Was ist Predictive Maintenance?

Predictive Maintenance kann in der Industrie für kürzere Ausfallzeiten und effizientere Umrüst- und Wartungsmaßnahmen sorgen.

Better safe than sorry – diesem Grundsatz folgt das Konzept der Predictive Maintenance (zu Deutsch: vorausschauende Wartung). Es hat inzwischen in vielen Bereichen der Industrie bereits Einzug gehalten oder wird gerade im Rahmen von Anlagenmodernisierungen vermehrt angegangen. Industrie 4.0 und Industrial IoT sorgen hier für eine höhere Ausfallsicherheit in der industriellen Produktion als klassische reaktive oder präventive Verfahren mit fixen Wartungsintervallen. Möglich wird das durch datengetriebene Verfahren.

Quelle: Industry of Things/Relayr

Wie funktioniert Predictive Maintenance?

Im Rahmen von Predictive-Maintenance-Maßnahmen werden die Betriebswerte von Maschinen innerhalb von Produktionsanlagen, aber auch von einzelnen Teilen einer Maschine, überwacht und ausgewertet. Ziel dieses agilen Konzepts ist es, rechtzeitig und proaktiv eine Wartung oder einen Austausch von Komponenten durchzuführen. Und zwar bevor diese einen Defekt aufweisen.

Tipp: Starten Sie Predictive Maintenance mithilfe einer schlüsselfertigen IoT-Plattform

Denn jeder Defekt, der mit einer Einschränkung oder einem Stillstand der Produktion verbunden ist und den man erst reaktiv behebt, verursacht in Industrieanlagen immense Kosten. Diese entstehen generell aufgrund von Produktionsstopps. Sie sind aber naturgemäß in der Prozessindustrie (etwa in der Chemieindustrie oder der medizinischen Produktion) noch höher. Weil hier eine Unterbrechung meist dafür sorgt, dass  die gesamte Produktionscharge unbrauchbar wird.

Vorausschauende Wartung: nicht zu früh, aber auch nicht zu spät

Besonders wichtig ist Predictive Maintenance naturgemäß bei sämtlichen Industrieanlagen, bei denen ein hohes Maß an Vibrationen auf die Maschine einwirkt oder starke Temperaturunterschiede das Material übermäßig beanspruchen. Gerade hier kann Predictive Maintenance als Form der zustandsbasierten Instandhaltung somit einen Vorteil gegenüber routinemäßigen zeitbasierenden Instandhaltungsmaßnahmen darstellen.

Denn oftmals sind die starren Wartungsintervalle der Hersteller einer Komponente nur ein ungefährer Richtwert. Deshalb werden oft Teile ausgetauscht, die noch über längere Zeit zuverlässig funktioniert hätten. Umgekehrt kann beispielsweise bei höherer Beanspruchung oder aufgrund klimatischer Unterschiede des Fabrikationsstandorts die Lebensdauer einer Komponente auch nach unten abweichen – die Folge eines solchen Defekts ist der Stillstand der Anlage.

Doch all das setzt eine Vielzahl an Informationen und Datenpunkten voraus, die über Sensoren erfasst werden. Das Enterprise Resource Planning (ERP-System) verarbeitet diese und hilft dabei, einen sinnvollen Wartungszeitpunkt einer Maschine zu prognostizieren. Im Optimalfall verlässt sich das ERP dabei nicht nur auf die Werte einer einzelnen Anlage, sondern kann – gerade im Fall von weltweit agierenden Konzernen – auch auf eine Vielzahl von Erfahrungswerten vergleichbarer Anlagen im In- und Ausland zurückgreifen.

Je mehr Erfahrungswerte, desto treffsicherer

Je nach Absprache mit dem Hersteller einer Komponente oder eines Sensors können auch Analysewerte des jeweiligen Sensors in anderen Anlagen fremder Unternehmen anonymisiert in die Betrachtung einfließen. Denn je mehr Zustandsdaten und Fehlermeldungen das System einbeziehen kann, desto präzisere Voraussagen über drohende Ausfälle werden möglich – und das für alle Nutzer einer Komponente. Das spart Personalressourcen und Standkosten einer Anlage – und trägt nicht zuletzt auch zu einer besser planbaren Just-in-Time-Produktion bei.

Doch Predictive Maintenance kann noch mehr leisten. Insbesondere in oftmals sehr weitläufigen oder abgelegenen Anlagen, wie sie etwa in der ölverarbeitenden Industrie und im Raffineriewesen vorkommen. Hier kann ein Mitarbeitender bei einer Austauschmaßnahme gleich noch weitere, möglicherweise bald anstehende Arbeiten mit erledigen.

Hierzu ermitteln moderne Predictive-Maintenance-Systeme im Idealfall, welche weiteren Reparaturen oder Austausche mitgemacht werden sollten, wenn eine Maschine ohnehin umgerüstet, repariert oder gewartet wird. Meist sind ERP-Systeme auch in der Lage, sämtliche hierfür benötigten Ersatzteile und Ressourcen auf Basis von hinterlegten technischen Daten selbstständig zu beschaffen. Sie lösen dazu entsprechende Bestellungen aus, sobald eine Wartungsmaßnahme angesetzt ist.

Warum braucht Predictive Maintenance Big Data?

Predictive Maintenance ist ein wichtiges Element moderner Industrie-4.0-Anlagen in sämtlichen Industriebranchen und sollte daher Teil jeder Smart Factory sein. Denn unterm Strich sorgt Predictive Maintenance dafür, dass Unternehmen ihre Ausfallzeiten in der Produktion drastisch reduzieren können. Aufgrund effizienterer Wartungsintervalle sparen sie dann Kosten. Und je besser man die Wahrscheinlichkeiten berechnet und je sicherer die Prognosen für mögliche Ausfälle sind, desto schneller hat sich eine solche Lösung amortisiert.

Doch all das setzt eine möglichst große Zahl an Daten (Big Data) voraus, welche die Sensoren liefern. Diese Datenmenge wird dann meist in einem Data Lake gesammelt. Das funktioniert umso besser, je umfassender man eine Industrial-IoT-Strategie gestaltet.

Nicht nur bei der Planung neuer (Greenfield-)Anlagen – hier ist es selbstverständlich – sondern auch bei der Modernisierung einer bereits bestehenden (Brownfield-)Anlage möchte man daher sämtliche Prozesse digitalisieren. Auch ein umfassender Smart-Factory-Ansatz unter Einbeziehung von Predictive Maintenance sollte dabei mitgedacht werden. Die passende Cloud-Infrastruktur hierfür liefert plusserver mit Cloud-Lösungen für die Industrie 4.0 in Kooperation mit GFT Technologies.