Was ist Predictive Maintenance? Definition und Anwendungen

Ein Maschinenausfall in der Produktion kann hohe wirtschaftliche Einbußen nach sich ziehen. Predictive Maintenance verspricht hier Abhilfe zu schaffen. Die vorausschauende Instandhaltung erkennt Probleme bereits, bevor sie zu einem Stillstand der Anlage führen. Erfahren Sie, wie genau Predictive Maintenance funktioniert und welche Anwendungsszenarien existieren.

Definition: Was ist Predictive Maintenance?

Bei der Predictive Maintenance (deutsch: vorausschauende Instandhaltung) besteht das Ziel in der Vorhersage von Störungen. Probleme sollen bereits behoben werden, bevor sie zu einem Ausfall der Maschine führen. Predictive Maintenance gehört damit zu den wichtigsten Technologien der Industrie 4.0.

In der Praxis vollzieht sich Predictive Maintenance in drei Phasen. Die erste bezeichnet man als Condition-Monitoring. Dabei werden durch an der Anlage angebrachte Sensoren fortlaufend Prozess- und Maschinendaten ausgelesen. Das umfasst beispielsweise Betriebsparameter wie Vibration, Druck und Temperatur des Geräts.

Im nächsten Schritt werden die gewonnenen Daten mithilfe von Machine-Learning-Algorithmen in Echtzeit analysiert. Auf der Grundlage von historischen Defekten kann der Algorithmus Abweichungen vom Normalzustand identifizieren. Dabei gilt: Je stärker die KI angefüttert wurde, desto besser kann sie die real gemessene Datenkurve um künftige Verläufe erweitern.

Im letzten Schritt werden die ausgewerteten Daten über das Netzwerk an die Servicezentrale oder direkt an den Hersteller weitergeleitet. Liegen Anomalien vor, können die Verantwortlichen eine Wartung einleiten, noch bevor das Problem eskaliert und einen Ausfall der Anlage nach sich zieht.

Diese Technologien kommen zum Einsatz

Um Vorhersagen über die Einsatzfähigkeit von Maschinen zu treffen, müssen riesige Mengen Daten erhoben werden, die ganz unterschiedliche Formate aufweisen können. Das umfasst beispielsweise Geräte-Parameter wie Vibrationsgeschwindigkeit oder Erhitzungsgrad aber auch Umgebungsmerkmale wie die Luftfeuchtigkeit.

Alle diese unterschiedlichen Daten müssen gespeichert, verarbeitet und analysiert werden – und das in Echtzeit. Deshalb sind Predictive-Maintenance-Maßnahmen fast immer in einen Machine-Learning-Kontext eingebettet. Mithilfe von Process-Mining-Algorithmen wird die Datenflut durchkämmt und auf wiederkehrende Muster untersucht. Daneben kommen In-Memory-Datenbanken zum Einsatz, um höhere Zugriffszeiten zu ermöglichen. Unter Verwendung von Big-Data-Analytics werden die Daten dann weiter aufbereitet, beispielsweise durch Data-Cleansing und Data-Modeling.

Eine weitere wichtige technische Stütze ist das Edge-Computing. Die Verarbeitung der Datenmassen in Echtzeit wäre kaum möglich, wenn die Informationen immer zuerst an ein zentrales Rechenzentrum geschickt werden müssten. Deshalb verfügen viele Maschinen über eigene Mikrocontroller, die einen großen Teil der Rechenarbeit übernehmen. Auf diese Weise geschieht die Datenverarbeitung bereits am Rand (engl. „Edge“) des Netzwerks, also direkt dort, wo die Daten erhoben werden.

Das macht Predictive Maintenance zu einem der wichtigsten Anwendungsfälle des Internet of Things (IoT). Indem die physischen Maschinen internetfähig gemacht werden, können sie selbstständig miteinander kommunizieren und Daten austauschen.

Wie sich Predictive Maintenance von anderen Wartungsmethoden unterscheidet

Predictive Maintenance geht neue Wege bei der Maschinenwartung. So unterscheidet sich das Konzept von klassischen Ansätzen.

Predictive Maintenance vs. reaktive Wartung

Bei der herkömmlichen reaktiven Wartung werden erst dann Maßnahmen ergriffen, wenn sich das Problem bereits manifestiert hat. Ein Beispiel: Der Motor Ihres Autos macht seltsame Klacker-Geräusche. Deshalb bringen Sie Ihr Fahrzeug umgehend in eine Fachwerkstatt, wo festgestellt wird, dass der Hydraulikstößel defekt ist.

Im Vergleich: Ein modernes Fahrzeug, das mit Predictive-Maintenance-Technologie arbeitet, hätte Sie bereits vor Auftreten des Klackerns darüber informiert, dass der Hydraulikstößel demnächst ausgetauscht werden muss. Die Vorteile liegen auf der Hand – Ersatzteile können rechtzeitig bestellt werden, Maschinenausfälle werden vermieden.

Predictive Maintenance vs. präventive Wartung

Bei der präventiven Wartung werden in regelmäßigen zeitlichen Abständen Check-ups durchgeführt, unabhängig davon, ob sich ein Problem bereits bemerkbar gemacht hat oder nicht. Um bei unserem Autobeispiel zu bleiben: Ihr nächster TÜV-Termin ist nichts anderes als eine Form der präventiven Wartung.

Diese Variante könnte in Zukunft überflüssig werden, dann nämlich, wenn Maschinen flächendeckend mit Predictive Maintenance ausgestattet sind. Teile, die aktuell noch keine Verschleißerscheinungen zeigen, müssten nicht länger überprüft und vorsorglich ausgetauscht werden. Der hohe Zeit-, Personal- und Materialaufwand der präventiven Wartung würde so deutlich reduziert.

Die 7 wichtigsten Vorteile

Predictive Maintenance bietet Ihrem Unternehmen eine Reihe von entscheidenden Vorteilen.

1. Reduzierter Wartungsaufwand

Weil Sie mit hoher Wahrscheinlichkeit vorhersagen können, wann eine Anlage ausfallen wird, erübrigen sich regelmäßige Wartungsintervalle. Sie warten Ihre Anlagen nur dann, wenn das tatsächlich nötig ist.

2. Erhöhte Anlagenverfügbarkeit

Mit Predictive Maintenance kommt es zu weniger ungeplanten Stopps Ihrer Produktion. Auf diese Weise können Sie den Gesamtoutput erhöhen und teure Stillstandszeiten vermeiden.

3. Bessere Ressourcenplanung

Durch die gewonnene Vorlaufzeit können Sie Ressourcen besser planen. Ein Beispiel: Sie bestellen ein Ersatzteil bereits mehrere Wochen im Voraus, um die Verfügbarkeit sicherzustellen. Oder Sie planen Ihre Wartungscrew so ein, dass es nicht zu kritischen Personalengpässen kommt.

4. Weniger Unfälle

Eine Maschine, die unerwartet ein abweichendes Verhalten zeigt, kann im schlimmsten Fall Mitarbeiterunfälle verursachen. Auch Umweltprobleme durch freigesetzte Schadstoffe stellen eine Gefahr dar. Mit Predictive Maintenance lassen sich solche Risiken minimieren, weil sich Ausfälle bereits lange vorher abzeichnen.

5. Längere Lebensdauer

Wird eine Anlage immer bedarfsgerecht gewartet, erhöht das potenziell die Lebensdauer Ihrer Produktionsstätte. So können Sie das Meiste aus den vorhandenen Mitteln herausholen, ohne ständig neu investieren zu müssen.

6. Predictive Maintenance als Alleinstellungsmerkmal

Sie können Predictive Maintenance nicht nur für Ihr eigenes Unternehmen nutzen, sondern entsprechende Sensoren auch in Ihren Produkten verbauen. Indem Sie den Wartungsservice so mitverkaufen, generieren Sie einen hohen Mehrwert für Ihre Kunden und setzen sich von der Konkurrenz ab.

7. Höhere Produktivität

Die Daten, die Sie durch das Condition-Monitoring generieren, lassen sich auch für die Optimierung Ihrer Maschinen einsetzen. Sie können damit sogar komplette digitale Abbilder Ihrer Anlage erstellen, sogenannte Digitale Zwillinge. Diese erlauben es, Prozessoptimierungen am Rechner zu simulieren.

Warum Predictive Maintenance noch nicht weit verbreitet ist

Predictive Maintenance hat als Technologie viele gute Argumente vorzuweisen: weniger Stillstand, reduzierter Wartungsaufwand, gesteigerte Produktivität. Studien belegen dieses Potenzial und sprechen von 70 Prozent weniger Ausfallzeiten.

Trotzdem haben heute erst 27,6 Prozent aller Unternehmen entsprechende Anwendungen im Einsatz. Und lediglich 32,6 Prozent gehen davon aus, dass sie Predictive Maintenance in Zukunft einsetzen werden.

Wie erklärt sich diese Diskrepanz? Dafür gibt es mehrere Gründe. Zum einen ist die Einführung der vorausschauenden Wartung mit einem hohen Zeitaufwand verbunden. Gerade KMUs mit beschränkten Ressourcen schreckt das ab.

Zum anderen fehlen in vielen Branchen bisher noch Vorbilder. Nach der Devise „Wenn die anderen es nicht machen, brauchen wir das auch nicht“ wird das Projekt deshalb gerne aufgeschoben.

Einige Unternehmen halten auch die vermeintlich hohen Initialkosten zurück. Für Betriebe, die ältere Maschinen im Einsatz haben, müssten erst sämtliche Geräte nachträglich mit Sensoren ausgestattet und vernetzt werden.

Hier gilt es jedoch genau hinzuschauen. Viele Unternehmen sammeln bereits große Mengen Daten, ohne sich dessen bewusst zu sein. Unter Umständen muss deshalb weniger Sensorik angeschafft werden, als anfangs gedacht.

Ein weiterer Grund kann fehlendes Know-how sein, beispielsweise in den Bereichen Machine-Learning und Big Data. Hier kann die Zusammenarbeit mit einer externen Beratung Abhilfe schaffen, die entsprechende Wissenslücken füllt.

Es gibt jedoch Szenarien, in denen Predictive Maintenance tatsächlich keinen Sinn macht. Das ist zum Beispiel der Fall, wenn ein Unternehmen hunderte von unterschiedlichen Maschinen im Einsatz hat. Hier könnte es Jahre dauern, um für jedes Gerät die Datenhistorie zu erheben, die für das Training des Algorithmus benötigt wird.

Sehr lohnenswert ist der Einsatz dagegen für Unternehmen, die häufig denselben Maschinentyp verwenden. Hier lässt sich die Datengrundlage wesentlich schneller generieren. Viel Sinn macht Predictive Maintenance auch für Maschinenhersteller, die sich im Hinblick auf ihre Kunden ein neues Servicemodell erschließen wollen.

Beispiele: Predictive Maintenance in der Praxis

Auch wenn bisher nur ein kleiner Teil aller Unternehmen Predictive Maintenance nutzt – in einigen Industrien ist die vorausschauende Wartung schon Realität. Das gilt insbesondere für Mobilitätsindustrien, die Energiewirtschaft und die Produktion.

Autoindustrie

Schon heute können Motoren und Fahrwerke Meldung an die Werkstatt oder den Hersteller machen, wenn sich eine Reparatur anbahnt. So wird das entsprechende Teil ersetzt, bevor es zu einem Ausfall kommt.

Ein weiteres wichtiges Einsatzgebiet ist die Elektromobilität. Hier wird vor allem die Akkuleistung gemessen, um mögliche Verschlechterungen frühzeitig zu erkennen. Außerdem sammeln die Hersteller so Daten für die zukünftige Verbesserung der Akkuleistung.

Luftfahrt

Ähnliche Frühwarnsysteme kommen an Turbinen und hydraulischen Pumpen von Flugzeugen zum Einsatz. Indem die Flugzeugingenieure rechtzeitig aktiv werden, sparen sie der Fluggesellschaft hohe Kosten durch unerwartete Totalausfälle.

Schienenverkehr

Auch bei Zügen findet Predictive Maintenance Verwendung. So hat die Deutsche Bahn kürzlich ihr Schienennetz mit „Weichen-EKGs“ ausgestattet. Diese messen induktiv den Strom auf den Kabeln der Weichenantriebsmotoren. Auf diese Weise lassen sich Störungen frühzeitig erkennen und ausräumen.

Windkraft

Indem Sensoren Schwingungsanalysen an verschleißanfälligen Bauteilen durchführen, können Ausfälle von Windkraftanlagen weitgehend vermieden werden.

Produktion

Viele Anwendungsmöglichkeiten bieten sich auch für das produzierende Gewerbe. Beispielsweise können im Präzisionsspritzguss hochsensible Fertigungsroboter überwacht werden. Zeigen sich hier erste Anomalien, kann die Maschine vorbeugend justiert werden, bevor es zu teuren Fehlchargen kommt.

Tipps: Wie die Umsetzung gelingt

Sie möchten Predictive Maintenance für Ihr Unternehmen nutzen? Dann sollten Sie auf die folgenden Best Practices achten.

Definieren Sie Ihr Warum

Predictive Maintenance sollte nicht um seiner selbst willen eingeführt werden. Stellen Sie sicher, dass die Technologie einen konkreten Mehrwert für Ihr Unternehmen bietet, der quantifiziert werden kann.

Weniger ist Mehr

Manche Unternehmen stoßen vor lauter Begeisterung für die Möglichkeiten der Digitalisierung zu viele Zukunftsprojekte gleichzeitig an. Das Ergebnis ist, dass die meisten Projekte auf halber Strecke liegen bleiben. Konzentrieren Sie sich daher vollständig auf eine Innovation, bis diese erfolgreich abgeschlossen ist.

Planen Sie ausreichende Ressourcen ein

Der Aufwand einer Predictive-Maintenance-Einführung wird oft unterschätzt. Das betrifft nicht nur den zeitlichen Einsatz und die finanzielle Investition sondern auch die nötige Manpower. Fragen Sie sich deshalb zu Beginn kritisch selbst: Sind wir wirklich bereit, diesen Aufwand zu betreiben?

Holen Sie sich externe Experten ins Boot

Die Einführung der vorausschauende Wartung erfordert ein enormes Know-how: Machine-Learning, Big Data und Edge-Computing sind nur einige der Technologien, die für Predictive Maintenance benötigt werden. Nur wenige Unternehmen können alle diese Wissensfelder selbst abdecken. Zögern Sie deshalb nicht, sich frühzeitig externe Beratung zu suchen.

Bauen Sie einen Datenkatalog auf

In der Frühphase eines Predictive-Maintenance-Projekts werden besonders viele Daten erhoben, um den Machine-Learning-Algorithmus optimal trainieren zu können. Gewöhnen Sie sich dabei an, alle Daten von Anfang an strukturiert in einem Datenkatalog abzulegen. Ansonsten droht später das große organisatorische Chaos.

Betreiben Sie Change-Management

Predictive Maintenance ist ein weitreichendes Projekt, das viele Abläufe in Ihrem Unternehmen neu definieren wird. Das kann bei Mitarbeitern Widerstände und sogar Ängste auslösen, beispielsweise wenn die bisher für die Maschinenwartung verantwortlichen Personen sich plötzlich überflüssig fühlen. Adressieren Sie diese Bedenken. Die beste Technologie hilft nichts, wenn sie nicht von Ihrem Team mitgetragen wird.

Implementieren Sie Predictive Maintenance mit der enowa!

Sie möchten die Vorteile von Predictive Maintenance für Ihr Unternehmen nutzen? Dann sollten wir uns unterhalten. Die Berater der enowa unterstützen Sie beim Planungsprozess und begleiten die technische Umsetzung. Auch beim Thema Change-Management sind wir der richtige Partner für Sie. Kontaktieren Sie uns jetzt  für eine unverbindliche Erstberatung!

  • Teilen

Es gibt keine Kommentare

Autor
Gero Beisel
Chief Sales Officer (Industry) DACH

Gero Beisel ist CSO im Geschäftsbereich Industrie bei der enowa AG und zuständig für die Vertriebsaktivitäten. Darüber hinaus kümmert er sich um die Entwicklung neuer Beratungsansätze. Mit mehr als 20 Jahren Erfahrung aus Wirtschaft, Management- und IT-Beratung. Seine thematischen Schwerpunkte liegen im Digital Customer Service 4.0, Operational Excellence Management Beratung und dem Management von IT-Rollout Projekten. 

Ähnliche Beiträge
Industrie

Auf dem DIL Day 2021 wurden die innovativen Themen für 2022 abgesteckt. Im Fokus steht dabei zukünftig auch Experience Management. Erfahren Sie mehr zur Arbeit des Digital Innovation Labs und deren Themen für 2022.

Thomas Haendly   /   30. November 2021
Industrie

Wie Sie Ihre Zielgruppe mit den richtigen Fragen zum richtigen Zeitpunkt, richtig und effizient formuliert, Fragen fragen.

Maria Seidel   /   12. November 2021
Industrie

Der Online-Handel boomt, das bringt auch vermehrte Retouren mit sich. Um Kunden an sich zu binden, benötigen Unternehmen Systeme, die verschiedene Retouren-Szenarien abbilden. Im Artikel zeigen wir Ihnen, welche Vorteile der Einsatz von SAP ARM hat.

Wolfgang Hornung   /   25. August 2021
Newsletter

Bleiben Sie auf dem Laufenden

In unserem Newsletter berichten wir über Technologien, Methoden und Themen rund um die digitale Transformation in den Branchen Industrie und Versicherungswirtschaft. Darüber hinaus erhalten Sie exklusive Einladungen zu Events und Web-Seminaren.

Melden Sie sich kostenlos und unverbindlich zum Newsletter an.

Wir sind für Sie da!

Gero Beisel
CSO Industrie
Kontakt