Do you want to see our content in English?

x
x

Predictive Maintenance: Jeder Schritt ein großer Fortschritt

““
IoT Use Case - all for one Group
7 Minuten Lesezeit
7 Minuten Lesezeit

Der Weg ist das Ziel: Predictive Maintenance – die bedarfsabhängige Wartung anhand einer datenbasierten Prognose – ist keine schlüsselfertige Lösung, sondern muss speziell an die Bedürfnisse des einzelnen Unternehmens angepasst werden. Dabei gilt jedoch: nicht nur die Endausbaustufe einer Predictive Maintenance Lösung bringt große Mehrwerte, auch auf dem Weg dorthin gibt es viel zu gewinnen.

Die Herausforderung: Maschinenstillstände vermeiden

Maschinen brauchen eine regelmäßige Instandhaltung und je kürzer die Wartungsintervalle sind, desto eher werden ungeplante Stillstände vermieden. Gleichzeitig steigen Aufwand und 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 Stillstandzeiten 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. Dazu bedarf es der Erfassung von Daten von möglichst vielen Maschinen gleichen Typs über einen bestimmten Zeitraum. Ist das erfolgt, können die Daten analysiert und auf Muster und Zusammenhänge untersucht werden: Gibt es Parameterausprägungen, die mit einem späteren Ausfall in Verbindung gebracht werden können? Darauf aufbauen können Prognosemodell aufgesetzt und Schwellenwerte definiert werden, die automatisiert Folgeprozesse (wie das Anfordern eines Service-Technikers) anstoßen. Denn nur wenn ein wahrscheinlicher Ausfall auch mit einer effizienten Reaktion verknüpft ist, bringt Predictive Maintenance einen wirklichen Mehrwert. Die Information, dass ein Ausfall bevorsteht, bringt für sich erstmal wenig.

Intern vs. Extern

Predictive Maintenance kann sowohl für Maschinen in der eigenen Fertigung als auch für Anlagen im Kundenbetrieb umgesetzt werden.

Im ersten Fall ist das Sammeln einer ausreichenden Datenmenge tendenziell schwieriger. Oftmals gibt es nur wenige Maschinen gleichen Typs, d.h. man muss zum einen über einen längeren Zeitraum Daten erfassen, um eine Mindestmenge zu bekommen. Zum andern ist die Datenqualität stärker von einzelnen Maschinen abhängig.

Im zweiten Fall lassen sich grundsätzlich schneller Daten vom gleichen Typ erfassen (ein Hersteller verkauft ja oftmals viele gleiche Maschinen), allerdings besteht die Herausforderung, tatsächlich an diese Daten zu kommen: Sie stehen beim Kunden vor Ort, das heißt die Konnektivität muss gegeben sein, ebenso die Zustimmung des Kunden zur Übermittlung der Daten.

Auch die Zielstellung ist jeweils etwas unterschiedlich: Im Falle der eigenen Fertigung geht es in erster Linie darum, (ungeplante) Stillstände zu vermeiden bzw. rechtzeitig über einen Ausfall informiert zu werden und genügend Technikerressourcen und die passenden Ersatzteile bereit zu halten. Predictive Maintenance für Maschinen im Kundeneinsatz zielt zusätzlich darauf ab, den Kunden einen besseren Service bieten zu können.

Der Aufbau eines Predictive Maintenance Szenarios

In beiden Szenarien bedarf es im ersten Schritt einer Erfassung von Maschinen- und/oder Sensordaten von einer Anlage. Diese Daten – in der Regel sind das sehr große Mengen (Big Data) – müssen über ein Gateway in eine geeignete Cloud-Umgebung übertragen werden, wo sie gespeichert und aufbereitet werden. Geht es um Maschinen im Kundeneinsatz müssen u. U. entsprechende Konnektivitätslösungen gefunden werden.

Dann kann eine erste Analyse beginnen: Sind die passenden Daten vorhanden und können aus ihnen Rückschlüsse auf Ursachen von Ausfällen gezogen werden? Sind Muster zu erkennen – zum Beispiel, dass Parameterausprägungen wie ein bestimmter Temperaturwert in einem zeitlichen Zusammenhang steht? Sobald solche Hypothesen vorhanden sind, können sie in Modelle überführt werden. Diese gilt es dann mit einem frischen Datenset zu verifizieren. Stimmt eine Hypothese, kann sie für eine Ausfallprognose verwendet werden – etwa: Wenn ein Parameter einen bestimmten Schwellenwert erreicht, ist mit 98% Wahrscheinlichkeit in den nächsten 10 Minuten ein Ausfall zu erwarten.

Die reine Ausfallprognose bringt aber noch keine großen Mehrwerte. Predictive Maintenance entfaltet dann sein ganzes Potenzial, wenn auf die Prognose hin automatisiert und effizient ein Folgeprozess angestoßen wird – etwa der Auftrag für den Instandhalter oder die automatisierte Bestellung benötigter Ersatzteile. Derartige Prozesse laufen üblicherweise in einem ERP-System. Eine ganzheitliche Predictive Maintenance Lösung muss also in ein solches System integriert werden.

Damit wird klar: Die Umsetzung eines Predictive Maintenance Szenario in der Endausbaustufe ist mitunter ein aufwendiges Unterfangen, verbunden mit einem entsprechendem Implementierungsprojekt, vor dessen Ausmaß gerade viele mittelständische Unternehmen zurückschrecken.

Der Weg ist das Ziel

Dabei ist die Furcht vor einer schwer kalkulierbaren Investition zumeist unbegründet. Denn im Normalfall müssen Unternehmen keine Endausbaustufe erreichen, um Mehrwerte zu erzielen. Einige Beispiele:

  • Schon durch das bloße Erfassen und die Visualisierung von Echtzeitdaten lassen sich viele Erkenntnisse gewinnen und Reaktionszeiten verringern sich drastisch: In der eigenen Fertigung werden Zustände von Maschinen transparent und können etwa in einem Dashboard dargestellt werden. Somit kann eine einzelne Person eine Vielzahl von Maschinen und Anlagen überwachen, unabhängig davon, wo diese sich befinden. Tritt eine Störung oder ein anderes Problem auf, kann sofort entgegengewirkt werden. Senden Maschinen im Kundeneinsatz Perfomance-Daten an den Hersteller zurück, so erhält dieser wertvolle Informationen darüber, wie seine Produkte tatsächlich genutzt werden. Er kann sie besser an den Kundenbedürfnissen ausrichten oder seine Kunden dabei unterstützen, sie nachhaltiger zu Nutzen.
  • Durch die Verarbeitung und Analyse der Daten lassen sich Zusammenhänge und Muster erkennen, die wertvoll für den Anlagebetrieb, den Kundenservice oder auch das Ersatzteilmanagement sind. Um letzteres zu optimieren, bedarf es im Normalfall keine zu 99% zutreffende Ausfallprognosen für einzelne Maschinen. Auf tatsächlichen Verschleißdaten aufbauende, aggregierte Vorhersagen über den Ersatzteilbedarf sind in den meisten Fällen um ein Vielfaches präziser als herkömmliche Dispositionsvorschläge.

So können in allen Zwischenstufen hin zu einer Predictive Maintenance Lösung konkrete wirtschaftliche Mehrwerte geschaffen werden, die oftmals schon für sich ein lohnenswertes Ziel sind. Mitunter kann sich auch herausstellen, dass die Endausbaustufe für ein bestimmtes Unternehmen erst mal gar kein sinnvolles Ziel mehr ist, da eine Vorstufe für den Moment völlig ausreicht, da sie genügend Effizienzgewinne bringt.

Wichtig ist dabei nur, das große Ganze nicht aus den Augen zu lassen. Auch wenn der Weg das Ziel ist, sollte man sicherstellen, dass man sich auf dieser Reise in keine technologische Sackgasse bewegt.

Ein ganzheitlicher Ansatz und standardisierte Komponenten

Die All for One Group hat als Umsetzungspartner große Erfahrung in der Entwicklung von Digitalisierungslösungen im gesamten DACH-Raum. Dabei steht der Dreiklang zwischen Technologie, Prozessen und den Menschen, der Garant für nachhaltigen Erfolg stets im Mittelpunkt.

Ein weiterer Erfolgsfaktor ist der absolute Fokus auf das Kundenproblem: Mit Blick auf IoT-Lösungen wie Predictive Maintenance bedeutet das: Nicht die Endausbaustufe ist das Ziel, sondern genau das, was dem Kunden das optimale Kosten-/Nutzenverhältnis bietet.

Jedes Kundenbedürfnis ist individuell, technologisch verfolgt die All for One Group jedoch den Ansatz, dieses Bedürfnis mit möglichst wenig individuellem Projekt zu erfüllen. Das funktioniert dadurch, dass individuelle Use Cases mit standardisierten und praxiserprobten Komponenten gebaut werden – etwa dem All for One IIoT Connector oder einem standardisierten Data Analytics Paket. Das geht mittlerweile so weit, dass individuelle Lösungen wie über einen Konfigurator zusammengestellt werden können.

Durch die Verwendung der Komponenten verlieren selbst Predictive Maintenance Lösungen viel von ihrem Projektcharakter – sie werden kostengünstiger, stabiler und damit mittelstandsgerechter.

Als SAP-Spezialist ist die All for One Group darüber hinaus Experte für die Integration von IoT-Lösungen in SAP-Systeme – ein wichtiger Aspekt, da nur durchgehende End-to-End Abläufe den maximalen Effizienzgewinn ermöglichen. Vervollständigt wird das Portfolio der All for One durch starke Kompetenzen im Transfomationsmanagement, um die mit IoT-Projekten oftmals verbunden Change-Prozesse bestmöglich zu unterstützen.

Fazit

Predictive Maintenance ist kein Produkt von der Stange und tendenziell komplex. Aber mit einer ganzheitlichen Herangehensweise und smarten technologischen Ansätzen ist das Konzept auch für mittelständische Unternehmen ein greifbares Ziel – zumal sich wirtschaftliche Mehrwerte nicht nur in der Endausbaustufe einstellen.

Jetzt IoT Use Case Update erhalten

Erhalten Sie monatlich exklusive Einblicke in unsere Use Cases, Aktivitäten und News aus dem Netzwerk - Jetzt kostenlos anmelden.