https://info.all-for-one.com/hubfs/IoT%20Machine%20Learning/blog/Cluster%20PM/PM%20def%20title.png

LESEZEIT: 6 MINUTEN

Predictive Maintenance: Definition, Abgrenzung und was es bringt

29.07.2021 20:51 PM

Predictive Maintenance, deutsch: vorrausschauende Wartung, ist mehr als ein Buzzword – auch wenn man bei einer oberflächlichen Suchanfrage nach Definitionen und Beispielen genau diesen Eindruck bekommen kann: die Definitionen sind meist sehr allgemein und die Beispiele oft generisch.

Die mangelnde Konkretheit liegt jedoch gewissermaßen in der Natur der Sache: Das Konzept von Predictive Maintenance ist auf viele Szenarien anwendbar und dabei gleichzeitig so komplex, dass eine ganzheitliche Definition nur bedingt erklärend sein kann.

Praktisch geht es darum, den Wartungsvorgang von Maschinen dadurch zu verbessern, dass man Maschinen- und Prozessdaten auswertet. Hierbei kommen unterschiedlichste Daten in Frage- so können zum Beispiel: Temperatur, Luftfeuchtigkeit oder Druck unterschiedliche Auswirkungen auf eine Maschine - aber auch auf die Qualität des, auf ihr gefertigten, Produktes haben. Solche Daten können als Indikatoren für einen Ausfall der Maschine bzw. einer Qualitätsminderung im Fertigungsprozess dienen. Hierzu müssen die möglichen Indikatoren und ihre Auswirkungen in einem ersten Schritt mittels Datenanalyse verstanden werden. Anschließend gilt es, diese Daten über einen Algorithmus fortzuschreiben und so mögliche Ausfälle mit einer bestimmten Wahrscheinlichkeit voraussagen zu können. Werden so Ausfälle hinreichend genau vorausgesagt, lassen sich ungeplante Stillstände bzw. Ausfallzeiten generell reduzieren durch:

  • Zielgerichtete Wartung
  • Die effiziente und rechtzeitige Bereitstellung von Ersatzteilen

Predictive vs. Preventive Maintenance

Bei Predictive Maintenance handelt es sich um eine Weiterentwicklung der sogenannten Preventive Maintenance (deutsch: vorbeugende Wartung). Beide Vorgehensarten zielen darauf ab Ausfälle zu vermeiden. Bei der Preventive Maintenance erfolgen dabei vorbeugende Wartungen innerhalb eines festen zeitlichen Intervalls. Hierbei überprüfen Servicetechniker vor Ort den Zustand einer Maschine, ohne dass ein klarer Indikator für einen möglichen Ausfall vorliegt. Ist ersichtlich, dass ein bestimmtes (Bau-)Teil demnächst ausfallen wird, wird es bestellt und, sobald es verfügbar ist, in einem zweiten Vororttermin ersetzt. Dabei besteht immer ein Konflikt zwischen der maximal sicheren Ausfallvermeidung (kurze Wartungsintervalle) und der Wirtschaftlichkeit (große Wartungsintervalle).

PM def 2

Der Vorteil des Predictive Maintenance Ansatzes, welcher darauf beruht nur dann eine Wartung vornehmen zu lassen, wenn ein klarer Indikator für einen möglichen Ausfall vorliegt, liegt damit klar auf der Hand: Stillstände werden effektiv und effizient minimiert, denn der Service-Techniker wird nur bei einem prognostizierten Ausfall gerufen und kann durch zielgenaue Datenauswertungen das zu tauschende Teil bereits im Voraus bestimmen und direkt mitbringen.

 

Eine geeignete Datenbasis ist das A und O

Ein Predictive Maintenance System lässt sich nicht ohne die passende Datenbasis aufsetzen. Dabei sollten nicht nur Daten der einzelnen Maschinen, sondern auch Prozessdaten, die die gesamte Produktionsumgebung miteinbeziehen beachtet werden:

a) Maschinendaten:

Mithilfe von moderner Sensorik können die unterschiedlichsten Maschinendaten wie z.B. Druck, Temperatur oder Vibration in Echtzeit ausgelesen werden. Neben den Livedaten bedarf es jedoch insbesondere einem möglichst großen und umfassenden Bestand an historischen Daten, welche idealerweise alle „saisonalen“ Zustände der Maschine abbilden. Zudem müssen die Daten gelabelt sein, dass bedeutet es muss feststehen, welche Datenausprägungen bzw. Datenkombinationen in der Vergangenheit zu einem Ausfall oder einer Qualitätsminderung geführt haben.

b) Prozessdaten:

Neben den Maschinendaten sollten auch Daten in das Predictive Maintenance System einfließen die die gesamte Produktionsumgebung bzw. den Produktionsprozess widerspiegeln. Dies können z.B. Daten über die unterschiedlichen, zu fertigenden Produkte, die klimatischen Bedingung in der gesamten Produktionshalle, die Fähigkeiten des Maschinenführers aber auch die Maschinendaten von vor-bzw. nachgeschalteten Maschinen sein.

PM def 1

 

Die Einführung eines Predictive Maintenance Systems erfolgt mehrstufig

Generell lässt sich festhalten: Gibt es keine brauchbare Datenbasis, muss diese geschaffen werden. Das bedeutet in der Praxis, dass zunächst wichtige Betriebsparameter der Maschinen bestimmt und diese in Form von Echtzeitdaten ausgelesen und im Normalfall auch visualisiert werden. Hierdurch können diese Betriebsparameter und ihre Veränderungen genau überwacht werden. Ein solches Condition Monitoring hat den unmittelbaren Vorteil, dass ein neues Level an Transparenz über die Performance der angebundenen Maschinen besteht und darüber hinaus die Möglichkeit geschaffen wird, in Echtzeit auf Ausfälle und andere Probleme zu reagieren.

Mithilfe der zunehmenden, aus dem Condition Monitoring gewonnenen, Datenbasis lassen sich Echtzeitauswertungen von Kennzahlen tätigen sowie die Zusammenhänge von Ausfällen zu anderen Parametern analysieren, um ein besseres Verständnis der Daten zu erlangen. Auf der Basis solcher Analysen und Auswertungen können die Betriebsparameter der betreffenden Maschinen optimiert bzw. den Maschinenbetreibern entsprechende Empfehlungen gegeben werden.

In einem nächsten Schritt lassen sich anhand der Datenbestände und den Analyseergebnissen selbstlernende Machine Learning Algorithmen trainieren, welche selbständig Zusammenhänge und Muster in den Daten erkennen und anhand dessen die Ausfallwahrscheinlichkeiten der Maschinen bestimmen. Mithilfe dieser Erkenntnisse können Maschinenausfälle bereits im Voraus verhindert werden und Stillstandzeit vermieden werden, indem entsprechende Gegenmaßnahmen eingeleitet und Prozessoptimierungen vorgenommen werden.

Predictive Maintenance Graphik_final

Predictive Maintenance Use Cases 

Konkrete Anwendungsfälle (Use Cases) für Predictive Maintenance finden sich in den unterschiedlichsten Branchen, für die unterschiedlichsten Produkte und für die unterschiedlichsten Anbieter. So kann Predictive Maintenance in den unterschiedlichsten produzierenden Gewerben von Maschinenbau, über Lebensmittel, hin zu Textilien, Anwendung finden, aber auch beim Betreiber einer Spedition, der die Ausfälle seiner Fahrzeuge vorhersagen möchte.

Die Einführung eines Predictive Maintenance Systems kann sowohl durch den Hersteller von Maschinen, deren Ausfälle vorhergesagt werden sollen, initiiert werden, aber auch durch den Betreiber unterschiedlicher Maschinen selbst. Es lassen sich somit zwei unterschiedliche Anwendungsperspektiven unterscheiden:

  1. Maschinenbezogene Perspektive (externe Sicht): In diesem Szenario erfasst ein Anlagenhersteller die Daten von Maschinen, die bei seinen Kunden im Einsatz sind. Dabei greift er auf möglichst viele Maschinen gleichen Typs zurück und bekommt durch die Datenanalyse ein umfassendes Bild über deren Performance bzw. deren Ausfallverhalten. Je mehr Maschinen analysiert werden, desto besser die Erkenntnisse. Darauf aufsetzend kann der Hersteller seinen Kunden einen verbesserten Service bzw. eine verbesserte Maschinenverfügbarkeit bieten. Er informiert seine Kunden proaktiv über drohende Ausfälle und stellt über ein bedarfsorientiertes Ersatzteilmanagement zielgerichtet Ersatzteile und Service-Ressourcen bereit.
  2. Prozessbezogene Perspektive (interne Sicht): In diesem Szenario bindet der Betreiber eines Maschinenparks Anlagen an, die in einem Fertigungsprozess genutzt werden. Dabei handelt es sich um unterschiedliche Maschinen die u. U. nur einmal im Produktionsprozess vorkommen. Die daraus resultierende Datengrundlage eignet sich insbesondere dazu Interdependenzen zwischen den Maschinen innerhalb des Produktionsprozesses zu verstehen. Zum Beispiel kann die Geschwindigkeit einer vorgeschalten Maschine Einfluss auf die Performance bzw. Stabilität einer nachgeschalteten haben.

Somit ergeben sich in der Praxis unzählige, individuelle Anwendungsfälle für Predicitive Maintenance, die ein enormes Potential für den Anwendenden hinsichtlich der Optimierung seiner Prozesse und der Reduzierung seiner Kosten bieten.

 

Predictive Maintenance wird langfristig zu tiefgreifenden Veränderungen führen

Die durch Predictive Maintenance angestoßenen Verbesserungen in den Prozessen, führen jedoch oftmals auch zu tiefgreifenden Veränderungen bei den Rollen der einzelnen Mitarbeiter sowie der gesamten Unternehmenskultur, die nicht unterschätzt werden sollten.

Dies kann für einen Maschinenhersteller z.B. die Umwandlung seines Vertriebskonzeptes bedeuten. Die Hersteller wandeln sich immer weiter vom Hardware-Lieferanten hin zum Service-Provider. So kann die Predictive Maintenance Lösung nicht nur als eigenständiges Serviceprodukt verkauft werden, auch sog. „Pay-per-Use Modelle“ bieten sich an. Dabei müssen die Maschinen nicht mehr vom Kunden gekauft werden, sondern werden nutzungsbasiert abgerechnet. Dadurch entsteht für den Hersteller ein kontinuierlicher Umsatz über die gesamte Lebensdauer der Maschine. Predictive Maintenance sorgt dabei für die benötige, hohe Verfügbarkeit der Maschinen. Dieser proaktive Serviceansatz lässt sich jedoch nur umsetzen, wenn es in den Unternehmenskulturen einen Wertewandel hin zu einer neuen Form nachhaltiger Kundenbeziehungen gibt.

Bei den Anwendern von Predicitive Maintenance, führt die neue Technik insbesondere zu tiefgreifenden Veränderungen für die Mitarbeiter, es kommt gewissermaßen zu einer „Digitalisierung von Erfahrungswerten“: Ein Meister mit langjähriger Betriebserfahrung kann oftmals bereits am Geräusch oder Vibrieren einer Anlage Rückschlüsse auf deren Gesundheitszustand ziehen. Dieses Wissen wird nun von einem Algorithmus geliefert. Die Erfahrung des Meisters kann dabei in das Trainieren des Algorithmus mit einfließen, irgendwann wird die künstliche Intelligenz aber viele Aufgaben übernehmen und es bleiben v.a. Aufgaben im Kontext von ausnahme-basiertem Handeln oder mit hohem IT-Bezug.

Nicht jeder Mitarbeiter wird diesen Wandel mitgehen können und wollen und vielleicht will ihn auch die eine oder andere Geschäftsführung aus unterschiedlichen Gründen nicht anstoßen. Jedoch führen neben dem demographischen Wandel und der damit verbundenen Tatsache, dass mehr und mehr Mitarbeiter mit langjähriger Erfahrung in den Ruhestand gehen, insbesondere die zunehmende Digitalisierung von Anlagen und Maschinen, die es schwieriger macht solche ‚Hands-on Erfahrung‘ herauszubilden, dazu, dass langfristig kaum eine Alternative zur datengetriebenen Optimierung besteht. Somit gibt es keinen Grund sich nicht schon heute mit Predictive Maintenance zu beschäftigen.


CTA-Impact Blog

 

 

KOSTENLOSE WEBSESSIONS, SPANNENDE EVENTS UND INFORMATIVE SEMINARE

MEHR ERFAHREN