Blog

Predictive Maintenance

Wartung in der Industrie 4.0 – Predictive Maintenance

Predictive Maintenance ist eine Kernkomponente im Innovationsprozess der Industrie 4.0. Sie steht insbesondere für ein modernes Wartungsmanagement, das durch Vorhersagen von Systemausfällen Serviceleistungen optimiert und Kosten minimiert.

Der Begriff „Predictive Maintenance‘‘ wird auch als Synonym für vorausschauende Wartung verstanden. Durch Analyse von Daten über das bestehende System aus der Vergangenheit und Gegenwart werden Aussagen über dessen Zukunft getroffen. In der Folge wird das Auftreten von Störungen oder Ausfällen mit dem gewonnenen Wissen proaktiv und kostengünstig verhindert.

Dieser proaktive Prozess ist eine klare Weiterentwicklung gegenüber traditionellen Wartungsmethoden wie reaktiver – oder präventiver – Wartung. Während reaktive Wartung erst nach einem Ausfall aktiv wird und Störungen somit nicht verhindert, versucht präventive Wartung Ausfälle auch zu verhindern. Genutzt werden dafür starre Prozesse, die in festen Intervallen Wartungsmaßnahmen durchführen und somit oft auch Teile austauschen, die eigentlich noch voll funktionsfähig sind, was unnötige Kosten erzeugt.

Dabei ist für eine Kostenoptimierung nicht nur entscheidend, den optimalen Zeitpunkt zum Austauschen von Teilen zu bestimmen, sondern auch den optimalen Zeitpunkt zum Bestellen von Ersatzteilen oder den optimalen Ort zur Durchführung der Maßnahme zu ermitteln, um Ausfälle gering zu halten. Genau das wird durch gezielten Einsatz von Predictive Maintenance erreicht.

Drei Schritte zur prädiktiven Wartung

Die Basis für die jeweilige Entscheidungsfindung sind Informationen über den Zustand der überwachten Komponenten. Sie können entweder statisch vorliegen oder in Echtzeit mittels Sensoren und externe Systeme ermittelt werden.

Ein zweiter Schritt analysiert anschließend die erhobenen Daten und wertet sie aus. Eine immer größere Herausforderung ist es dabei, die entstehenden und teilweise enormen Datenmengen in das System zu integrieren. Hierbei reicht es nicht einfach, sie zu speichern. Sie müssen teilweise über komplizierte Signalverarbeitungsprozesse verarbeitet, von Fehlern bereinigt oder auch überhaupt erst für das System lesbar gemacht werden. Mit Bereitstellen der Informationen wird dann ein Zustands-Monitoring (auch engl. Condition-Monitoring) ermöglicht, was zunächst zur Diagnose des aktuellen Zustands der Anlagen oder Maschinen eingesetzt wird.

Erst im finalen dritten Schritt und nach ausreichender Analyse des Systems kann dann eine Vorhersage über dessen zukünftiges Verhalten getroffen werden. Analytisch verknüpft man eine Vielzahl von Indikatoren zur Vorhersage (Prädiktoren), die für die Qualität des Produktes und die Funktionsfähigkeit der Maschine relevant sind, mit kritischen Betriebszuständen in der Vergangenheit. Prädiktoren für die Vorhersage des Systemzustands sind zum Beispiel Sensordaten wie die Temperatur, der Druck oder das Vibrationsbild. Diese werden jedoch nicht nur als Frühwarnsysteme durch empirisch definierte Schwellenwerte genutzt: vielmehr lassen sich Muster im Vorlauf von aufgetretenen Fehlern erkennen, die durch intelligente Algorithmen und maschinelles Lernen auf Modelle von zukünftig fehlerhaften oder kritischen Zuständen schließen lassen. Eingesetzt werden hierbei insbesondere Verfahren zur  Survivalrate-Analyse, Anomalie-Erkennung, Sequenz- und Assoziationsanalysen sowie Process-Mining-Techniken

Predictive Maintenance bietet viele Vorteile

Der Einsatz von prädiktiven Modellen reduziert zum einen teure Reparaturen und löst zum anderen starre Intervalle in der Wartung ab. Eine rechtzeitige Identifikation dieser Muster und daraufhin ausgelöste Handlungsvorschläge machen die Wartung „smart“ im Vergleich zu traditionellen Methoden wie reaktiver oder auch präventiver Wartung.

Auf Basis avancierter Mustererkennungsverfahren werden somit die Planung von Serviceintervallen optimiert sowie Wartungen und Routinechecks verschiedener Komponenten gebündelt. Dies erhöht die Lebensdauer der Maschine, verringert Ausfallzeiten, schont Ressourcen und spart Kosten ein. In vielen Fällen wird sogar eine Verbesserung von Leistung durch die gezielte Analyse der gesammelten Daten erzielt.

Predictive Maintenance hat mittlerweile seinen Platz in der Industrie gefunden und wird in vielen Bereichen genutzt. Im Fokus stehen dabei insbesondere Verschleißteile von komplexen Anlagen, die hohen Anforderungen genügen müssen. So nutzt man zum Beispiel Schwingungsanalysen von Windrädern um deren Ausfallsicherheit zu gewährleisten — oder im Zugverkehr Analysen von Bahnstrecken, um mögliche Störquellen im vornherein zu eliminieren.

Ein weiteres Beispiel ist das Ersetzen von besonders belasteten und teuren Fahr- oder Flugzeugteilen. Bei einer entsprechenden Vernetzung ersetzt man gefährdete Teile wie Bremsen oder Reifen vor einem Ausfall gezielt, ohne dabei deren Lebenszeit künstlich zu verringern. Dadurch sinken gleichzeitig Kosten und Zeit, wodurch nicht nur die Analyse „smart“ ist, sondern auch der Service insgesamt.

Über den Autor

Antwort hinterlassen