Predictive Maintenance Predictive Maintenance: Effizienz in der Industrie 4.0

Predictive Maintenance beschreibt einen vorausschauenden Ansatz, bei welchem Maschinen und Anlagen proaktiv und auf Basis dauerhaft erhobener Daten gewartet werden.

Anbieter zum Thema

item Industrietechnik GmbH

HOPPE Unternehmensberatung

KALTENBACH.SOLUTIONS GmbH

Mit Predictive Maintenance können Ausfallzeiten effektiv verkürzt und reduziert werden. Essentiell hierfür ist die umfassende Datenerfassung in der Produktion.

Predictive Maintenance: Eine Definition

Der Begriff Predictive Maintenance stammt aus der Industrie 4.0 und ist aus der smarten Produktion der heutigen Zeit kaum noch wegzudenken. Auf Deutsch lässt sich der Begriff Predictive Maintenance mit der Bezeichnung „vorausschauende Wartung“ wohl noch am besten übersetzen. Im Grunde geht es bei der Predictive Maintenance darum, Messdaten aus Maschinen und Anlagen zu verwenden, um in Ableitung aus diesen Daten die Wartungsintervalle der einzelnen Bauteile und Maschinen bestimmen zu können.

Ziel der Predictive Maintenance ist es immer, die Maschinen und Anlagen proaktiv und vorausschauend zu warten, dass die Störungszeiten minimiert und der Wartungsaufwand ebenfalls auf ein Minimum reduziert werden kann. Im Idealfall lassen sich dank der Predictive Maintenance Störungen und Probleme exakt voraussagen, sodass ein Unternehmen handeln kann, ehe es zu echten Ausfällen und somit zu anhaltenden Problemen kommt.

In Folge der Predictive Maintenance können die Produktionszeiten ebenso wie die Lebensdauer der verwendeten Maschinen verlängert werden, da die Wartung immer „on point“ erfolgt. Zudem können zu hohe Kosten durch unnötige Wartungsintervalle effektiv verhindert werden. Die Predictive Maintenance ist ein Werkzeug der Industrie 4.0, welche die Produktivität und Effektivität der Produktion stärkt und den Unternehmen gezielt Informationen über den gesamten Maschinen- und Anlagenpark vermittelt.

Predictive Maintenance versus herkömmliche Wartungsansätze

Die traditionelle Wartung wurde meist reaktiv verstanden. Die reaktive Wartung lässt sich zwar sehr einfach implementieren, bietet jedoch erhebliches Gefährdungspotenzial für Unternehmen. Denn erst wenn Fehler und Störungen auftreten, wird reagiert und es erfolgen die Analysen des Problems und die notwendige Fehlerbehebung. Somit kann die reaktive Wartung im Gegensatz zur Predictive Maintenance Störungen weder verhindern noch diese vorhersagen, sodass es oftmals zu erheblichen Ausfallzeiten kommt.

Im schlimmsten Fall kommt es soweit, dass die dringend benötigten Ersatzteile für die Reparatur der Anlagen und Maschinen nicht zu Verfügung stehen und somit die Ausfallzeit erheblich ansteigen lassen. Betrifft ein solcher Fall eine gesamte Fertigungsstraße oder eine für den Produktionsprozess wichtige Maschine, kann dies im schlimmsten Fall zu wirtschaftlichen Problemen beim Unternehmen führen. Die Predictive Maintenance ist somit die sichere und vor allem effektive Variante der Wartung, welche in der Industrie 4.0 mittlerweile zum Standard gehören sollte.

Drei wichtige Arbeitsschritte zur Nutzung der Predictive Maintenance

Wer im eigenen Unternehmen auf das Prinzip der Predictive Maintenance setzen möchte, muss dabei beachten, dass drei wichtige Schritte erst zu einer effektiven und somit langfristig überlegenen Predictive Maintenance führen:

• Die Erfassung, Digitalisierung und Übermittlung aller relevanten Daten

• Die Speicherung, Analyse und Bewertung der erhobenen Datensätze

• Die Berechnung von Wahrscheinlichkeiten für definierte kritische Ereignisse

Es gilt somit zunächst eine Datenbasis zu schaffen und die entsprechenden Sensoren an und in den Maschinen zu realisieren. Da sich mittlerweile viele Hersteller im Bereich der Industrie 4.0 und deren Standards bewegen, sind solche Sensoren in vielen Maschinen und Anlagen bereits integriert. Im Zuge dessen müssen von den Experten allerdings auch alle relevanten Daten erhoben werden. Wer nur die nackten Daten der Maschine misst, aber beispielsweise Werte wie Raumtemperatur und Luftfeuchtigkeit außen vor lässt, kann die Daten oftmals in keinen sinnvollen Zusammenhang bringen. Für die Predictive Maintenance gilt somit stets, so viele Daten wie nur möglich zu erheben.

Studie zu Predictive Maintenance

Unternehmen wollen in Instandhaltung investieren

Im zweiten Schritt müssen die Daten in einer Datenbank zusammengefasst und miteinander in Relation gestellt werden. Hier bieten sowohl viele Anbieter auf dem Markt praktische Lösungen, welche entweder im Rechenzentrum des Anbieters oder direkt im Unternehmen selber betrieben werden können. Hier entscheidet sich die Qualität der Daten und deren Einsatzmöglichkeiten. Denn nur durch eine gezielte und strukturierte Speicherung und einen schnellen Zugriff auf die immensen Datensätze können diese durch die intelligenten Algorithmen analysiert werden.

Industrie 4.0

Die digitale Herausforderung bewältigen

Der letzte Schritt ist entscheidend für die Predictive Maintenance. Denn in diesem Schritt wird für alle relevanten Komponenten auf Basis der erhobenen Daten Ausfallwahrscheinlichkeiten berechnet. Je besser die Daten, umso genauer können die Wahrscheinlichkeiten berechnet werden. Auf diesen Wahrscheinlichkeiten und Voraussagen basiert die Predictive Maintenance. Ehe ein Ereignis X eintritt, kann mittels Predictive Maintenance das Bauteil Y ausgetauscht werden, um Ereignis X zu verhindern.

Die Vorteile der Predictive Maintenance im Überblick

Die Predictive Maintenance bietet im Gegensatz zu anderen Methoden der Wartung erhebliche Vorteile in der Industrie 4.0. So lassen sich ungeplante und somit oftmals sehr teure Ausfallzeiten der Maschinen verhindern. Dank des umfassenden Wissens um den jeweiligen Zustand der Maschinen und deren einzelner Komponenten kann die Wartung somit exakt nach Bedarf geplant werden, was die Produktivität der Maschinen spürbar und deutlich erhöht. Auch können die Außendiensteinsätze von Mitarbeitern besser geplant und somit effizienter gestaltet werden, da die Wartungen gezielt und in einem intelligenten Intervall erfolgen können. Zudem kann auch das Ersatzteilmanagement deutlich vereinfacht werden, da die benötigten Ersatzteile bereits im Vorfeld bekannt sind und entsprechend bereitgehalten werden können. Weiterhin bietet die andauernde und beständige Analyse der Maschinen und der ausgelesenen Daten die Möglichkeit die Effizienz der einzelnen Maschinen sukzessiv zu erhöhen und somit die Auslastung zu optimieren. Somit können die Maschinen ihre Investitionskosten schneller amortisieren und somit zum wirtschaftlichen Erfolg des Unternehmens beitragen.

Insgesamt sind die Vorteile der Predictive Maintenance enorm groß, auch wenn der Aufwand zunächst für viele Anwender umständlich erscheint. Hat sich das System jedoch erst einmal etabliert und werden die Daten nicht nur gesammelt, sondern gezielt ausgewertet, lassen sich durch die Predictive Maintenance enorme Leistungssprünge bei vielen Maschinen und Anlagen erzielen. Für die smarte Produktion, welche in ihrer Leistungsfähigkeit jeweils an den aktuellen Bedarf und die aktuelle Nachfrage anpassen soll, ist die Predictive Maintenance somit nochmals deutlich von Vorteil. Der Spielraum der Unternehmen steigt schließlich gewaltig an.

Präventiv versus prädiktiv

Auch wenn die Begriffe präventive Wartung und prädiktive Wartung zunächst ähnlich klingen und auch ähnlich eingesetzt werden, so unterscheiden sich beide dennoch gewaltig. Ähnlich wie die Predictive Maintenance versucht auch die Präventive Maintenance die Ausfallzeiten zu vermeiden oder diese so kurz wie nur möglich zu halten. Allerdings werden bei der präventiven Wartung keinerlei Daten gesammelt, sondern die Wartungsintervalle nach einem festen Muster oder nach Erfahrung festgelegt. So werden unter anderem im schlimmsten Fall Verschleißteile ausgetauscht, welche noch reibungslos funktionieren. Das verursacht auf Dauer erhebliche Kosten, da die Materialkosten für das Unternehmen ohne konkrete Ursache steigen.

Auf der anderen Seite kann ein übermäßiger Verschleiß ebenfalls nicht erkannt werden. Verschleißt nun ein Bauteil besonders schnell und vor allem schneller, als es der Wartungsplan vorsieht, kommt es zu einem unvorhergesehenen Ausfall, was weitere Kosten für das Unternehmen bedeutet. Bei der Präventive Maintenance geht es also im Endeffekt nur darum, möglichst gut zu raten oder auf Erfahrung basierend abzuschätzen, wann ein Austausch und eine Wartung sinnvoll wäre. Dabei ist es für den Kosten-Nutzen-Faktor von entscheidender Bedeutung, Wartungen und Reparaturen so früh wie nötig und so spät wie möglich zu gestalten. Diese Punkte werden mit der Predictive Maintenance obsolet. Denn der Zustand aller relevanten Bauteile lässt sich anhand der erhobenen Daten kontrollieren. Somit werden weder unverschlissene Bauteile ausgetauscht, noch Verschleiß-Erscheinungen übersehen. Zwar mag der anfängliche Aufwand bei dieser Form der Wartung höher erscheinen, doch die erhobenen Daten und Datensätze können gezielt genutzt werden, um die Leistungsfähigkeit der Anlagen zu verbessern.

Somit stehen die Daten nicht nur für die Predictive Maintenance bereit, sondern können auch innerhalb des Unternehmens vielfältig weiterverwendet werden. Zusammengefasst lässt sich dies also in folgenden Punkten aufschlüsseln:

Präventive Maintenance:

• Festgelegte Wartungsmuster

• Austausch von Komponenten unabhängig vom Verschleiß

• Hohe Kosten durch hohen Ersatzteilbedarf

• Kann Ausfälle weder vorhersagen noch verhindern

Predictive Maintenance:

• Vom Zustand der Maschine oder Anlage abhängige Wartungen

• Gezielter Austausch verschlissener Teile

• Geringe Kosten durch weniger Service-Leistungen und Ersatzteile

• Ausfälle werden vermieden und Wartungsintervalle am Bedarf orientiert

Predictive Maintenance im Bezug zu Big Data

Die große Schwierigkeit für die Predictive Maintenance findet sich in der Verarbeitung und Speicherung der erhobenen Datensätze. Denn für eine effektive Predictive Maintenance müssen verschiedene Datensätze nicht nur erhoben, sondern auch gespeichert, miteinander in Relation gesetzt und von intelligenten Algorithmen bearbeitet werden. Nur durch diese Kombination lassen sich verlässliche Vorhersagen über den Zustand der Maschinen und Anlagen treffen und somit die Vorteile der Predictive Maintenance genießen.

Dabei kommt erschwerend hinzu, dass die erhobenen Daten vollkommen unterschiedliche Formate und Wert-Variablen haben können. Schließlich spielen nicht nur die Daten der Maschinen und Anlagen selber eine wichtige Rolle, sondern auch die jeweils zugehörigen Umgebungs-Variablen. Denn auch die Temperatur, die Feuchtigkeit und der Luftdruck können bei vielen Anlagen und bei deren Verschleiß eine Rolle spielen. Im Rahmen der Predictive Maintenance werden somit enorm große Datenströme erhoben, welche in regelmäßigen Abständen aktualisiert und verarbeitet werden müssen. Nur so lassen sich Trends und Entwicklungen anhand der verschiedenen Kern-Messdaten erfassen und zur Analyse bereitstellen.

Das bedeutet jedoch, dass im Rahmen der smarten Industrie und der smarten Produktion enorm große Datenbanken mit riesigen Kapazitäten genutzt werden müssen, welche die erhobenen Daten in der entsprechenden Geschwindigkeit verarbeiten können. Grundsätzlich sollten Sie sich dabei immer vor Augen führen, dass die Größe der Datenbasis und die Leistungsfähigkeit der genutzten Algorithmen die Qualität und Verlässlichkeit der erhaltenen Erkenntnisse nachhaltig beeinflussen. Betrachtet man nun die wirtschaftliche Seite, so stehen auf der einen Seite die Investitionskosten für die Predictive Maintenance, welche bei vielen Unternehmen sehr schnell sehr große Ausmaße annehmen kann. Auf der anderen Seite stehen jedoch die sinkenden Kosten für die Wartung, die Service-Mitarbeiter und die Ersatzteile und zugleich die Leistungssteigerung der Produktivität. Rechnet man diese beiden Kostenstellen gegenüber, so erscheinen die einmaligen Investitionskosten und die laufenden Kosten für die Predictive Maintenance deutlich geringer, als es zunächst den Anschein hatte. Je größer der Maschinenpark und je besser die Auslastung, umso stärker schwingt das Pendel in Richtung Predictive Maintenance.

Beispiele aus der Arbeitswelt

Ein sehr gutes Beispiel für den Einsatz der Predictive Maintenance ist in vielen Fahrzeugen zu finden. Dank der umfangreichen Datenerhebung durch viele verschiedene Sensoren eines Fahrzeuges ist es möglich teure Ausfälle und Reparaturen bei einem Fahrzeug auf ein Minimum zu reduzieren. Hierzu nehmen die Sensoren in Motor und Fahrwerk die unterschiedlichsten Daten auf und vergleichen diese sowohl mit dem Optimum als auch mit dem bisherigen Datenverlauf. Somit kann frühzeitig ein gegebenenfalls auftretender Schaden bemerkt und von der Software an den Fahrer gemeldet werden. Noch weiter sind Fahrzeuge mit vernetzter Telemetrie, welche in der Lage sind diese Daten direkt an die Werkstatt oder den Fahrzeughersteller zu melden. In einem solchen Fall kann nicht nur der Fahrzeughalter über ein solches System direkt informiert werden, sondern auch die zuständige Vertragswerkstatt. Diese kann sich somit frühzeitig mit den benötigten Ersatzteilen eindecken und somit die Reparaturdauer auf ein Minimum reduzieren.

Doch auch in der Industrie findet die Predictive Maintenance eine immer größere Verbreitung. Dank der hier ebenfalls verbauten Sensoren können beispielsweise Vibrationen, Temperaturen und auch Geräusche einer Maschine dauerhaft überwacht werden. Bereits kleinste Abweichungen werden somit registriert und können beispielsweise frühzeitig auf das Versagen eines Lagers hinweisen. In einem solchen Fall kann das Lager rechtzeitig ausgetauscht werden, ohne dass es aus diesem Grund zu weiteren Verzögerungen käme. Da dank der Predictive Maintenance bereits bekannt ist, welches Bauteil in welchem Bereich der Maschine zu ersetzen ist, kann auch die Zeit der Wartung minimiert werden. Die Downtimes der gesamten Maschine und auch die Arbeitszeit der Servicetechniker können somit auf ein Minimum reduziert werden.

Zu den mittels Predictive Maintenance gewarteten Anlagen in der Industrie zählen unter anderem Windräder und Turbinen. So lassen sich Ausfallzeiten von Turbinen durch die Predictive Maintenance auf ein Minimum reduzieren. Dank intelligenter mathematischer Algorithmen lässt sich die Schwingungsanalyse der verschiedenen Komponenten optimal einstellen, sodass zuverlässige Prognosen über Ausfallwahrscheinlichkeiten einzelner Bauteile möglich werden. Kombiniert man nun diese Prognosen mit den vorherrschenden Windverhältnissen und den geplanten Downtimes einer solchen Anlage, kann im Rahmen der Predictive Maintenance der Austausch der gefährdeten Bauteile frühzeitig und somit ohne erheblichen Aufwand vorgenommen werden. Das spart Zeit und Kosten und verhindert zudem einen längeren und ungeplanten Ausfall der gesamten Anlage.

(ID:45381160)