In der Turbinenindustrie sind digitale und vernetzte Lösungen für Predictive Maintenance weit verbreitet. Die vorausschauende Wartung reduziert Ausfallzeiten und Betriebskosten. - (Bild: ZF Friedrichshafen AG)
Was ist Predictive Maintenance?
Predictive Maintenance oder vorausschauende Wartung ist ein Werkzeug, um die Leistung eines Betriebs zu optimieren. Dadurch können mögliche Ausfälle vorhergesehen und vorbeugende Maßnahmen ergriffen werden, bevor sie zu kostspieligen Problemen werden. Durch den Einsatz von Predictive Analytics können Fachleute Muster in Daten erkennen, die darauf hinweisen, wann Geräte gewartet oder ausgetauscht werden müssen, sodass sie vorausplanen und Ausfallzeiten reduzieren können. Dies hilft, die Effizienz zu steigern und gleichzeitig die Kosten für Notfallreparaturen oder -ersatz zu senken. Darüber hinaus bietet die vorbeugende Wartung wertvolle Einblicke in den Betriebszustand, sodass bei Bedarf Anpassungen vorgenommen werden können, um im Laufe der Zeit bessere Ergebnisse zu erzielen.
Solange die Techniker in den Werkshallen dafür sorgen, dass die Maschinen permanent in exaktem Takt sowie gleichbleibender Qualität die gewünschten Teile produzieren, ist alles gut. Solange Stillstände vermieden, Ausfallzeiten gering gehalten, Defekte repariert, fehlerhafte Komponenten ausgetauscht und der Maschinenpark nach den Empfehlungen der Hersteller in Schuss gehalten wird, ist die Geschäftsführung, der Vertrieb und das Marketing, sind die Verkäufer und die Kunden glücklich.
Denn der Maintenance-Prozess läuft - auch aufgrund der Überwachung von Anlagenzuständen, dem sogenannten Condition Monitoring.
Warum ändert sich die 'Maintenance' im Big-Data-Umfeld?
Doch Produzenten mit klassischer Wartung und Instandhaltung (Maintenance) wie oben beschrieben, dürfte es im Zuge voranschreitender 4.0-Transformationen bald an den Kragen gehen: Wettbewerber, die mit Big-Data-Analysen gespeiste Predictive-Maintenance-Systeme (PM, vorausschauende Wartung) implementieren, werden ihnen mittelfristig den Rang ablaufen.
Wie so oft reden viele, aber nur wenige handeln. So urteilen auch die Autoren einer Online-Umfrage der Management- und Technologieberatung Bearing Point aus dem Jahr 2017 unter Fachexperten in Instandhaltung, Produktion, Logistik und IT aus 74 Unternehmen (Maschinenbau, Chemie/Pharma und Automobilindustrie): Trotz großer Präsenz sei PM noch kaum in den Werkshallen angekommen. Während sich 84 % der Befragten mit dem Thema auseinandersetzen, hat bisher lediglich jedes vierte Unternehmen erste Projekte umgesetzt. In diesen Fällen erfassen 76 % der Befragten relevante Daten via Sensoren, 59 % werten diese zielgerichtet aus, jedoch lediglich rund 20 % optimieren ihre Instandhaltung ganzheitlich auf der digitalen Datenbasis.
Was hinter PM steckt, ist, dass die bei der Vernetzung von Maschinen und Anlagen gewonnenen Zustandsdaten erfasst werden können und dann clever mit Daten aus dem MES (Manufacturing Execution System) aber auch dem ERP (Enterprise Resource Planning) kombiniert werden, um etwa den Wartungszeitpunkt einer Maschine präzise zu prognostizieren. So wird erst dann gewartet, wenn es wirklich notwendig ist und nicht nach starren Intervallen – das spart personelle Ressourcen und operative Kosten im Bereich Maintenance.
Video: Wie funktioniert Predictive Maintenance bei Kompressoren?
Warum erhöht eine vorausschauende Wartung die Anlagenverfügbarkeit und senkt die Kosten?
Die von Bearing Point befragten Anwender erwarten zwar in erster Linie, dass PM die Anlagenverfügbarkeit erhöht (80 %) und nennen erst an zweiter Stelle die Reduzierung der Wartungs- beziehungsweise Servicekosten (60 %). Wobei das Ranking eigentlich keine Rolle spielt, wohl aber, dass die digital basierte vorausschauende Wartung noch mehr leisten kann – was vielen Anwendern nicht so ganz bewusst zu sein scheint: etwa die Lebensdauer von Anlagen und Komponenten sowie deren Sicherheit erhöhen, den Pseudoausschuss minimieren und das Ersatzteilhandling optimieren.
In der Praxis bereits gang und gäbe sind PM-Prozesse bei der Überwachung und Wartung von Windrädern und Turbinen sowie im Automotive-Sektor (beispielsweise mit den Verfahren von Quasar Europe und Vibrant PCRT). Hauptsächlich werden in diesen Branchen verdächtige Vibrationen, Unwuchten und Materialfehler detektiert. Dafür analysieren mathematische Algorithmen Material und Verhalten verschleißgefährdeter Komponenten, die extremen Bedingungen ausgesetzt sind. Die Ausfallwahrscheinlichkeit von Lagern etwa ist so bereits sehr frühzeitig prognostizierbar. Unternehmen der Antriebs- und Fluidtechnik wie Aventics, Bosch Rexroth, Festo, Schaeffler, Schmalz, Argo Hylos, Hydac und ZF setzen bereits seit Jahren auf PM-Systeme.
Warum profitieren Anwender von Software basierter Maintenance?
Ein Beispiel für einen konkreten Anwender-Benefit mithilfe vorausschauender Wartung liefert Kompressorenhersteller Boge. Seine Hochleistungsanlagen werden in der Pharma- und Nahrungsmittelindustrie, in industriellen Lackierbetrieben und in der Halbleiterproduktion eingesetzt – Anwendungsbereiche, in denen Maschinenstillstände fatale Folgen haben können. Mit einer Industrial-Analytics-Lösung von Weidmüller, die Fehler und Betriebsanomalien aufdeckt, gelingt Boge die präventive Fehlervermeidung (vorausschauende Instandhaltung), was erhöhte Prozesssicherheit beim Anwender ermöglicht.
Die Software erkennt geänderte Rahmenbedingungen (zum Beispiel ein Defekt im Kühlsystem, der ein Motorenproblem auslösen könnte), kündigt mittels eines Vorhersage-Algorithmus die geänderte Ausfallwahrscheinlichkeit an und warnt den Maschinennutzer vor einem Ausfall.
Boge-Sprecher Horst Kalla erklärt: „Die Software zur vorausschauenden Wartung erkennt frühzeitig Fehler und kritische Abweichungen der technologischen Parameter. In die Datenauswertung fließen die Einsatzerfahrungen aller Boge-Druckluftlösungen ein.“ So können im laufenden Betrieb Vorhersagen über einen zukünftig anstehenden Wartungsbedarf getroffen und Serviceeinsätze optimal geplant werden. Mehr noch: Mit jeder Fehlermeldung und Rückmeldung des Bedieners lernt das System dazu und verändert sein Modell. So werden berechnete Ausfallvorhersagen über die gesamte Betriebszeit hinweg immer präziser. Auch könnten wenngleich noch nicht aufgetretene, jedoch mögliche Fehler eingelernt werden.
Sicher ist, dass Hersteller, die sich bereits in Richtung Industrie 4.0 bewegen, in Zukunft ohne allzu großen zusätzlichen Aufwand von den Vorteilen der Predictive Maintenance profitieren können. Sind sie doch bereits dabei, die wichtigsten Voraussetzungen für PM-Prozesse zu schaffen, nämlich: Daten erfassen, digitalisieren und übermitteln; erhobene Daten speichern, analysieren und bewerten; Eintrittswahrscheinlichkeiten für bestimmte Ereignisse errechnen. Maintenance bleibt so oder so ein wichtiges Thema.
Wo es bei Big Data im Maschinenbau hakt
