Was ist Predictive Maintenance?

Predictive Maintenance ist eine sensorgestützte Form der Wartung. Das Verfahren nutzt Big Data-Analysen, um den Ausfallzeitpunkt einer Anlage vorherzusagen. Als Industrie 4.0-Anwendung kann Predictive Maintenance dadurch Kosten und Ausfallzeiten gegenüber herkömmlichen Wartungsstrategien deutlich verringern.

1. Wie funktioniert Predictive Maintenance?

1.1 Daten erheben

Der Begriff kann im Deutschen mit prädiktiver Wartung oder vorausschauender Wartung übersetzt werden. Um dieses “Vorausschauen” zu ermöglichen, müssen in der Maschine zunächst durch Sensoren relevante Daten ermittelt werden. Zur Umsetzung einer Predictive-Maintenance-Anwendung können unterschiedlichste Daten und somit auch eine Vielzahl von Sensoren zum Einsatz kommen. Beispiele hierfür sind:

• elektrische Sensoren
• Schwingungssensoren
• Temperatursensoren
• Drucksensoren
• Feuchtigkeitssensoren
• …und viele mehr

Diese Vielzahl spiegelt die Komplexität des Themas wider. Es gibt leider keine Patentlösung, um Vorhaben umzusetzen. Es braucht ein fähiges Team, das maßgeschneiderte Lösungen für den Anwendungsbereich erstellt. Bei Windkraftanlagen sind völlig andere Konzepte nötig, als bei einer Werkzeugmaschine.

Deshalb schrecken Unternehmen davor zurück, Predictive Maintenance umfassend zu implementieren. Die meisten Marktteilnehmer wissen um die Wichtigkeit des Feldes, haben aber keine Erfahrung in der Umsetzung. 

1.2 Daten analysieren

Das Gegenstück zum Datensammeln stellt das Analysieren der Daten dar. Durch die Auswertung der Messungen aus dem laufenden Prozess sollen Probleme frühzeitig erkannt werden. Servicetechniker werden dann entsandt, bevor es zum Ausfall kommt.

Hierfür sind große Datenmengen erforderlich, zu deren Auswertung auf Ansätze aus dem Big Data-Umfeld zurückgegriffen wird. Schon vor dem Verbau der Sensoren sollte natürlich geklärt werden, welche Daten auf einen baldigen Ausfall der Maschine hindeuten, damit bei Ihrer Predictive-Maintenance-Umsetzung alles glatt geht.

2. Vorteile von Predictive Maintenance

In einer Roland-Berger-Studie gaben 79% der Befragten an, dass sie den Nutzen von Predictive Maintenance hauptsächlich in einer Leistungssteigerung der Produktionstechnik sehen. Diese ergibt sich vor allem durch die höhere Verfügbarkeit und der längeren Lebensdauer der Anlagen. Auch die Verbesserung der Prozessqualität ist ein entscheidender Faktor.

21% Prozent erwarteten hingegen vor allem eine Senkung ihrer Kosten, durch niedrigere Ausgaben für Ersatzteile und Reparaturen. Auch wenn zunächst etwas Arbeitsaufwand und Investitionen anfallen, langfristig lohnt sich die Umsetzung auf jeden Fall. Predictive Maintenance hat Vorteile im Vergleich zu herkömmlichen Wartungsstrategien:

2.1 Predictive Maintenance vs. präventive Wartung

Das Konzept der präventiven Wartung ist eigentlich jedem bekannt, der schon einmal mit einem Aufzug gefahren ist. Meistens befindet sich ein TÜV-Siegel mit dem Datum der letzten Überprüfung neben der Schaltfläche. Fachpersonal checkt in vorgegebenen Intervallen die Funktionstüchtigkeit und Sicherheit des Fahrstuhls. Durch Predictive Maintenance könnten sich Techniker in diesem Beispiel einige Einsätze sparen. Mithilfe umfassender Datenanalysen kann festgestellt werden, welche Anlage eine Wartung benötigt und bei welcher eine Prüfung im vorgegebenen Intervall noch nicht erforderlich ist. Im Vergleich mit der präventiven Wartung können prädiktiv gewartete Anlagen deshalb die Sicherheit erhöhen und gleichzeitig Kosten für unnötige Wartungseinsätze vermeiden. Ebenso verbessert sich die Lauf- und Lebenszeit signifikant.

2.2 Predictive Maintenance vs. reaktive Strategie

Die reaktive Strategie findet in der Regel in weniger sicherheitsrelevanten Bereichen statt. Eigentlich handelt es sich dabei auch nicht wirklich um eine Wartungsstrategie. Denn hier werden ausschließlich Reparaturen und Analysen im Störfall durchgeführt. Die Nachteile liegen auf der Hand. Das System ohne Wartung bis zum Ausfall zu fahren, kann im Störungsfall zu einem weitaus größeren Schaden führen. Zudem treten Ausfälle häufiger auf. Oft vergessen Anhänger dieser Strategie auch, den geringeren Wiederverkaufswert der Anlagen in ihre Profitrechnung mit einzubeziehen. Ein schlecht gepflegtes Scheckheft wirkt sich in der Industrie nicht weniger negativ aus, als im privaten Pkw-Markt. Wer an Wartungen spart, zahlt am Ende häufig mehr.

3. Beispiele für Anwendungen von Predictive Maintenance

Mögliche Anwendungsbereiche von Predictive Maintenance sind vielfältig. In einigen Branchen fällt die Umsetzung zudem leichter als in anderen. Die Komplexität der Anlagen ist unterschiedlich. Die einzelnen Arbeitsschritte des Umstellungsprozesses sind aber stets dieselben. In manchen Märkten sträuben sich die Akteure allerdings etwas intensiver gegen neuartige Wartungstechnologien.

• Windenergieindustrie: Schwingungsanalysen liefern geeignete Messdaten, um rechtzeitig Alarm zu geben, wenn eine Windkraftanlage nicht mehr rund läuft. Das ist mit der heutigen Analyse- und Sensortechnik vergleichsweise einfach zu bewerkstelligen. Die Branche ist deshalb schon gut aufgestellt und kann als eine Benchmarkindustrie betrachtet werden, an der sich andere messen lassen müssen.
• Schienenindustrie: Ein von Siemens entwickeltes System entdeckt und dokumentiert anhand des Beschleunigungsverhaltens eines Zuges Hohlräume im Untergrund. Schon durch ein geringes Absacken des Gleisbettes entstehen Unebenheiten im Schienenverlauf, wodurch die Kraft des Antriebes nicht mehr gleichmäßig übertragen werden kann. Ein starkes Absacken kann hingegen zum Sicherheitsrisiko werden. Predictive Maintenance hilft hier, Wartungsarbeiten an Gleisen besser zu koordinieren.
• Automobilindustrie: Im Automotive-Umfeld werden Ausfälle von Motor- und Antriebskomponenten immer besser vorhergesagt.
• Maschinenbau: Im Maschinenbau finden wir eine Vielzahl unterschiedlichster Anlagenkonzepte vor. Predictive Maintenance-Lösungen können daher auch die unterschiedlichsten Formen annehmen. Möglichkeiten gibt es beinahe unbegrenzt hier tätig zu werden. Es wird allerdings etwas mehr Arbeit in die Entwicklung und Planung von Vorhaben erforderlich, da Maschinen typischerweise sehr viele verschiedene Technikkonzepte vereinigen. Zudem sind die Stückzahlen deutlich geringer als beispielsweise im Automotive-Umfeld. Dadurch wird die Entwicklung dezidierter Überwachungskonzepte erheblich teurer, da sie auf eine viel geringere Stückzahl umgelegt werden muss.