Predictive Maintenance: Erfolgreich als individuelles Projekt

node-divider
5 Minuten Lesezeit
Facebook
Twitter
LinkedIn
WhatsApp
Email
5 Minuten Lesezeit
Facebook
Twitter
LinkedIn
WhatsApp
Email

Predictive Maintenance ist eine Vision vieler Unternehmen, aber keine Lösung von der Stange. Es handelt sich immer um ein kundenindividuelles Projekt auf Basis spezifischer Anforderungen und Zielbildern.

Die Herausforderung: Maschinenstillstände vermeiden

Maschinen brauchen eine regelmäßige Wartung und in bestimmten Abständen den Austausch von Verschleißteilen. In dieser Hinsicht unterscheiden sich Werkzeugmaschinen, elektrische und elektronische Systeme aus der Automatisierungs- und Produktionstechnik, Windkraftanlagen, Ladestationen und viele andere Systeme nicht. Sie werden in regelmäßigen Abständen geprüft und gewartet, um Störungen und Systemausfälle zu minimieren. Dadurch werden teure Ausfälle vermieden bzw. reduziert.

Je kleiner die Wartungsintervalle sind, desto höher die Wahrscheinlichkeit, dass ungeplante Stillstände vermieden werden können. Gleichzeitig steigt aber simultan der Aufwand und der Personaleinsatz. Deshalb suchen viele Unternehmen nach Alternativen. Digitale Technologien rund um das Industrial IoT (Internet of Things) bieten hier einen Lösungsansatz: die intelligente Überwachung von Maschinenzuständen, um ungeplante Stillstandszeiten auf effiziente Weise möglichst komplett zu verhindern. 

Dieses Konzept wird als „Predictive Maintenance“ bezeichnet. Dahinter verbirgt sich ein System, das über die Analyse von Daten einen mit einer bestimmten Wahrscheinlichkeit drohenden Ausfall einer Maschine oder eines Produktes voraussagt. So können rechtzeitig notwendige Gegenmaßnahmen eingeleitet werden, um einen ungeplanten Stillstand zu vermeiden. 

Umsetzungspartner für Lösungen dieser Art ist die All For One Group. Das Unternehmen hat große Erfahrungen in der Entwicklung von Digitalisierungslösungen im gesamten DACH-Raum. Es richtet bei seiner Arbeit den Fokus auf das zugrundeliegende praktische Problem, seine Lösung und den daraus resultierenden Mehrwert.

Die Lösung: Vorausschauende Wartung auf Basis von Datenanalysen

Predictive Maintenance existiert in zwei unterschiedlichen Varianten. 

  •  Bei der ersten (externen) Variante verarbeitet der Hersteller die Daten seiner, sich bei Kunden im Einsatz befindlichen Geräte, und stellt die Analysen den Kunden in einer Cloud-Anwendung zur Verfügung. Die vorausschauende Wartung ist in diesem Fall also der Service des Herstellers.

  • In der zweiten (internen) Variante erfasst ein produzierendes Unternehmen Daten von seinen, in der eigenen Fertigung laufenden, Maschinen und Anlagen. Es nutzt sie in einer eigenen Anwendung, um ungeplante Stillstände zu vermeiden und den betriebswirtschaftlich optimalen Wartungszeitpunkt zu ermitteln. Diese Variante bezieht sich oftmals auf Bestandsmaschinen unterschiedlicher Hersteller und bedingt eine Integration in das ERP-System.

  • Datenerfassung und -analyse
Ein Predictive Maintenance System erfordert Daten für die Analyse. Sie werden häufig mit spezifischen Sensoren erfasst und über IoT-Gateways in eine Cloud-Anwendung gesendet. Bei internem Predictive Maintenance ist es zudem oft möglich, Daten aus vorhandenen Industriesteuerungen zu nutzen. Für die Erfassung der Daten gibt es zwei Ansätze: 
 
  • Bei der generischen Datenerfassung werden so viele Daten wie möglich erfasst. In einem zweiten Schritt werden sie auf Muster und Anomalien untersucht, an denen sich der aktuelle Status der Anlage ablesen lässt. Dieser Anwendungsfall ist einfacher bei der externen Variante von Predictive Maintenance umzusetzen. Wenn alle Assets eines Betreibers vernetzt sind, entsteht eine große Datenbasis, die besser für umfassende Analysen geeignet ist.
  • Bei der fallbezogenen Datenerfassung steht ein spezifisches Problem im Vordergrund, oft der Ausfall bestimmter Komponenten. Der Hersteller trifft in seinen Maschinen Vorkehrungen, um beispielsweise Verschleiß wichtiger Bauteile zu ermitteln. Da hierbei die Datenerfassung auf ein konkretes Problem ausgerichtet ist, reichen kleinere Datenmengen aus.

Bei der Analyse der erfassten Daten werden verschiedene Verfahren aus der Data Analytics genutzt, beispielsweise Machine Learning. Tiefere Einblicke bietet das All for One-Whitepaper zu Predictive Maintenance.

Die Vorgehensweise von All For One

Die Umsetzung von Predictive Maintenance ist kundenindividuell: Jedes Projekt ist anders, das Spektrum der einzelnen Anforderungen sehr breit. Drei Beispiele zeigen das exemplarisch: Ein Unternehmen hat einen Data Lake aufgebaut und möchte nun zusätzliche Analysen mit den Daten machen. Ein anderes Unternehmen will seine Anlagen überwachen, hat aber nur eine grobe Vorstellung, welche Daten es überhaupt besitzt. Ein drittes Unternehmen möchte seine Produkte vernetzen, um überhaupt erst Daten aus dem Praxisbetrieb bei den Kunden zu sammeln. Über ein Predictive Maintenance Szenario will es erst später entscheiden.

Um diesen unterschiedlichen Reifegraden und Anforderungen gerecht zu werden, bietet All For One seinen Kunden häufig als ersten Schritt einen Workshop an. Dort wird der Ist-Zustand geklärt und anschließend ein Zielbild entwickelt. Das Ergebnis muss nicht immer Predictive Maintenance in Reinform sein. Viele Unternehmen benötigen als erstes einen Einblick in den Maschinenstatus oder eine genaue Analyse der verfügbaren Daten. Häufig sind wichtige Daten für das Unternehmen unsichtbar, da sie weder erfasst noch ausgewertet werden.

Erst nach Klärung der Projektziele geht es an die technische Realisierung. Das kann tatsächlich Predictive Maintenance sein, aber auch eine Vorstufe wie beispielsweise Anomalie-Erkennung oder ein Condition Monitoring. Dabei baut All For One entweder einen „Proof of Concept“ oder einen funktionalen Prototypen, der anschließend zu einer umfassenden Lösung erweitert wird.

Ein wichtiger Aspekt dieser Phase ist der digitale Reifegrad des Kundenunternehmens nach dem acatec-Modell. Einige Firmen besitzen alle Voraussetzungen für eine rasche Umsetzung des Prototypen. Andere dagegen müssen überhaupt erst einmal die technologische Basis schaffen, um Daten in größerem Umfang auswerten zu können. Auf diese Weise kann All For One den idealen Projektzuschnitt ermitteln.

Das Ergebnis: Kostensenkung und Optimierung der Fertigung

Mit Predictive Maintenance lassen sich in großem Umfang Kosten sparen. Dies betrifft Stillstände in der Produktion, Ausfälle beim Kunden, ungeplante „Feuerlösch-Serviceeinsätze“ oder unnötige Arbeitsschritte, wie zu häufiger Werkzeugwechsel. All das lässt sich vermeiden oder wenigstens drastisch reduzieren.

Darüber hinaus lässt sich mit Predictive Maintenance die Wettbewerbssituation verbessern. Zum einen fallen Produkte beim Kunden nicht unangekündigt aus, sodass Qualität und Kundenzufriedenheit zunehmen. Zum anderen erhöht sich im produzierenden Gewerbe die Liefertreue, da ungeplante Unterbrechungen in der Fertigung vermieden werden.

Schließlich unterstützt Predictive Maintenance Optimierungen sowohl bei der Beseitigung konkreter Probleme im Betrieb einer Maschine oder eines Produktes als auch hinsichtlich der generellen Performance.

NEWSLETTER

Jetzt unser IoT Use Case Update erhalten

node-divider

Erhalten Sie kostenlos das monatliche Update zu spannenden Use Cases, aktuellen Podcastfolgen und News aus unserer IoT-Community.