Fleischgewordenes Internet der Dinge

Predictive Maintenance und Big Data

Diese Technologie in der Kühlkette anzuwenden, ist eine Bereicherung für die Lebensmittelbranche in Deutschland. Wie können Sensorik, Cloud und Smartphone in Kühlhäusern Betriebsausfälle und Ressourcenverschwendung verhindern?

Stellen wir uns folgenden Fall vor: Wir unterhalten verschiedene Kühlhäuser Made in Germany, in denen große Mengen Fisch, Fleisch, Geflügel und Eis sowie andere Nahrungsmittel, die frisch zu halten sind, gelagert werden. Diese Lebensmittel werden in riesigen Kühlelementen und Kühlschränken bevorratet. Falls ein System ausfällt, drohen Fleisch sowie andere Waren schnell zu vergammeln. Dann ist der wirtschaftliche Schaden immens, und der Verlust der dann sinnlos geschlachteten Tiere macht das Ganze noch erschreckender. Das sehen nicht nur überzeugte Vegetarier so.

Gegen ein solches Szenario gehen Unternehmen heute mit Hightech vor: Predictive Maintenance, ein seit Kurzem auch in der Baubranche verwendeter Begriff, ist das Schlagwort der Stunde.

Predictive Maintenance – was ist das? 

Predictive Maintenance ist ein Begriff der Industrie 4.0 und beschreibt frei übersetzt die „vorausschauende Wartung“ von Maschinen oder auch Gebäuden. Das Verfahren nutzt Mess- und Produktionsdaten von Maschinen und Anlagen für die Ableitung von Wartungsinformationen. Ziel ist die proaktive Wartung und Reduzierung von Störungszeiten. Im Optimalfall lassen sich für Maschinen Störungen vorhersagen, bevor es zu Auswirkungen oder Ausfällen kommt. Durch die frühzeitig bzw. proaktiv eingeleiteten Wartungsmaßnahmen ist das tatsächliche Eintreten der Störung zu verhindern.

Auch auf das Beispiel unserer Kühlkammer lässt sich das Prinzip Predictive Maintenance anwenden: Der temperierte Raum wird mit kälteunempfindlichen, günstig hergestellten Sensoren ausgestattet. Alle Gefriertruhen, Kühlschränke und Kühlkammern werden mithilfe der Sensoren, die an das Internet of Things angeschlossen sind, miteinander vernetzt. Gemessen werden unter anderem die Werte: Temperatur, Feuchtigkeit, Vibrationsintensität, Geräuschintensität oder Stromstärken. Ziel der in Deutschland hergestellten IoT-Lösung ist es, technische Ausfälle- und Probleme zu minimieren und sie, falls diese doch auftreten, sofort zu erkennen und eine Warnung an das zuständige Wartungspersonal zu senden.


Ein Fallbeispiel für den Einsatz von IoT und Sensoren

Problem:
Folgender Fall tritt ein: Eine Truhe wird geleert und der Inhalt ausgeliefert. Normalerweise dauert es, bis diese nachgefüllt wird. Lagerraum und Zeit, sprich Geld, gehen verloren.

Lösung:
Die Gewichtssensoren registrieren den Gewichtsverlust und melden das Problem automatisiert über die Sensorik in die Cloud und dann direkt auf das Smartphone des Logistikteams: „Gewichtsverlust in Truhe 1 – bitte nachfüllen.“ Die Kommunikation funktioniert einfach und über vorhandene Technik, wie Tablets und Smartphones.

Auf diese Weise werden Lagerkapazitäten immer genau ausgereizt sowie Sparpotenziale erkannt und optimal genutzt.

Weiterer Anwendungsfall dieser Made-in-Germany-Technologie

Problem:
Gleiches Szenario, anderer Sensor: Das Stromnetz und damit die Kühlkette in besagter Kühlanlage fallen bei unvorhergesehenen Spannungsschwankungen des Öfteren aus.

Lösung:
Möglich wäre hier eine ähnliche, doch etwas abgewandelte Lösung: Sensoren in allen Kühltruhen messen konstant, ab wann welche Kühltruhen eingeschaltet werden. Die gewonnenen Daten werden in die Cloud gesendet. Aus diesen Werten errechnet eine künstliche Intelligenz (KI/AI), wie viele Kühltruhen wann und in welcher Reihenfolge eingeschaltet werden dürfen, sodass das Stromnetz und damit die Kühlkette auch bei sogenannten Peaks aufrechtzuerhalten ist. Ärgerliche und vor allem kostenintensive Ausfälle werden so reduziert. Der Status „kein Ausfall” bedeutet schließlich auch geringere Wartungskosten und keine zusätzlichen finanziellen Aufwände durch Blockaden oder Überbelegung der Lagerfähigkeit der Anlage. Hinzu kommt, dass auftretende Schadensfälle sofort entdeckt und behoben werden können.

Predictive Maintenance und Big Data

Die Predictive Maintenance ist eine Kernkomponente der Industrie 4.0 – übrigens ein Begriff, der auf die Forschungsunion der Bundesregierung und ein gleichnamiges Projekt ihrer Hightech-Strategie zurückgeht. Wichtig ist hier zu wissen, dass sich diese Wartungspraxis von herkömmlichen Ansätzen, wie beispielsweise der reaktiven oder präventiven Wartung, abgrenzt. Um verlässliche Vorhersagen für die vorausschauende Wartung zu treffen, ist es erforderlich, eine große Menge von Daten zu erfassen (Big Data), zu speichern und zu analysieren. Aufgrund der riesigen Datenströme kommen Techniken und Datenbanken aus dem Big-Data-Umfeld zum Einsatz.

Durchdenkt man diese Szenarien, lassen sich viele Anwendungsbeispiele für Sensoren eruieren, die man smart, also kommunikationsfähig, gestaltet und sie mit der Cloud sowie mit Analysetools vernetzt. 

Bildnachweis: Shutterstock.com

Kommentare

Keine Kommentare vorhanden. Hier können Sie einen neuen Kommentar verfassen.

Sitzung abgelaufen

Ihre Sitzung ist abgelaufen. Möchten Sie fortfahren? Dann aktualisieren Sie bitte Ihren Browser.

Seite aktualisieren

Bestätigen

Klicken Sie auf Bestätigen, um die Aktion durchzuführen.