Durch Predictive Maintenance soll eine bedarfsgerechte Wartung ermöglicht werden, darüber hinaus geht es um die Reduzierung von Ausfallzeiten der Maschinen und Anlagen.

Verschiedene Auswertungen von Sensordaten sowie die genutzte Echtzeit-Analyse in Kombination mit der In-Memory-Datenbank erlauben eine hohe Zugriffsgeschwindigkeit auf die Daten. Diese liegt deutlich höher als bei der Nutzung von Festplattenlaufwerken.

Wird Predictive Maintenance für Industrie 4.0 richtig angewendet, werden Probleme behoben, noch ehe sie entstehen. Sie werden im Vorfeld erkannt und können dank rechtzeitiger Fehlerbehebung nicht zu Ausfällen der Produktion führen. Die wirtschaftlichen Ziele werden erreichbar.

Durch die Techniken, die bei der Predictive Maintenance verwendet werden, kann der Zustand der analysierten Maschinen, Anlagen und Geräte bestimmt werden. Daraus wiederum leitet sich eine empfohlene Wartung ab.

Grundsätzlich werden die Wartungsaufgaben damit nur dann ausgeführt, wenn sie auch nötig sind. „Vorausschauend“ heißt nicht unnötig! Das wiederum kann zu Kosteneinsparungen im Vergleich zu einer routinemäßigen – auch vorbeugenden - Wartung führen.

Darüber hinaus verlängert sich die Verfügbarkeit der Anlagen, da zwar häufigere Stopps für die vorausschauende Wartung und Instandhaltung nötig sind, diese aber planbar und kürzer sind.

Auch diese Vorteile sind zu berücksichtigen:

• längere Lebensdauer von Maschinen und Anlagen
• höhere Sicherheit der Anlagen
• weniger Unfälle
• optimierter Einsatz von Ersatzteilen
• geringere Umweltauswirkungen durch weniger Defekte und Havarien

Im Kontext zu Industrie 4.0 fällt immer wieder das Schlagwort „Predictive Maintenance“. (Foto: AdobeStock - 360474263 Stock57)

Die periodische Instandhaltung basiert im letzteren Fall auf einer Erfassung des Zustands der Anlagen und Maschinen in vorgegebenen Zeiträumen.

Die Wartung kann damit sowohl kosten- als auch leistungseffizient durchgeführt werden.

Die Maschine arbeitet im besten Fall unter Volllast, Leistungsverluste müssen nicht hingenommen werden. Wichtig: Die Zustandsüberwachung und darauf angepasste Instandhaltungsstrategien können parallel zum regulären Betrieb der Anlage vorgenommen werden.

Verschiedene Hilfsmittel werden zur Überprüfung des aktuellen Gerätezustandes eingesetzt:

• Infrarot
• Akustik über Ultraschall und Teilentladung
• Korona-Erkennung
• Schwingungsanalyse
• Schallpegelmessungen

Zur langfristigen Integration und zum effektiven Einsatz der Strategien zum Predictive Maintenance, sind drei Arbeitsschritte nötig:

1. Erfassung, Digitalisierung und Übertragung der Daten
2. Speichern, Analysieren und Bewerten der Daten
3. Wahrscheinlichkeitsberechnung für verschiedene Ereignisse und Schäden

Die Überprüfung des Anlagenzustands erfolgt beim Predictive Maintenance entweder dauerhaft durch Onlineüberwachung oder in festen zeitlichen Abständen. (Foto: AdobeStock - 645469140 Orange Images)

• Anwendung bei Kraftfahrzeugen:

  Sensoren im Motor oder Fahrwerk sammeln permanent Daten und werten diese aus. Der Anwender bekommt die Auswertung über den Bordcomputer mitgeteilt und erfährt rechtzeitig, welche Wartungen anstehen oder welche Störungen möglicherweise vorliegen.

  So lassen sich im Vorfeld teure Reparaturen vermeiden. Die rechtzeitige Fahrt in die Werkstatt sorgt dafür, dass das Fahrzeug fahrbereit bleibt. Hinzu kommt, dass durch Defekte häufig größere Reparaturen fällig werden.

  Ein Beispiel ist der Motor: Das Fahrzeug misst über Sensoren die Temperatur des Kühlwassers oder die Tätigkeit der Wasserpumpe. Eine Störung in diesem Bereich wirkt sich nicht sofort aus, sondern erst wenig später – dann aber mit dem Totalausfall des Motors.

  Eine teure Reparatur, die durch die rechtzeitige Fahrt in die Werkstatt zur Behebung des ursprünglichen Defekts vermeidbar wäre.

  Sind die Fahrzeuge wie bei der vorausschauenden Instandhaltung vernetzt, werden die gesammelten Daten online direkt an die Servicewerkstätten oder an den Hersteller übermittelt.

• Anwendung in der Luftfahrt:

  Fluggesellschaften müssen hohe Kosten hinnehmen, wenn ein Flugzeug ausfällt. Ihnen ist verständlicherweise daran gelegen, dass die Flugzeuge in der Luft sind und ihren Dienst zuverlässig verrichten. Predictive Maintenance wird hier unter anderem zur Überwachung von Turbinen oder Hydraulikpumpen eingesetzt, was beispielsweise bei „Skywise“ von Airbus der Fall ist. Das Projekt wurde schon 2017 ins Leben gerufen und erlaubt es den Ingenieuren, bei Fehlern rechtzeitig einzugreifen und vom Ausfall bedrohte Teile frühzeitig zu tauschen.

• Anwendung im Schienenverkehr:

  Für den Schienenverkehr gilt Ähnliches wie für die Luftfahrt: Die Nutzung ist nur sinnvoll und effizient möglich, wenn die Fahrzeuge wirklich Personen befördern. Ein überraschender Ausfall des Zuges mag inzwischen keine wirkliche Überraschung mehr sein, sollte aber zumindest wegen eines technischen Defekts vermeidbar sein. Kann bereits im Vorfeld geplant werden, wann ein beschädigtes Teil repariert werden kann, lässt sich Störungen im vorgesehenen Ablauf vorbeugen. Automatisch kann dabei anhand der ermittelten und ausgewerteten Daten erkannt werden, um welches Teil es sich handelt, welche Reparaturanweisungen richtig sind, welche Ersatzteile benötigt werden und wie lange ein Ausfall möglicherweise dauern könnte.

Unterschiede zwischen Preventive und Predictive Maintenance

“Vorausschauend“ ist nicht gleich „vorbeugend“, wie die verschiedenen Begrifflichkeiten zeigen.

Predictive Maintenance stützt sich auf den Ist-Zustand der betreffenden Anlagen und berücksichtigt dabei nicht die erwartete oder durchschnittliche Lebensdauer derselben.

Es werden nur Aussagen über eine erforderliche Wartung Daten genutzt, die direkt von der Maschine erhoben werden und live zur Verfügung stehen.

Bei der Preventive Maintenance hingegen wird von im Vorfeld festgelegten und routinemäßigen Wartungsintervallen ausgegangen, die den tatsächlichen Maschinenzustand nicht berücksichtigen.

Diese Variante basiert auf einer theoretisch berechneten Ausfallrate, die tatsächliche Leistung der Anlage wird nicht bedacht. Dabei ist es gerade die Auslastung, die für eine kürzere oder längere Lebensdauer sorgen kann.

Basis für die Planung der Wartungsarbeiten ist der Kalender, nicht die Nutzungsintensität.

Gerade seitens der Hersteller wird dies häufig empfohlen und es finden sich bereits in der Betriebsanleitung Hinweise darauf, dass alle x Betriebsstunden eine Wartung durchgeführt werden sollte.

Preventive Maintenance ist häufig mit unnötigen Wartungsarbeiten verbunden, denn die Anlagen und Maschinen werden nicht in allen Unternehmen gleich intensiv genutzt. Die Gefahr liegt darin, sich anbahnende Defekte zu spät zu erkennen.

Außerdem werden bei vorsorglichen Wartungen häufig Teile getauscht, die noch intakt sind. Dies wiederum führt zu höheren Kosten, die Wirtschaftlichkeit des Unternehmens sinkt.

Herausforderungen und Vorteile bei der Durchführung von Predictive Maintenance

Bei der Arbeit mit Predictive Maintenance fallen große Datenmengen an, welche aber nötig sind, um verlässliche Aussagen über den Anlagen- und Maschinenzustand treffen zu können.

Nur damit können mögliche Störungen zuverlässig vorhergesagt werden. Intelligente Algorithmen helfen dabei, diese Datenmengen zu speichern, zu verarbeiten und auszuwerten. Eingesetzt wird dafür beispielsweise das Edge Computing, das speziell für die Anwendung bei riesigen Datenmengen geeignet ist.

Erfasst werden jedoch nicht nur maschinenbezogene Daten, sondern auch solche Parameter, die mit dem Umfeld der Maschine zu tun haben. Es geht unter anderem um die Temperatur und Luftfeuchtigkeit, welche beide einen großen Einfluss auf die sichere und zuverlässige Funktionsweise der Maschinen und Anlagen haben. Die Datenbanken, die dafür eingesetzt werden, müssen Höchstleistungen vollbringen, denn die erfassten Datenmengen sind riesig.

Um qualitativ hochwertige und zuverlässige Prognosen zu erhalten, müssen die verwendeten Algorithmen für die Analyse besonders leistungsfähig sein. Je intelligenter und ausgereifter sie sind, desto sicherer sind demnach die prognostizierten Ergebnisse.

Darüber hinaus werden Messwerte und Diagnosedaten an die Hersteller oder an bestimmte Servicezentralen übermittelt, Basis für diese Datenübertragung ist das Internet of Things, kurz IoT.

Damit sind nicht nur die Erhebung und Speicherung der besonders großen Datenmengen eine Herausforderung für den Algorithmus sowie ein hoher Anspruch an die Rechnerkapazität, sondern auch die Aktualisierung der Daten. Erfolgt diese nicht, sind keine verlässlichen Aussagen zu möglichen Veränderungen und Entwickelungen möglich.