Instandhaltung Was ist Predictive Maintenance? Definition, Beispiele & Anbieter

Mit Predictive Maintenance können Betriebe enorme Kosten sparen. Wo sich der Einsatz lohnt und wie Sie Ihr erstes Projekt erfolgreich umsetzen, lesen Sie hier.

Anbieter zum Thema

Klinkhammer Intralogistics GmbH

Getac Technology GmbH

HOPPE Unternehmensberatung

Um das Thema Predictive Maintenance kommt fast kein Unternehmen mehr herum. Das Marktpotenzial ist heute schon riesig und dürfte sich innerhalb der nächsten beiden Jahre noch deutlich vergrößern – aktuelle Studien prognostizieren für 2022 ein Volumen von knapp 6 Mrd. Euro. Aber was bedeutet Predictive Maintenance eigentlich genau?

Hier eine Erklärung: Predictive Maintenance ist eine Technik, die Maschinenausfälle im Voraus ankündigen kann. Dazu nutzt sie Vorhersagemodelle; diese werden mithilfe komplexer Algorithmen und auf Basis gemessener Maschinendaten entwickelt. Die korrekte Übersetzung ins Deutsche ist „prädikative“ oder „vorausschauende Instandhaltung“. Im Sprachgebrauch wird Predictive Maintenance auch als „Predictive Analytics“ bezeichnet – genau genommen ist die vorausschauende Instandhaltung allerdings eine Unterklasse hiervon.

Experten schätzen, dass sich mit Predictive Maintenance bis zu 70 % aller ungeplanten Ausfälle verhindern lassen. Betrieben gibt das Verfahren die Möglichkeit, ihre Instandhaltung optimal zu timen – nicht zu oft und nicht zu selten. So können die Firmen knapp ein Drittel ihrer Wartungskosten sparen. Eine hohe Wertschöpfung hält zudem Predictive Maintenance als Geschäftsmodell bereit – also wenn Maschinenbauer zusätzlich zur eigentlichen Anlage noch den präventiven Wartungsservice mit verkaufen.

Unabhängig davon, ob als Angebot für Kunden oder für den Eigengebrauch genutzt: Dort, wo das Verfahren eingesetzt wird, kann man schnell Verbesserungen in der Produktion feststellen. Hier sind fünf exemplarische Vorteile von Predictive Maintenance:

• Serviceintervalle lassen sich maximal effizient planen

• Die gesamte Wartungszeit verringert sich durch Predictive Maintenance

• Ursachen für Maschinenausfälle können die Servicetechniker schnell identifizieren und neutralisieren

• Das Prozesswissen der Entscheider steigt: Die Produktion wird transparenter

• Betriebe können ihr Ersatzteilmanagement mit Predictive Maintenance effizienter aufstellen

Predictive Maintenance vs. Preventive Maintenance vs. Reactive Maintenance

Den Anfang in der „Evolution“ der Instandhaltungsstrategien machte Reactive Maintenance (zu Deutsch: „reaktive Wartung“). Gewartet wird dann, wenn eine Maschine kaputt ist. Durch unerwartete Stillstände kommt es so allerdings zu hohen Ausfallkosten und Lieferschwierigkeiten.

Eine deutlich effektivere Methode ist Preventive Maintenance (zu Deutsch „präventive Instandhaltung“). Maschinen werden in regelmäßigen Abständen überholt, egal ob sie Verschleißerscheinungen zeigen oder nicht. Zwar gibt es damit seltener ungeplante Anlagenausfälle, dennoch lässt präventive Instandhaltung große Einsparpotenziale offen. Immer wieder wird nämlich zu früh gewartet. Das verursacht unnötige Kosten durch Techniker sowie Ersatzteilbeschaffung und -lagerung. Noch heute zahlen viele Betriebe zu viel, weil sie rein auf Preventive Maintenance setzen.

Mit ihrem vorausschauenden Ansatz schafft Predictive Maintenance hier Abhilfe. Wartungen werden genau dann durchgeführt, wenn sie die geringste Auswirkung auf die Produktion haben und sind so geplant, dass sie möglichst wenig Personal- und Materialaufwand verursachen.

Anwendungsbeispiele: Hier wird Predictive Maintenance schon eingesetzt

Acht von zehn Unternehmen haben sich bereits mit der vorausschauenden Instandhaltung beschäftigt. Trotz vielversprechender Gewinnerwartungen geht allerdings nur jeder Vierte das Thema auch in Projekten an. Die Gründe dafür sind vielfältig. Predictive Maintenance zu entwickeln ist ein Fulltime-Job. Gerade KMU schrecken vor diesem Aufwand zurück. Außerdem fehlen vielen Betrieben Vorbilder aus der eigenen Branche. Dabei gibt es einige positive Beispiele für den Einsatz von Predictive Maintenance – und zwar in verschiedenen Branchen. Hier drei Leuchtturmprojekte:

• Heidelberger Druckmaschinen erweitert das Serviceangebot
  Mit Predictive Maintenance neue Geschäftsmodelle erschließen – das war das Ziel einer Zusammenarbeit von Heidelberger Druckmaschinen und dem Softwareanbieter USU. Den Projektpartnern gelang es skalierbare Services zur vorausschauenden Instandhaltung zu entwickeln. Im Basisvertrag geht es los mit der reinen Überwachung der Anlage, im Premiumpaket sind zusätzlich ein eigener Ansprechpartner und regelmäßige Abstimmungsrunden inklusive.

• HBM reduziert seine Stillstandszeiten
  Mit der Software „Nexeed IAS“ von Bosch hat der Messtechnik-Anbieter HBM seine Kalibrierprozesse transparenter gemacht. Dank einer Predictive-Maintenance-Option ließen sich sowohl deren Sicherheit als auch deren Effizienz verbessern. Zu Stillständen kommt es damit heute deutlich seltener als früher.

• MAN beugt LKW-Pannen vor
  Ausfälle von LKW und Transportern sind ein Killer für Supply Chains. Auch MAN hatte immer wieder Probleme mit Kosten durch Fahrzeugpannen. Gemeinsam mit dem Beratungsunternehmen Alexander Thamm konzipierte der LKW-Hersteller deshalb einen Telematikdienst, der als Datenlieferant für die präventive Erkennung von Schäden dient. Und das System hatte Erfolg: Durch den Einsatz von Predictive Analytics konnte MAN seine Ausfallkosten senken.

Weitere erfolgreiche Beispiele für Predictive Maintenance und Predictive Analytics gibt es in der Luftfahrt oder im Schienenverkehr. Besonders profitabel ist die vorausschauende Instandhaltung allerdings in Industrie und Fertigung.

Industrie 4.0

Predictive Maintenance in der Drucklufttechnik

Tipps: So setzen Sie Predictive Maintenance erfolgreich um

Wenn Betriebe mit vorausschauender Instandhaltung so umfangreiche Potenziale ausschöpfen können, warum nutzt sie dann nicht längst schon jeder? Beim Einstieg in die Technik gibt es mehrere Stolperfallen und viele Use Cases scheitern an grundlegenden Fragen. Damit Ihnen das nicht passiert, haben wir für Sie sieben hilfreiche Expertentipps, die Sie bei Ihrem ersten Predictive-Maintenance-Projekt beachten sollten:

• 1. Verfolgen Sie einen echten Mehrwert!
  Die vorausschauende Instandhaltung ist kein Selbstzweck. Beziehen Sie sie deshalb in Ihren Gesamtkontext ein: Welches Geschäftsmodell möchten Sie mit Predictive Maintenance eigentlich verfolgen? Welchen Nutzen versprechen Sie sich? Ein klares Ziel und ein Comitment aus dem Management sind unverzichtbar.

• 2. Konzentrieren Sie sich auf ein Leuchtturm-Projekt!
  Es kommt immer wieder vor, dass sich Firmen mit zu vielen Machine-Learning- oder KI-Projekten überfrachten. Ausschlaggebend ist nicht die Anzahl der Vorhaben, sondern dass Sie sie durchziehen. Eine Fokussierung vermeidet Fehler und sorgt für bessere Ergebnisse. Rom wurde schließlich auch nicht...

• 3. Stellen Sie ausreichende Ressourcen bereit!
  Oft unterschätzen Entscheider den Umfang von Projekten zu Predictive Maintenance. Machen Sie sich klar, dass Predictive Maintenance eine Vollzeitaufgabe ist. Prüfen Sie frühzeitig, ob Sie über die nötige Workforce verfügen. Falls nicht: Wägen Sie potenzielle Gewinne bzw. Ersparnisse mit den Personalkosten für neue Stellen ab. Behalten Sie auch Ihre IT im Blick: Für die Speicherung und Verarbeitung großer Datenmengen brauchen Sie eine starke Infrastruktur.

• 4. Lassen Sie sich nicht von hohen Initialkosten abschrecken!
  Es ist sehr wahrscheinlich, dass Sie zu den 75 % der Unternehmen gehören, die ohnehin schon über eine solide Datenbasis verfügen. Viele wissen das aber gar nicht. Kaufen Sie also nicht sofort neue, teure Sensorik, sondern werten Sie gemeinsam mit Ihrem Data Scientist erst einmal das aus, was Ihnen schon zur Verfügung steht. Anschließend sind gezielte Investitionen sinnvoll, um genau die Daten zu ermitteln, die Ihnen noch fehlen.

• 5. Bilden Sie interdisziplinäre Teams!
  Gleich am Anfang sollten Sie wichtige Schnittstellen mit ins Boot holen. So bauen Sie gemeinsam Ihre Datenskills auf und erweitern Ihr Predictive-Maintenance-Know-how. Fühlen Sie sich fachlich nicht gut genug aufgestellt, nehmen Sie externe Experten mit dazu. Unterstützung bekommen Sie von einer Vielzahl von Anbietern (siehe unten) und Forschungseinrichtungen, etwa dem Fraunhofer ITWM.

• 6. Erstellen und nutzen Sie einen Datenkatalog!
  Zuverlässige Vorhersagemodelle brauchen riesige Mengen an Daten. Da verliert man schnell den Überblick. Gewöhnen Sie es sich deshalb an, Ihr Wissen strukturiert abzulegen und Ihre Datensätze zu ordnen.

• 7. Setzen Sie Ihre Erkenntnisse in die Praxis um!
  Es klingt unglaublich, ist aber wahr: Eine Studie von Bearingpoint aus dem Jahr 2017 zeigt, dass nur ein Drittel der Unternehmen, die ihre Prozessdaten zielgerichtet auswerten, ihre Prozesse tatsächlich auch anpassen. Legen Sie bei Projektende also unbedingt klare Maßnahmen fest, damit Sie das erarbeitete Wissen auch umsetzen können!

Und noch ein Bonustipp: Je nach Use Case könnte Ihr Projekt zu Predictive Maintenance förderfähig sein. Passende staatliche Programme gibt es in fast allen Bundesländern – zum Beispiel den Digitalbonus in Bayern, die Digitalisierungsprämie in Baden-Württemberg oder das Programm „Mittelstand 4.0“ in Berlin. Reichen Sie dafür auf jeden Fall einen Prüfantrag ein und versuchen Sie Ihr Glück.

In drei Schritten: So arbeitet Predictive Maintenance

Verschleißprozesse hängen von verschiedenen physikalischen Einflüssen ab – zum Beispiel von Schwingung, Temperatur, Luftfeuchtigkeit, Druck usw. Ein zuverlässiges Vorhersagemodell bezieht all diese Größen mit ein. Grundlage für Predictive Maintenance ist deshalb die Sammlung von Monitoring-Daten direkt an der Maschine mithilfe von Sensorik. Diesen Vorgang bezeichnet man auch als Condition Monitoring (zu Deutsch „Zustandsüberwachung“).

Im ersten Schritt ist es wichtig, Produktionsdaten unter verschiedenen Produktionsbedingungen zu gewinnen, also beispielsweise an mehreren Standorten. Schnell kommen damit große Datenmengen zusammen (Stichwort Big Data), die es ermöglichen, Predictive Maintenance ortsunabhängig und sogar über verschiedene Maschinentypen hinweg zu skalieren.

Im zweiten Schritt geht es in der sogenannten Forschungsphase um die Aufbereitung der Daten. Im Fokus stehen hier deren Bereinigung und die Ermittlung der Zustandsindikatoren. Ein Data Scientist definiert, welche konkreten Messwerte der Algorithmus als „Normalzustand“ und welche er als „defekt“ interpretieren soll. Nach dem Prinzip von Machine Learning trainiert das mathematische Modell, die real gemessenen Datenkurven um künftige Verläufe zu erweitern. Es kann danach die verschiedenen möglichen Entwicklungen auf das jeweils defekte Glied der Anlage zurückführen und anzeigen, wann welche Instandhaltungsmaßnahme nötig ist.

Als dritter Schritt folgt die Umsetzungsphase. Den mit Machine Learning bzw. KI entwickelten Algorithmus können die Anwender nun auf einem Edge Device oder in der Cloud installieren. Leider lässt sich nicht pauschal sagen, wie lange ein typisches Projekt zu Predictive Maintenance dauert oder wie viel es kostet. Die einzelnen Use Cases sind zu individuell.

Diese Anbieter können Sie zu Predictive Maintenance konsultieren

Gerade am Anfang macht es Sinn, für die Entwicklung von Predictive-Analytics-Modellen externe Experten zurate zu ziehen. Neben den oben genannten haben wir hier noch fünf Big Player für Sie zusammengestellt:

• Bei der Telekom bekommen Sie Hardware, Konnektivität, Dashboard und Auswertungsmodelle aus einer Hand.

• IBM verfügt über jahrelanges Know-how zum Thema Predictive Maintenance. Das zentrale System heißt PMQ (Predictive Maintenance and Quality).

• ABB bietet smarte Sensoren speziell für Motoren an. Direkt am Gerät angebracht, nehmen sie die Maschinendaten auf. Ein zentrales System analysiert die Informationen und schickt die Ergebnisse auf ein Endgerät Ihrer Wahl.

• Symmedia sammelt Ihre Daten und stellt sie in einem Customer Cockpit zur Verfügung. Von dort können Sie diese direkt an die Hersteller schicken.

• Auch SAP kann auf mehrere erfolgreiche Projekte im Bereich vorausschauende Instandhaltung zurückblicken – unter anderem bei Siemens und Kaeser Kompressoren.

eBook

Machine Learning for Dummies

Weitere Quellen zu Predictive Maintenance

Wenn Sie sich tiefergehend mit vorausschauender Instandhaltung beschäftigen möchten, sind diese Quellen empfehlenswert (sie wurden auch für diesen Beitrag herangezogen):

• In einer gemeinsamen Studie haben sich der VDMA und Roland Berger 2017 intensiv mit den Potenzialen prädikativer Wartung auseinandergesetzt.

• Interessante Zahlen und Fakten zu Predictive Maintenance finden Sie auch im Industrie 4.0 Index 2019 der Staufen AG und der Digital Neonex GmbH.

• Mit diesem exklusiven Webinar von USU und MM MaschinenMarkt bekommen Sie einen strukturierten Leitfaden für die Entwicklung von KI-basierten Services an die Hand.

(ID:46381741)