Predictive Maintenance

Definition: Was ist Predictive Maintenance?

Predictive Maintenance (Vorausschauende Wartung) erweitert die klassischen Inspektionspläne und Vorgaben für Objekte wie Maschinen, Anlagen und Geräte durch eine zukunftsgerichtete Perspektive.

Predictive Maintenance bündelt historische Daten zu kritischen Betriebsparametern mit Echtzeit-Informationen, welche im Zuge der ständigen Zustandsüberwachung der Maschine oder Anlage (Condition Monitoring) erfasst werden. Die geeignete Zusammenführung und Auswertung dieser Informationen führen zu einer Prognose der voraussichtlichen Restlebensdauer von Maschinenkomponenten. Für jede Produktionssituation muss dabei ein eigener Algorithmus, also ein eigenes mathematisches Vorhersagemodell, angewendet werden.

 

Arten von Predictive Maintenance

Reaktive Instandhaltung

Vielfach noch Realität in manchen, vor allem kleinen Unternehmen: Maschinen werden erst dann zum akuten Thema, wenn ein Schaden aufgetreten ist. Stillstand ist teuer – vor allem, wenn dann die eigene Produktion lahmt und/oder Kundenaufträge nicht zeitgerecht ausgeführt werden können. Bei der reaktiven Instandhaltung werden Ausfälle in Kauf genommen. In der Regel liegen keine aussagefähigen Daten vor, aus denen sich zukunftsgerichtete Aktionen ableiten ließen.

 

Vorbeugende Instandhaltung

Bei der vorbeugenden Instandhaltung werden regelmäßig in bestimmten Zeitabständen Wartungsarbeiten ausgelöst, etwa der Austausch von Filtern, Dichtungen, Lagern, Schrauben, Komponenten etc. Diese Aktionen (Inspektion, Condition Monitoring) beruhen auf Erfahrungswerten und führen zu geringeren Ausfallquoten. Hierbei fallen verhältnismäßig hohe Instandhaltungskosten an (Ersatzteilbevorratung etc.). Zudem wird die Lebensdauer der Ersatzteile nicht ausgeschöpft.

 

Zustandsorientierte Instandhaltung

Hierbei wird der Ist-Zustand mittels Sensorik permanent überprüft (Condition based Monitoring) und die Wartung angepasst. Bei Erreichung von festgelegten Mindestwerten wird nach Plan agiert.

 

Vorausschauende Wartung

Vorausschauende Wartung ist der nächste große Schritt innerhalb von Industrie 4.0-Umgebungen.

 

Was leistet Predictive Maintenance?

Durch intelligente Analyse unterschiedlichster Daten wird die Instandhaltung daran ausgerichtet, was höchstwahrscheinlich passieren wird. Die ermittelten Daten aus verschiedenen Parametern stammen aus unterschiedlichen Quellen. Über Abgleiche mit Fehlerbildern und Algorithmen lassen sich Muster erkennen, simulieren und vor allem interpretieren.

Störungen werden sofort bemerkt und lassen sich zumeist ohne Ausfallzeiten beheben. Ersatzteilmanagement und Wartungsintervalle sind wesentlich besser planbar. Die Zusammenarbeit mit (vernetzten) Servicepartnern ist entspannter. Unternehmen können ihr Budget belastbar kalkulieren.

 

Voraussetzungen für Predictive Maintenance

Das bloße Sammeln von Daten genügt nicht. Predictive Maintenance erfordert die nötige Menge und Qualität an Daten. Big Data muss in Smart Data verwandelt werden – nur so können die richtigen Maßnahmen abgeleitet werden. Dazu könnte ein Anlagenbetreiber seinem Servicepartner Zugriff auf die die Maschinendaten geben, damit dieser sich komplett um dessen Motoren kümmert. Oder ein Servicepartner bringt Sensortags an Maschinen an, um etwa die Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE) zu messen. Eine weitere Herausforderung liegt darin, dass mehr Expertise im Bereich Softwareentwicklung benötigt wird. Dieses Know-how gilt es, selbstständig aufzubauen und/oder einzukaufen.

 

Wann soll Predictive Maintenance im Unternehmen eingesetzt werden?

Ob und wann Predictive Maintenance eingesetzt werden soll, wird noch ausgiebig diskutiert. In einer Umfrage haben Roland Berger, Deutsche Messe und der Verband Deutscher Maschinen- und Anlagenbau e.V. (VDMA) den aktuellen Stand der Diskussion und Umsetzung von Predictive Maintenance in deutschen Unternehmen herausgearbeitet:

  • Predictive Maintenance wird klar als ein Schlüsselthema in der produzierenden Industrie erkannt und als eindeutige Voraussetzung für zukünftigen und nachhaltigen Erfolg im Service gesehen. Es sind deutliche und schnelle Entwicklungsfortschritte im Bereich der dafür notwendigen Technologien auszumachen, jedoch bestehen noch Defizite bei der systematischen Überführung von Daten in (Kunden-)Nutzen sowie der Umsetzung in konkrete Geschäftsmodelle.
  • Predictive Maintenance wird aktuell noch recht opportunistisch betrieben. Große Unsicherheit und Intransparenz besteht hinsichtlich der eigenen Position und Rolle im künftigen Predictive Maintenance-Ökosystem. Hier existiert Handlungsbedarf in der Festlegung des eigenen spezifischen Wertbeitrags in der Predictive Maintenance-Wertschöpfungskette sowie der Auswahl geeigneter Strategien zur Monetarisierung der Predictive Maintenance-Angebote.
  • Genaue Kundenanforderungen an Predictive Maintenance sind häufig noch unbekannt und aktuell zumeist aus der internen technischen Perspektive (z. B. weitere Produktverbesserung) definiert – Co-Creation mit Kunden (gemeinsame Predictive Maintenance-Ausgestaltung mit Kunden) ist zumeist bestenfalls angedacht.
  • Klarer Trend zu Kollaboration erkennbar: Ein Großteil der Befragten glaubt daran, dass Partnerschaften mit externen Kooperationspartnern, ggf. auch dem direkten Wettbewerb, wichtig zur Generierung kundenspezifischen Predictive Maintenance-Mehrwerts sind.

 

Die Deutsche Messe betonte anlässlich der Hannover Messe 2018: „Hemmschuhe bei der Investition größerer Summen in die vorausschauende Wartung sind zudem Bedenken hinsichtlich Sicherheit und Datenschutz, der Mangel an internen Analytics-Kenntnissen sowie an Wissen, wie die gewonnenen Daten gewinnbringend genutzt werden könnten.“

Hinweis: IBM, SAP, Siemens, Bosch, Microsoft, GE beispielsweise sind große Player in Sachen Predictive Maintenance. Es gibt mittlerweile eine Reihe unabhängiger Spezialisten. Und auch bei Sachen Start-ups kann eine Anfrage bzw. Recherche lohnen.