<img height="1" width="1" style="display:none" src="https://www.facebook.com/tr?id=798965790221670&amp;ev=PageView&amp;noscript=1">
108x92_business_blog_logo_speechbubble.png

Predictive Maintenance – Vorausschauende Wartung statt Warten auf den Ausfall

Autor Marcel Henrich am 23.5.2017

In M2M, Industrie 4.0, Digitale Transformation

predictive maintenance

Dem Österreichischen Institut für Wirtschaftsforschung zufolge liegt die Kapazitätsauslastung der produzierenden Industrie im April bei einem Wert von 84%. In Teilbereichen werden die Produktionsmaschinen sogar bis zum Anschlag ausgereizt. Das freut die Unternehmer – solange alles problemlos läuft. Doch kommt es jetzt zu einem Produktionsausfall, dann gibt es keine Möglichkeit, diesen wieder auszugleichen.

Damit das nicht passiert, werden Maschinen und Anlagen in regelmäßigen Abständen gewartet. Die Frage, wann oder wie oft die Wartung nötig ist, ist betriebswirtschaftlich brisant. Wird zu häufig gewartet, entstehen unnötig hohe Kosten für Materialverbrauch und Stillstandszeiten. Wird das Wartungsintervall zu lang angesetzt, riskiert man den Ausfall der Maschine – ungeplante Stillstände kosten zusätzliches Geld für Reparaturen, unter Umständen drohen darüber hinaus Vertragsstrafen bei Lieferverzug.

Angepasste Intervalle

Jeder Autofahrer kennt das Problem: Das Service-Scheckheft stellt auf die Laufleistung ab, zum Beispiel alle 15.000 km, bestimmte Teile werden in größeren Abständen gewechselt. Zudem gibt es eine zeitliche Komponente, weil das Öl nach einem Jahr gealtert ist. Ob der Fahrer seinen Motor nur moderat beansprucht oder regelmäßig bis zum Limit ausreizt, bleibt dabei unberücksichtigt. Und so kommt der eine problemlos bis zum nächsten Servicetermin, der andere bleibt mit Kolbenfresser oder gerissenem Keilriemen auf der Strecke.

Ähnlich ist es in der Industrie, doch hier haben es Integrator und Betreiber in der Hand, die Wartung intelligenter zu gestalten. Condition Monitoring, also Zustandsüberwachung, heißt ein Konzept, das darauf abzielt, die Wartungsintervalle auszudehnen, aber einen Stillstand zu verhindern. So werden beispielsweise Antriebsgeräusche mit Mikrofonen überwacht oder die Laufruhe von Windkrafträdern durch Vibrationssensoren gemessen. Zeigen sich Abweichungen vom Normalbetrieb, deutet das auf einen baldigen Ausfall hin – höchste Zeit für einen Service-Stopp.

Vorausschauende Wartung

Noch einen Schritt weiter geht Predictive Maintenance. Hier werden aus den Betriebs- und Zustandswerten Ableitungen getroffen über die bisherige Belastung oder den Verschleiß einer Komponente oder einer Maschine, und daraus eine Vorhersage entwickelt, wann die Ausfallwahrscheinlichkeit einen kritischen Wert erreicht. So kann der Betreiber genau planen, wann er welche Teile tauscht.

Durch den längeren Vorlauf lassen sich Stillstandszeiten gezielt planen und beispielsweise mit Umrüstarbeiten kombinieren. Zudem bleibt genügend Zeit, benötigte Materialien und Komponenten zu ordern, so dass die anfallenden Arbeiten zügig erledigt werden können und die Produktion nicht länger unterbrochen wird als nötig.

Big Data und das IoT

Predictive Maintenance ist nur ein Teilaspekt des Vorhersage-Modells Predictive Analytics, das mittels Big-Data-Methoden aus Maschinen- und Produktionsdaten Trends und Entwicklungen ableitet, die für die Steuerung der Anlage relevant sein können. Angesichts der steigenden Datenflut von Sensoren, Aktoren und sonstiger Informationsquellen aus dem Internet der Dinge (IoT) verspricht das Data Mining zusätzliche Erkenntnisse, die bisher verborgen blieben – zumindest den automatischen Steuerungssystemen.

Kostenloses Whitepaper M2M in der Praxis - jetzt herunterladen

Auf einer Maschine, die Bleche zuschneidet, würde Condition Monitoring erst Alarm schlagen, wenn die Fertigungstoleranzen überschritten werden, also zum Beispiel das Blech zu kurz gerät. Im Rahmen von Predictive Analytics würde dagegen viel früher erkannt, dass die Bleche in kleinen Schritten immer kürzer werden und dieser Trend irgendwann zum Überschreiten des Grenzwertes führt. Wenn die Ursache in der Maschine selbst begründet liegt, beispielsweise in der Abnutzung des Vortriebs, dann wird eine vorausschauende Wartung initiiert – und dadurch verhindert, dass Werkstücke aufwendig nachgearbeitet werden müssen oder gar unbrauchbarer Ausschuss entsteht.

Bezifferbarer Nutzen

Da Predictive Maintenance frühzeitig auf nötige Wartungsfenster aufmerksam macht und unter Umständen bereits auszutauschende Komponenten benennt, können Stillstandszeiten besser geplant und vorbereitet werden. So verringert sich die Gefahr fehlender Ersatzteile oder benötigter Materialien. Der Produktionsausfall wird reduziert. Letztendlich trägt die vorausschauende Wartung dazu bei, eine höhere Verfügbarkeit der Produktionsmittel, bessere Lieferfähigkeit und höhere Termintreue zu erreichen.

Das US-Energieministerium hat verschiedene Studien zu den Kosten unterschiedlicher Wartungsszenarien zusammengefasst und dramatische Kosteneinsparungen konstatiert. Die teuerste Variante ist die reaktive Wartung – also dann, wenn der Fehler bereits aufgetreten ist. Vorsorgende Wartung (Preventive Maintenance) folgt an zweiter Stelle, und am wirtschaftlichsten ist die vorausschauende Wartung (Predictive Maintenance). Gegenüber dem teuersten Fall sind die Kosten hier um 25 bis 30 Prozent geringer. Dazu kommt eine geringere Stillstandszeit (35 bis 45 Prozent weniger) und in der Folge eine höhere Produktivität (20 bis 25 Prozent höher). Nicht zuletzt trage Predictive Maintenance dazu bei, die Lebensdauer zu erhöhen. Bezieht man diesen Fakt mit ein, erhöhe sich der Return-on-Invest um den Faktor 10.

Breite Datenbasis schafft Vorteile

Eine Branche, für die Predictive Analytics besonders spannend ist, ist die Windkraft. Stillstand heißt, es wird kein Strom erzeugt und damit kein Geld verdient. Im schlimmsten Fall – wenn bei aufziehendem Sturm der Rotor nicht mehr in eine sichere Position gebracht werden kann – droht sogar die Zerstörung des Windrades, mit Gefährdung von Menschen in der Umgebung. Zudem ist eine Reparatur nicht nur extrem aufwändig, sondern auch langwierig, weil Rotorblätter nicht kurzfristig verfügbar sind.

Um den optimalen Zeitpunkt für die Instandhaltungsmaßnahmen zu finden, werden nicht nur Daten von der Anlage selbst benötigt. Wetterdaten, die darüber Auskunft geben, wann wie viel Strom produziert werden kann, aber auch der je nach Wetter, Wochentag, Tages- und Jahreszeit unterschiedlich hohe Stromverbrauch, der seinerseits Auswirkungen auf die erzielbare Einspeisevergütung hat, müssen darin einfließen und mit der Verfügbarkeit der Ersatzteile sowie den Kapazitäten des Instandhaltungsteam synchronisiert werden. Hierfür bieten sich Big-Data- beziehungsweise Cloud-Applikationen an, die IoT-Daten, Wetterdaten und Informationen aus der Unternehmens-IT zusammenführen und analysieren können. Auch Luftfahrt- und Bahnunternehmen setzen solche Systeme bereits ein.

Aber auch in der Industrie können die Daten aus der Wertschöpfungskette für zusätzlichen Nutzen sorgen. Die Berücksichtigung vorhersagbarer Fluktuationen im Auftragseingang oder in der Logistik, die sich in der Höhe der erzielbaren Preise oder in schwankenden Kosten niederschlagen, trägt dazu bei, die Kosten beziehungsweise den Ertragsausfall zu minimieren.

Die Zukunft der vorausschauenden Wartung

Klar ist: Je intelligenter die Instandhaltung organisiert wird, desto mehr ökonomischen Nutzen schafft sie. Es wäre jedoch falsch, den Return-on-Invest von Investitionen in Predictive Maintenance rein auf die Effekte rund um die Wartung zu beziehen. Vielmehr gilt es, dies als Teil einer Gesamtstrategie mit mehreren Dimensionen zu sehen.

Da wäre zum einen das Internet der Dinge zu nennen: Immer mehr Maschinen und Anlagen werden mit dem Internet of Things verbunden, um Vorteile wie automatisierte Datenerfassung und die Sicherung der Produktionsqualität zu nutzen. Zum Teil werden einfach zusätzliche Sensoren nachgerüstet, was insbesondere durch preisgünstige Drahtlostechnik wirtschaftlich immer interessanter wird. Zum Teil werden Maschinen auch so umgebaut, dass nicht nur zusätzliche Messdaten erfasst werden können, sondern auch die Möglichkeiten der automatischen Steuerung erweitert werden.

Die zunehmende Anwendung von Big Data in der Industrie legt einen weiteren Grundstein für Predictive Maintenance – und zugleich für das übergreifende Thema Predictive Analytics. In einer Umfrage von Pierre Audoin Consultants (PAC) gaben 34 Prozent der Befragten an, Predictive Analytics bereits einzusetzen. Nur 5 Prozent der Befragten glauben, dass in Bezug auf Predictive Maintenance bereits alle Potenziale ausgeschöpft sind.

Die könnten sich mit einem weiteren Trend drastisch erhöhen: dem Einsatz von Machine Learning oder sogar von Künstlicher Intelligenz mit zunehmend automatisierten Prozessen. Die Effekte, die sich daraus ergeben, gehen über Big-Data-Analysen weit hinaus. Erkennungsalgorithmen können sich auf Basis von neuronalen Netzen schon heute selbst optimieren. Der Einsatz von Wartungspersonal wird ebenso optimiert wie die automatisierte Beschaffung von Materialien und Ersatzteilen.

 

m2m cta