Predictive Maintenance – proaktive Wartung vorausschauend gestalten

Predictive Maintenance (PdM) schien schon immer der perfekte Anwendungsfall für das Internet der Dinge (IoT) zu sein. Genauer gesagt für das Industrial IoT (IIoT) und Umgebungen, in denen die Betriebszeit bestimmter Anlagen kritisch ist und Ausfälle aus verschiedenen Gründen wichtige Konsequenzen haben können.

Kein Wunder, dass Predictive Maintenance einer der am häufigsten genannten Use Cases in der Industrie 4.0 ist. Bei PdM geht es aber nicht nur um Smart Manufacturing. Zu den Branchen/Segmenten, in denen Predictive Maintenance als Use Case vorkommt, gehören außerdem das Transportwesen und die Öl- und Gasindustrie. Die Prozessindustrie im Allgemeinen und reichlich Segmente mit kritischen Energieumgebungen.

Der Grundstein für den Erfolg von Predictive Maintenance ist die Vorhersagegenauigkeit und die Verbindung der Ergebnisse des Vorhersagemodells mit den Wartungsprozessen des Unternehmens.

Viele der Haupttechnologien, die oft im Zusammenhang mit Industrie 4.0 genannt werden, spielen eine Rolle bei der vorausschauenden Wartung und ihren Weiterentwicklungen. Big Data, AI und ML, IoT, Cloud Computing, Data Analytics und zunehmend auch Edge Computing und Digital Twins. IIoT, in Kombination mit Predictive Analytics und ML, sind jedoch die Haupttreiber der reiferen Phase der vorausschauenden Wartung.

Predictive Maintenance im Rahmen der Maintenance 4.0

Die Nutzung von Predictive Maintenance ist weniger verbreitet, als es sich die Anbieter von Lösungen wünschen, und die Kunden, außer in bestimmten Vertikalen und Segmenten, haben es bisher langsamer angenommen, als es in den frühen Tagen des Internets der Dinge erwartet wurde. Die Dinge beginnen sich jedoch wieder zu ändern.

Aufgrund von Fortschritten in der KI und der Zunahme von Datenpunkten werden ausgefeilte Analysen immer wichtiger und machen einen größeren Anteil des gesamten Predictive Maintenance Budgets aus (IoT Analytics).

Der Grund, Predictive Maintenance als solches ist nicht neu und im traditionellen Sinne auch gar nicht unbedingt mit diesen Technologien verbunden, da auch einfache Instrumenteninspektionen eine vorausschauende Wartung ermöglichen. Mit IIoT, maschinellem Lernen ist das, was jetzt oft als Predictive Maintenance bezeichnet wird, in Wirklichkeit eine fortgeschrittenere Stufe von PdM, mit mehr Datenquellen.

Dennoch wird die Echtzeit-Zustandsüberwachung zusammen mit visuellen Inspektionen und Asset-Inspektionen als eine Evolution in der PdM gesehen. Wobei der „modernere“ und reifere Zustand der Predictive Maintenance, wie gesagt, unter anderem als PdM 4.0 bezeichnet wird. Und sich die 4.0 offensichtlich auf die Industrie 4.0 und ihre Smart Factory bezieht, und mit PdM 4.0 als diese vierte Stufe der Reife in der Evolution der Predictive Maintenance, darstellt.

Die Nachteile der reaktiven Instandhaltung (auch bekannt als „breakdown maintenance“), bei den Anlagen/Assets nach einem Ausfall repariert werden, sind klar. Das bedeutet natürlich nicht, dass reaktive Wartung schlecht ist.

Ganz im Gegenteil, reaktive Wartung ist in vielen Fällen Teil einer strategischen Entscheidung. Und die Art der Wartung hängt von vielen Faktoren ab, wie z.B. den Folgen eines Ausfalls und ob es kommerziell oder anderweitig interessant ist, in proaktivere Wartungsmethoden zu investieren oder nicht. Es ist immer eine Mischung, und manchmal ist eine Predictive Maintenance nicht einmal möglich, geschweige denn eine gute Option.

Doch bei Anlagen, die kritisch sind und aus dem einen oder anderen Grund jederzeit verfügbar sein müssen, sind alternative Optionen besser, auch wenn sie mit mehr Planung und Vorabinvestitionen einhergehen. Es hängt alles von der Wichtigkeit der Anlage ab.

Zustandsüberwachung und Predictive Maintenance der komplexen Produktionsanlagen sind noch weit von Plug-and-Play-Lösungen entfernt. Prädiktive Wartung ist auch nur eines der Mittel, um zu handeln, bevor etwas kaputt geht. Eine andere Form der proaktiven Wartung ist die vorbeugende Wartung, die sich ebenfalls darauf konzentriert, die Wahrscheinlichkeit zu verringern, dass etwas schief geht.

Manchmal werden solche Wartungsansätze mit Redundanzansätzen kombiniert, wobei Organisationen nach Möglichkeiten suchen, den Betrieb fortzusetzen, selbst wenn etwas ausfällt. Dies kann zum Beispiel in Umgebungen der Fall sein, die relativ kritisch sind.

PdM 4.0 – Die nächste Stufe nach Condition Monitoring

Predictive Maintenance wird oft als Condition Monitoring bezeichnet, aber Real-Time Condition Monitoring wird als eine frühere Reifestufe im größeren Bild des Predictive Maintenance Monitoring von PdM 4.0 gesehen. Wir werden hier nicht weiter darauf eingehen, da sowohl die zustandsbasierte Überwachung als auch die vorausschauende Überwachung, so wie sie heute verstanden wird, noch lange nicht allgegenwärtig sind.

Condition Monitoring betrachtet vordefinierte Parameter z.B. mit Vibrationsanalyse und -diagnose, Ölanalyse, Motorzustandsüberwachung und Motorstromsignaturanalyse. Thermischer Analyse oder welcher Art von Technik auch immer, die für die überwachte Anlage relevant ist und vergleicht die Parameter mit vordefinierten Schwellenwerten, wodurch durch Visualisierung der Zustand der Maschine überprüft werden kann.

Predictive Maintenance nutzt ML-Engines, wobei diese Parameter des überwachten Equipments als Basis verwendet werden, Aber der eigentliche Unterschied in Bezug auf das, was das maschinelle Lernen und die Vorhersagen sagen, ist, und was innerhalb eines bestimmten Zeit Rahmens und mit einer bestimmten Wahrscheinlichkeit auftreten wird.

Typischerweise bedeutet das auch, dass die vorausschauende Wartung mehr Datenquellen und Datensätze nutzt als die Sensordaten aus der Zustandsüberwachung sowie die digital erfassten Daten aus der vorherigen Stufe, der Geräteinspektion.

Der Unterschied mag klein erscheinen, ist er aber nicht. Die vorausschauende Wartung nutzt mehr Überwachungsdaten, aber was noch wichtiger ist, sie macht mehr mit den Daten. Sie sagt in der Tat etwas voraus.

Der Markt für Predictive Maintenance

IoT Analytics erwartet, dass der Markt für Predictive Maintenance bis 2024 über 25 Milliarden Euro erreichen wird. Weiter werden Predictive Maintenance den Unternehmen im Jahr 2024 voraussichtlich 190 Mrd. Euro einsparen, da der Markt reift. Offensichtlich gibt es noch viel mehr Forschung und Entwicklung auf dem Markt. Beachte jedoch, dass einige Herausforderungen einen negativen Einfluss auf die Einführung von PdM hatten.

Condition Monitoring und Predictive Maintenance der komplexen Produktionsanlagen sind noch weit von Plug-and-Play-Lösungen entfernt. Eine detaillierte Vorbereitung auf die Anpassung und das finale Feintuning sind entscheidende Erfolgsfaktoren.

Setze zuerst die erweiterte Zustandsüberwachung ein und schaue dann, wo die prädiktiven Modelle eingesetzt werden können. Denke über den Aufbau digitaler Zwillinge der Anlagen und des Prozesses nach und kombiniere Daten aus den Anlagenaggregaten, dem Produktionsprozess und der Produktionsumgebung.

Die Wahl der richtigen Wartungsstrategie beginnt mit dem Verständnis der verschiedenen Arten, und davon gibt es in der Tat einige. Neben der vorbeugenden und vorausschauenden Instandhaltung gibt es die reaktive (run-to-failure), die risiko- und zustandsorientierte, die zuverlässigkeitsorientierte, die total produktive Instandhaltung und noch mehr.

Daten und Vorbereitung für PdM

Der genaue Mix der Wartungsstrategien hängt von den Assets und deren Wichtigkeit und Bedeutung in verschiedenen Szenarien ab. Es ist klar, dass bei den Predictive Maintenance Daten aus allen Perspektiven essentiell sind. Das Sammeln und Analysieren von Daten, die verschiedenen Datenquellen und die Fähigkeit, diese zu nutzen und mit bestehenden Systemen zu integrieren, die verfügbaren Fähigkeiten in Bezug auf Daten, die benötigten Datensysteme und die Qualität der Daten.

Wenn du Predictive Maintenance im Sinne von PdM 4.0 noch nicht einsetzt, dies aber für die Zukunft in Erwägung ziehst, wenn der Business Case klarer ist, dann beginne schon jetzt mit der Speicherung der Daten, die relevant sein werden, wenn du dich tatsächlich für PdM entscheidest.

Fehlende Datenkompetenz und Probleme mit der Datenqualität sind wichtige Herausforderungen für den Einsatz von Predictive Maintenance. Offensichtlich geht es nicht nur um das Sammeln von Daten. Eine der großen Herausforderungen bei der vorausschauenden Wartung ist, angesichts der verschiedenen Datenquellen und der Beteiligung von z.B. dem OEM der Maschine, die Kombination aller Datensätze, die für die vorausschauende Wartung genutzt werden sollen.

Oft werden Daten gesammelt, die dann aber in einem Datenpool verbleiben, ohne dass etwas unternommen wird. Tatsächlich ist einer der Hauptgründe, warum Unternehmen nicht bereit für PdM 4.0 sind, dass sie die Daten, die sie bereits haben, nicht nutzen. Indem sie sich z.B. immer noch auf Excel etc. verlassen, und somit keinen Nutzen darin sehen, noch mehr Daten zu sammeln.

Das Sammeln von Daten ist eine Sache, die Integration und vor allem die Ableitung der benötigten Erkenntnisse und Werte eine andere. Das ist auch der Grund, warum Predictive Maintenance bisher noch nicht so weit verbreitet ist wie erwartet, wie Untersuchungen zeigen.

Um Predictive Maintenance zum Erfolg zu verhelfen, muss das Unternehmen und die beteiligten Abteilungen über die notwendigen Fähigkeiten auf der Ebene von Big Data Technologien, Business Intelligence, Data Warehousing etc. verfügen. Außerdem, und das ist entscheidend, muss ein unbedingter Fokus auf die Datenqualität gelegt werden.