Predictive Maintenance befreit Maschinen – vom CNC-Zentrum, über Flug- und Fahrzeuge bis hin zur IT – von festen Wartungsintervallen. Sensoren überwachen dafür permanent und in Echtzeit zum Beispiel Vibrationen, Geräusche und Geschwindigkeiten. Eine spezielle Wartungs-Software erfasst, verarbeitet und speichert diese Daten.
Algorithmen bewerten diese Informationen, vergleichen sie mit historischen Daten, Analysen und/oder mit Vorhersagen. So können defekte oder abgenutzte Bauteile, die zu Störungen führen könnten, frühzeitig erkannt und proaktiv ausgetauscht werden – bevor ein Schaden beziehungsweise ein Stillstand eintreten kann.
Vorausschauende Wartung wird bereits in vielen Bereichen eingesetzt. Das drohende Versagen eines Lagers kann beispielsweise über auftretende Vibrationen prognostiziert werden. Auf diese Weise werden inzwischen bei Windkraftanlagen Ausfallzeiten fast vollständig vermieden. Gleiches gilt für Werkzeuge: Auf Basis der genauen Beobachtung von Temperatur, Vibration und Schneideergebnis kann die maximale Lebensdauer beispielsweise eines Fräskopfes ausgenutzt werden – ohne Gefahr eines außerplanmäßigen Maschinenstopps. Voraussetzungen dafür sind eine präzise Sensorik, leistungs-fähige Kommunikationsnetzwerke und eine hochperformante IT-Architektur – für die Verarbeitung von Big Data und deren Abgleich mit bekannten Fehlerbildern sowie mit statistische Voraussagen.
Vorbeugend versus vorausschauend:
ein Systemvergleich
Ähnlich wie Predictive Maintenance versuchen auch klassische Wartungskonzepte Ausfallzeiten zu vermeiden oder zumindest die Kosten zu minimieren. Dazu gibt es zwei Ansätze: Reaktiv und präventiv. Reaktive Konzepte greifen erst bei tatsächlichen Fehlern oder Störungen ein. Solche Services lassen sich zwar ohne viel Aufwand umsetzen, sind jedoch nur empfehlenswert, wenn unvorhergesehene Ausfälle keinerlei Einfluss auf nachfolgende Produktionsprozesse ausüben. Präventive Wartung definiert dagegen starre Wartungsintervalle auf Basis von Erfahrungen oder Herstellerangaben. Ausgangspunkt ist die Abwägung der Material- und Wartungskosten versus den Kosten eines drohenden Ausfalls. Deshalb werden Verschleißteile zu einem bestimmten Zeitpunkt unabhängig von ihrem tatsächlichen Zustand ausgetauscht. Auf Dauer muss das Unternehmen vermeidbare Kosten tragen, die durch Predictive Maintenance eingespart werden könnten. Dazu kommt: Selbst enge Wartungsintervalle schützen nicht vor unerwarteten Maschinenausfällen durch vorzeitigen Verschleiß oder Materialfehler. Sowohl bei reaktiven wie auch bei präventiven Wartungskonzepten werden üblicherweise keine Prozessdaten gesammelt und ausgewertet. Damit lassen sich die verschiedenen Modelle nicht kontinuierlich verbessern bzw. auf einer exakten Datenbasis an die jeweiligen Produktionsparameter anpassen. Sie sind mithin statisch.
Very Big Data
Predictive Maintenance-Strategien benötigen Daten, sehr viele Daten. Dazu gehören nicht nur die eigentlichen Sensorinformationen aus der Maschine, sondern sämtliche
relevanten Parameter: von der Wareneingangskontrolle, den vorangegangenen Prozessschritten sowie Umgebungsfaktoren wie Luftdruck, Temperatur, Feuchtigkeit, bis hin zur Tageszeit und den Mitarbeitern. Je umfassender die Datenerhebung, desto aussagestärker die Voraussagen für die folgenden Wartungs-Aktivitäten. Mit dieser Aufgabe dürfte der klassische IT-Verantwortliche überfordert sein, was die Einschaltung
externer Spezialisten erfordert – neben den technologischen Investitionen ein weiterer Kostenpunkt.
Lohnt der Aufwand? Das wird derzeit diskutiert. Laut einer Studie der Unternehmensberatung BearingPoint aus dem Jahr 2018 kennt zwar ein Großteil der Verantwortlichen die Vorteile vorausschauender Wartung – aber erst ein Viertel der Befragten haben konkrete PM-Projekte umgesetzt. Und davon wiederum beschränken sich
viele auf „Condition Monitoring“, also die bloße Beobachtung des Betriebs einer Maschine ohne weitere Datennutzung. Die Gründe für die Zurückhaltung liegen in den Kosten, in technologischen Hürden, Sicherheitsbedenken sowie in der Skepsis, dass sich die Investitionen tatsächlich auszahlen. Denn eine der größten Fehlerquellen kann auch noch so umfangreiche Sensorik und Analytik nicht ausschalten: den Menschen. Fehlbedienungen, Nachlässigkeiten und Manipulationen entziehen sich der Überwachung durch Predictive Maintenance.
Deshalb schränkt Thomas Rohrbach, Geschäftsführer der Staufen Digital Neonex GmbH, ein: „Die überwiegende Mehrheit der Maschinenausfälle lässt sich auf Faktoren zurückführen, die Predictive Maintenance nicht lösen kann, allen voran Bedienungsfehler. Einen echten Mehrwert kann vorausschauende Wartung erzielen, wenn sie mit anderen Leistungen gekoppelt wird, etwa einer intelligenten Überwachung der Prozessdaten zur Optimierung von Verfahren und Material oder digitalen Assistenzsystemen, die Fehler durch den Menschen verhindern.“
Der Weg zu Wartung 4.0
Der erste Schritt besteht in der Erfassung, gegebenenfalls Digitalisierung und Speicherung aller relevanten Daten. Das ist bei modernen Anlagen im Industrie 4.0-Umfeld kein Problem: In vielen Maschinen sind entsprechende Sensoren bereits integriert. Dazu müssen weitere Parameter wie Klima und Bedienerdetails kommen. Im nächsten Schritt wird aus dem großen Datenberg Smart Data. Zahlreiche IT-Spezialisten bieten inzwischen Lösungen an, die relevante Korrelationen und Abhängigkeiten finden und interpretieren. Es folgt die wichtigste Phase: die Berechnung der Ausfallwahrscheinlichkeiten für Anlagen, Maschinen und Werkzeuge. Danach müssen die
Ergebnisse in die Praxis umgesetzt werden: in Form veränderter Wartungspläne.
Predictive-basierende Konzepte werden sich im Umfeld von Industrie 4.0 durchsetzen, da ist sich Daniel Kahneman, Nobelpreisträger für Behavioural Economics, sicher: „Der Mensch ist nicht in der Lage, statistisch-quantitative Entscheidungen permanent gut genug zu treffen und lässt sich häufig täuschen – meist durch Optimismus.“ Es ist aber nicht diese Unzulänglichkeit, sondern die überzeugenden Vorteile, die über kurz oder lang Algorithmen in die Serviceplanung heben werden. Denn mit Predictive Maintenance werden nicht nur Wartungs-arbeiten planbar und können teure Ausfallzeiten der Maschinen verhindert werden –
Unternehmen können darüber auch produktionskritische Anlagenkomponenten und problematische Umgebungsparameter (beispielsweise der Einfluss von Außentemperatur und Luftfeuchtigkeit) identifizieren. Auch die Einsatzplanung von Servicekräften wird einfacher und wirtschaftlicher. Die Kosten für das Ersatzteilmanagement
sinken, da alle zukünftig benötigten Ersatzteile im Voraus bekannt sind und entsprechend bestellt beziehungsweise gelagert werden können. Und nicht zuletzt kann die langfristige Analyse zu einer verbesserten Maschinenauslastung beitragen. Klaus-
Peter Gushurst, Leiter des Bereichs Industries und Innovation bei PwC, fasst die Vorteile aus seiner Sicht zusammen: „Industrial Champions verzeichnen mit vorausschauender Instandhaltung bei den Wertschöpfungstreibern – also Betriebs- und Lebenszeiten ihrer Maschinen und Anlagen, Kosten-
reduktionen sowie reduzierten Unfall- und Gesundheitsrisiken – Verbesserungen von mehr als 25 Prozent.“
Serie Industrie 4.0
Wir begleiten Sie mit unserer Serie auf dem Weg zur Digitalisierung. In dieser Ausgabe beleuchten wir das Thema Predictive Maintenance. Alle Beiträge finden Sie auch online auf www.industrieanzeiger.de.
