Predictive Maintenance für Rechenzentrumssysteme

Deutsche Rahmenbedingungen

In Deutschland forschen Fraunhofer-Institute (IPT, IML) und der VDI zu prädiktiver Instandhaltung für industrielle Anlagen. Die DIN EN 13306 (Instandhaltungsterminologie) bietet den Rahmen für die Klassifikation von Wartungsstrategien. In der Rechenzentrumsbranche wenden Betreiber wie Equinix und NTT prädiktive Modelle auf Kühlanlagen und USV-Systeme an. Das BMWK fördert Digitalisierungsprojekte im Bereich Predictive Maintenance über das Programm 'Digital Jetzt'.

Schlüsselbegriffe

Zustandsbasierte Instandhaltung

Wartung auf Basis des gemessenen Zustands einer Komponente statt auf Basis eines festen Zeitplans. Verhindert sowohl zu frühes als auch zu spätes Eingreifen.

Schwingungsanalyse

Messung von Vibrationen in rotierenden Maschinen (Ventilatoren, Pumpen, Kompressoren), um Lagerverschleiß und Unwucht frühzeitig zu erkennen.

Thermografie

Wärmebildanalyse von elektrischen Verbindungen und Schaltanlagen. Hotspots weisen auf lockere Verbindungen oder überlastete Stromkreise hin, die zu Brand oder Ausfall führen können.

Trendanalyse

Vergleich von Sensorwerten über die Zeit zur Erkennung von Degradationsmustern. Ein allmählich steigender Motortemperaturwert kann auf verringerten Kältemittelfluss hinweisen.

Mean Time Between Failures (MTBF)

Statistisch erwartete Zeit zwischen zwei Ausfällen einer Komponente. Basis für die Festlegung von Wartungsintervallen und der Ersatzteilpolitik.

So funktioniert es

Predictive Maintenance beginnt bei der Erfassung der richtigen Daten. Installieren Sie Vibrationssensoren an Ventilatoren und Pumpen, Temperatursensoren an Lagern und Transformatoren sowie Strommessgeräte an einzelnen Stromkreisen. Die meisten modernen Kühlanlagen und USV-Systeme verfügen über integrierte Sensoren, die über BACnet oder Modbus auslesbar sind.

Die gesammelten Daten werden auf Muster analysiert. Die Basisanalyse arbeitet mit Schwellenwerten: Wenn eine Lagertemperatur über einen bestimmten Grenzwert steigt, wird ein Arbeitsauftrag generiert. Erweiterte Analysen verwenden maschinelles Lernen, um subtilere Muster zu erkennen, wie eine sich allmählich verändernde Vibrationssignatur, die Wochen vor dem tatsächlichen Ausfall erkennbar ist.

Die Implementierung erfolgt schrittweise. Beginnen Sie mit den kritischsten und teuersten Komponenten: Kühlkompressoren, USV-Module und Generatoren. Messen Sie die Ergebnisse: Abnahme ungeplanter Ausfälle, Verlängerung der Komponentenlebensdauer und Senkung der Wartungskosten. Erweitern Sie dann auf weniger kritische Systeme. Das Ziel ist nicht, präventive Wartung vollständig zu ersetzen, sondern beide Strategien nebeneinander einzusetzen, wo jede am effektivsten ist.