich auch außerhalb der Luftfahrt.
Phase 2 – Systematische Entwicklungen
Wie lassen sich Predictive Maintenance-Lösungen auch ohne vorhandene Daten entwickeln?
Hybride Entwicklungsmethode für Predictive Maintenance in fünf Schritten
Realitätsnahe Modellierung kombiniert mit daten-basierter Predictive Analytics
Ein offensichtlicher Ansatz für Predictive Maintenance besteht in der Korrelationsanalyse in großen Datenbeständen. Aber was, wenn diese Daten noch nicht existieren? Und wie kann man die aufzunehmenden Daten bestimmen?
Wir haben erfolgreich eine hybride Entwicklungsmethode bestehend aus der Kombination von einer ingenieursmäßigen Modellierung mit daten-basierten Analyseverfahren erprobt. Durch Simulation erlaubt sie die Bestimmung von notwendigen Sensorplatzierungen und generiert synthetische Trainingsdaten schon während der Entwicklung. Das kontinuierliche maschinelle Lernen beginnt mit diesen und wird mit realen Daten fortgesetzt sobald verfügbar.
Hybride Ansätze gewinnen zunehmend an Aufmerksamkeit in relevanten Konferenzen wie beispielsweise organisiert von der PHM Society. Bezogen auf die ISO 13381 kombinieren wir kausale, auf physikalischen Zusammenhängen basierende Modelle mit daten-basierten Korrelationsmodellen, während heuristische und statistische Modelle nur ergänzend eingesetzt werden.
Versichern Sie sich der technischen Erfolgsaussichten Ihres Anwendungsfalls bereits während der Entwicklung. Und nutzen Sie die erstellten Prognosemodelle mit einfließenden Daten ab Tag Eins der Inbetriebnahme.
Kontaktieren Sie uns mit einer kurzen Beschreibung Ihres Anwendungsfalls zur Abschätzung der Machbarkeit. Sollten bereits Betriebsdaten vorliegen, unterstützen wir Sie natürlich auch gerne bei der direkten Erstellung von Prognosemodellen.
Phase 3 – Schnelle Implementierungen
Wie lassen sich erschwingliche Predictive Maintenance-Lösungen zügig und skalierbar realisieren?
Vorentwickelte Softwarekomponenten zur Integration in Ihre Umgebung
Kommerzielle IoT-Komponenten für schnelle Entwicklungszeiten
Theoretische Lösungen real umzusetzen ist die nächste Herausforderung. Auch wenn Randbedingungen sich unterscheiden, erfordern sowohl Neuentwicklungen als auch Nachrüstlösungen die Implementierung von Hard- und Software.
Unsere modulare Health Management-Plattform lässt sich effizient für Ihren Anwendungsfall adaptieren. Mit funktionalen Modulen in sechs Schichten von der Datenerfassung bis zu Fehlerprognosen und gegebenenfalls Entscheidungsempfehlungen ist unsere Software auf erschwingliche kommerzielle Internet of Things-Hardware abgestimmt, die ideal geeignet ist, um zumindest prototypisch die erforderliche Sensorik und Konnektivität zu implementieren.
Die funktionale Architektur der ISO 13374 und das entsprechende OSA-CBM-Datenmodell sind die Grundlage unserer flexiblen Softwarestruktur für Health Management-Anwendungen. Diese bewährten Industriestandards sichern ein hohes Maß an Stabilität und Interoperabilität.
Nutzen Sie Ihre Wettbewerbsvorteile durch operative Optimierungen mit kurzen und erschwinglichen Entwicklungszeiten, potentiell auch für die Nachrüstung existierender Flotten. Im Fall der Luftfahrt können wir Qualifizierungstest nach DO-160 durchführen.
Nutzen Sie unsere vorentwickelten Lösungen zur zügigen Realisierung Ihres nächsten Predictive Maintenance-Projekts.
Phase 4 – Unterstützung des Betriebs
Wie lassen sich schlussendlich Betriebskosteneinsparungen realisieren?
Digitaler Zwilling zur kontinuierlichen Optimierung Ihrer Wartungsstrategien
Outsourcing der notwendigen Rechen- und Kommunikationsinfrastruktur
Das finale Ziel Ihrer Predictive Maintenance-Lösung ist deren Betrieb zur Einsparung der anfänglich bestimmten Potentiale. Neben der notwendigen Infrastruktur besteht die größte Herausforderung in der Ableitung optimaler Handlungsempfehlungen.
Durch die Nutzung des anfänglich erstellten Simulationsmodells als digitalem Zwilling zur Auswertung von Zustands- und Prognoseinformationen sind wir in der Lage, konkrete Wartungsstrategien für den jeweiligen Zustand Ihrer Flotte zu bestimmen.
Simulationsbasierte Verfahren sind ein gängiger Ansatz um komplexe nicht-lineare Systeme zu optimieren. Die Simulation verschiedener Szenarien unter Einbezug geplanter Missionsprofile und prognostizierter Fehlerwahrscheinlichkeiten erlaubt es, optimale Strategien zu berechnen.
Optimieren Sie die Profitabilität Ihrer Assets durch eine optimale Organisation Ihrer Wartungsaktivitäten.
Definieren Sie zusammen mit uns, welche Randbedingungen berücksichtigt werden müssen und wie optimierte Handlungsempfehlungen in Ihre Betriebszentralen eingebunden werden können.
Kontakt
Ich bin an einer systematischen Entwicklung von Predictive Maintenance für meine Anwendungsfälle interessiert:
Fehler: Kontaktformular wurde nicht gefunden.