Pillen Pharma

Wie Sie mit Predictive Maintenance Kosten sparen, lesen Sie im Beitrag. Bild: Pixabay - frei

Wenn in der Pharmaindustrie die Mischungsverhältnisse nicht mehr stimmen, ist die Katastrophe vorprogrammiert. In diesen Prozessketten muss jede Kalibrierung zu hundert Prozent stimmen. Pharmazeutische Produzenten müssen sich an strenge Reinheitsvorschriften halten. Ein verständliches Condition Monitoring (dt.: Zustandsüberwachung) hilft Instandhaltern, Leckagen, Peaks und Druckabfälle auf Knopfdruck zu überprüfen. Daraus leitet sich die Predictive Maintenance (dt.: vorausschauende Wartung) ab. Industrielle Produzenten sind nicht erst seit der weltweiten Corona-Pandemie auf höchste Kosteneffizienz getrieben. Um ihre Produktionsprozesse zu optimieren soll die vorausschauende Wartung das Allheilmittel sein.

Wie man bei der Instandhaltung professionell und zukunftssicher vorgeht, wissen Digitalisierungsexperten wie Dr. Sebastian Grundstein, Principal bei ROI-Efeso. Er berät Unternehmen, die Ihre Produktion durch datengetriebene Prozesse optimieren wollen.

Predictive Maintenance ist nicht käuflich

Im Interview mit PRODUKTION.de gibt der Branchenkenner wichtige Tipps für Entscheider und Instandhalter. Im Kontext der Industrie 4.0 weist Sebastian Grundstein im Eingang des Gesprächs darauf hin, dass “Predictive Maintenance kein Produktkauf ist, der meine Prozesse von heute auf morgen digitalisiert und optimiert."

Wer seine Produktionsvorgänge vorausschauend warten und sich dabei auf verlässliche Daten aus dem Condition Monitoring stützen will, muss zunächst in eine digitale Infrastruktur investieren.

Was ist Predictive Maintenance?

Untereinander vernetzte Maschinen und Anlagen erzeugen Zustandsdaten, die durch Sensoren erfasst und mit den Daten aus dem MES (Manufacturing Execution System) aber auch dem ERP (Enterprise Resource Planning) kombiniert werden. Aus diesen Datenanalysen lässt sich der Wartungszeitpunkt einer Maschine präzise prognostizieren. So erfolgt eben diese vorausschauende Wartung erst dann, wenn es zwingend ist. Festgelegte Intervalle entfallen, was wiederum Personal und Wartungskosten spart.

Warum ist Predictive Maintenance für die Produktionskette so wichtig?

Um Prozessdaten zu digitalisieren, braucht man nicht nur die passende Software, sondern auch eine vernetzte Hardware. “Um die Daten zu analysieren, schauen viele Instandhalter nur auf die Maschine”, sagt der Industrie-4.0-Experte von ROI-Efeso. “Eine Datenanalyse ist jedoch nur dann effektiv, wenn ich die gesamte Produktionsumgebung in die Betrachtung einbeziehe“, so Grundstein weiter.

“Unser Beratungsansatz erfolgt immer unter der Prämisse, wie ich die Instandhaltungskosten des Betriebs senke”, sagt Sebastian Grundstein weiter. Dies beinhaltet folgende Ziele:

  • Wartungsintervalle verlängern
  • weniger Ersatzteile verbrauchen
  • Maschinenstillstände vermeiden
  • Produktionsstillstände verhindern

Wie hoch sind die Kosten von Predictive Maintenance?

Exklusive der Beratungsaufwendung von Experten ist die Investition von der Größe und Komplexität der Produktion abhängig. "Hier sind Entscheider gefragt. Oft gilt es, den Mind Change in den Köpfen der Instandhalter zu triggern”, wie Sebastian Grundstein betont. In Bezug auf den return-on-investment sind die monetären Investitionen in Hard- und Software oft überschaubar. “Wenn eine Maschine ohne Vorwarnung ausfällt, kosten die Produktionsausfälle den Unternehmer in der Regel viel mehr.”

Dr. Sebastian Grundstein, ROI-Efeso. Bild: ROI-Efeso
Dr. Sebastian Grundstein, ROI-Efeso. Bild: ROI-Efeso

Sie benötigen Unterstützung beim Thema Predictive Maintenance? Dr. Sebastian Grundstein ist seit 2017 Leiter des ROI Analytics Lab bei ROI-Efeso. Bereits seit 2012 unterstützt er Unternehmen dabei, datengetriebene Entscheidungen zu treffen. Seine Beratungsschwerpunkte liegen in den Sektoren Digitalisierung, Data Analytics und Digitale Fabrik. Er promovierte im Bereich der simulationsbasierten Optimierung der Produktionsplanung und -steuerung. Sie erreichen Sebastian Grundstein unter grundstein@roi.de

Case Study zu Predictive Maintenance

Eine spannende Case Study aus der Pharmaindustrie zeigt, dass die vorausschauende Wartung hochsensibler Anlagen nicht komplex sein muss - wenn die Instandhaltung ihre Hausaufgaben macht.

Die Wartungsingenieure des Unternehmens traten an die Spezialisten der ROI-Efeso heran, weil in ihrer Produktion regelmäßig ein Pumpenventil geplatzt war. Folgerichtig führte dieser Umstand zu ungeplanten Instandhaltungsmaßnahmen am defekten Maschinenbauteil. Gibt es Abweichungen in den Datenströmen, “müssen sie über jeden Vorgang fahren, alles messen und die Maschine wieder in Betrieb nehmen - das sind horrende Kosten” so der Beratungsexperte.

Als Sebastian Grundstein und sein Team aus Datenanalysten die Arbeit mit dem Kunden begannen, stellten sich zunächst zwei Probleme dar. Zum einen hatte der Pharmahersteller ein neues Produkt eingeführt, dessen Nachfrage das Angebot schnell überstieg. Zum anderen trat das besagte Problem in der Ventiltechnik immer wieder auf: die Mischung der flüssigen Medikamentenlösung trat aus. “Das Instandhalter-Team musste dadurch regelmäßig und ungeplant die komplette Mischeinheit austauschen und den gesamten Prozess neu validieren. Der technische Aufwand sowie die Umsatzeinbußen waren für das Unternehmen nicht weiter tragbar”, wie Sebastian Grundstein rückblickend betont.

“Um dem Problem Herr zu werden, muss man grundsätzlich nicht nur auf die Maschine schauen, sondern auch das Produktionsumfeld und den Faktor Mensch genau betrachten ‒ nur so finde ich oft den richtigen Hebel zur Optimierung.” Bevor also Predictive Maintenance und Condition Monitoring ihre Zwecke erfüllen, müssen die Instandhalter die Prozesse und Einflüsse von außen verstehen. “Dies können Maschinen- und Anlagenbauer selten leisten, weil sie nur auf die Prozessdaten aus ihrer Maschine schauen”, erläutert Grundstein. “Wir schauen uns das Gesamtsystem an und erarbeiten eine Lösung mit dem Kunden.”

Hierzu ließen sich die Experten von ROI-Efeso den Produktions- und Instandhaltungsprozess genau skizzieren. “Ein wichtiger Punkt war hierbei auch, die Daten, die sich daraus bildeten, zu interpretieren.” Im zweiten Schritt sahen sich die Datenanalysten die Einflussgrößen auf den Prozess an. “Leider war die Datenqualität, wie bei sehr vielen Kunden, miserabel.” Bei 9 von 10 Kunden müssten die Experten zunächst sehr viel Arbeit in die Datenaufbereitung stecken, wie Sebastian Grundstein ausführt. “Wer keine ausreichende Datenqualität seiner Prozesse gewährleistet, der tut sich bei Predictive Maintenance schwer.”

Sensorik implementieren

Im nächsten Schritt galt es die Datenlage aus den ergänzten Sensoren zu optimieren. Die Analyse lief über einen Zeitraum von 4-6 Wochen, bis aus dem Zusammenspiel von Datenüberwachung und der Datenauswertung der Fehler gefunden werden konnte. In der Regel erfolgt die Datenanalyse in mehreren Schleifen. Mit visuellen und Machine-Learning-Methoden. “Letzten Endes stellten wir Mikrosprünge in einer Druckleitung fest. Ungünstige Parameter hatten dazu geführt, dass in der Leitung punktuell zu starke Drücke auftraten.” Durch die Glättung dieser Kurven im MES fielen dem Instandhalter diese Peaks nicht auf. “Predictive Maintenance ist eben auch, diese Peaks nicht nur vorauszusehen, sondern sie erst gar nicht auftreten zu lassen”, wie Sebastian Grundstein zusammenfasst.

Mit dem iterativen Teamwork von Instandhaltern, Anlagenbedienern, den Prozessexperten sowie Analysten von ROI-Efeso ist es gelungen, nicht nur das Bewusstsein für die digitale Wartung zu schaffen, sondern sie auch so anzuwenden, dass das Unternehmen davon langfristig profitiert und nicht in der Kostenfalle hängen bleibt. "Eine gelungene Adaption to the new Way of working”, so Grundstein abschließend.

Kostenlose Registrierung

Bleiben Sie stets zu allen wichtigen Themen und Trends informiert.
Das Passwort muss mindestens acht Zeichen lang sein.
*

Ich habe die AGB, die Hinweise zum Widerrufsrecht und zum Datenschutz gelesen und akzeptiere diese.

*) Pflichtfeld

Sie sind bereits registriert?

Dieser Beitrag wird präsentiert von: