Predictive Maintenance Nur ein Hype oder tatsächlich hilfreich?

Die Diskussion um das Thema „Predictive Maintenance“ im Kontext von Industrie 4.0 wird teils kontrovers geführt: Der Tenor reicht von „Nutzung steigt exponentiell“ bis „völlig überschätzt“. Vereinzelt ist auch von einem Buzzword die Rede, frei nach der Devise „alter Wein in neuen Schläuchen“. Anlass genug also, der Materie auf den Grund zu gehen. Was ist tatsächlich neu an der vorausschauenden Wartung? Gibt es substanzielle Mehrwerte im Vergleich zu herkömmlichen vorbeugenden oder auch reaktiven Instandhaltungslösungen? Möglicherweise sind Sie aber auch bereits überzeugt, dass mit Predictive Maintenance durchaus keine überzogenen Erwartungen verbunden sind? Dann möchten wir Ihnen darüber hinaus in diesem Blog-Beitrag Tipps geben, welche Voraussetzungen gegeben sein müssen, um dieses Prinzip erfolgreich in die Geschäftsprozesse zu implementieren.

Was bedeutet Predictive Maintenance konkret?

Wenn eine Maschine oder gleich ganze Produktionsanlagen ausfallen, wird es schnell teuer. Zu den Reparatur- kommen Ausfallkosten hinzu, die schnell schwindelerregende Höhen erreichen können. Wie wäre es also, wenn Maschinen selbst erkennen, dass sich im Innern Probleme anbahnen und diese frühzeitig kommunizieren, sodass eingeschritten werden kann, bevor es tatsächlich zu einem Stillstand kommt?

In dieser rhetorischen Frage verbirgt sich natürlich die Antwort: Verbaute und vernetzte Sensoren erfassen sämtliche Maschinendaten kontinuierlich in Echtzeit und stellen diese zur Auswertung bereit. Bei diesen Daten kann es sich um Temperatur- und Druckwerte handeln, aber auch um Luftfeuchtigkeit, Vibrationen und/oder Geräuschpegel. Entscheidend sind zudem Prozessparameter sowie Qualitätskennzahlen. Mithilfe der Digitalisierung, respektive des Internet der Dinge (IoT), ist es somit möglich, rechtzeitig Informationen über Abweichungen vom Soll-Zustand einer Produktionsmaschine zu erhalten, um Fehlerzustände zu verhindern. Ein Worst-Case-Szenario wäre, wenn diese weitere unplanmäßige Kettenreaktionen mit Einfluss auf die gesamte Supply Chain auslösen.

Infolge lässt sich Predictive Maintenance wie folgt definieren: Bei der vorausschauenden Wartung handelt es sich um eine Maßnahme, mit deren Hilfe auf Basis von in Echtzeit erfassten Maschinen- und Prozessdaten Zustandsprognosen generiert werden. Unter der Voraussetzung einer korrekten, softwareunterstützten Interpretation und Analyse lassen sich somit Stillstände verringern bis gänzlich vermeiden. Ergo können Anwender etwaigen Qualitätsverlusten durch Materialschäden in der Produktion entgegenwirken, noch bevor deren Auswirkungen offen zutage treten.

Diese Begriffsbestimmung verweist zudem auf den Unterschied zwischen Predictive Maintenance und traditioneller Instandhaltung. Während beispielsweise die vorausschauende Wartung den tatsächlichen Zustand einer Anlage fokussiert, konzentriert sich das Prinzip der vorbeugenden Wartung auf den erwarteten Lebenszyklus. So kommt es vor, dass Arbeiten vorgenommen werden, die zu jenem Zeitpunkt gar nicht erforderlich sind und gegebenenfalls Komponenten ausgetauscht werden, die auch weiterhin tadellos ihren Dienst verrichtet hätten.

Welche Vorteile bietet „Instandhaltung 4.0“?

Die Implementierung von Predictive Maintenance ist ein wesentlicher Baustein zur Digitalisierung der Produktion nach dem Vorbild einer „Smart Factory“. Mit dieser durch das Internet der Dinge (IoT) ermöglichten Anwendung lassen sich

  • die Zahl unplanmäßiger Ausfälle minimieren,
  • die Produktivleistung steigern,
  • Produktionskosten verringern,
  • die Gesamtanlageneffektivität (OEE = Overall Equipment Effectiveness) verbessern,
  • die Lebensdauer von Maschinen und Anlagen erhöhen,
  • das Ersatzteilmanagement optimieren,
  • Wartungsmaßnahmen besser planen und
  • der Einsatz von Service-Technikern kann reduziert werden.

Ein Nebeneffekt ist, dass Sie auf Basis der gesammelten und ausgewerteten Daten eine detaillierte Historie Ihrer Maschine(n) erhalten. Dank einer intelligenten Überwachung der Prozessdaten lassen sich darüber hinaus stetig Optimierungspotenziale erschließen – sowohl auf Verfahrens- als auch Materialebene. Denkbar ist beispielsweise der Einsatz digitaler Assistenzsysteme, die den Menschen bei seiner Arbeit unterstützen und dazu beitragen, Fehler zu verringern. Zudem lässt sich der Einsatz weiterer Ressourcen wie Transportfahrzeuge, Hubgeräte und auch Werkzeuge punktgenau planen.

Welche Herausforderungen sind zu meistern?

Zentrale Voraussetzung für die Implementierung von Predictive Maintenance sind durchgängig vernetzte Maschinen und Anlagen. Relevante Geräte müssen daher in einem ersten Schritt mit Sensoren ausgestattet beziehungsweise nachgerüstet werden. Infolge ist ein Datenaustausch zwischen den Maschinen und der zum Einsatz kommenden Software möglich. Softwaretechnisch ist unter anderem zu klären, ob eine On-Premise-Lösung existiert, die in die Cloud wechseln kann. Entscheidend sind ferner eine adäquate Analyse-Technik sowie eine leistungsstarke In-Memory-Datenbank, um mit erhöhter Geschwindigkeit große Datenmengen (Stichwort: Big Data) generieren, auswerten und aufarbeiten zu können. Auf diese Weise lassen sich anhand einer möglichst großen Datenbasis Rückschlüsse darauf ziehen, welche Faktoren in der Vergangenheit Fehlerzustände begünstigt haben, die letztlich zu Materialschäden und/oder Stillständen führten.

Eine weitere Herausforderung liegt in der Transparenz. Zu berücksichtigen sind hierbei neben den Maschinenzustandsdaten auch Peripherie-Informationen sowie Prozessdaten. Letztere umfassen über die Maschineneinstellung hinaus beispielsweise die Rezeptur eines Produkts und spezifische Verfahren bei dessen Herstellung. Zu guter Letzt sind die Voraussetzungen dafür zu schaffen, dass alle involvierten Mitarbeiter mobil auf relevante Informationen zugreifen können.

Welche Mehrwerte liefert eine SAP-basierte Lösung?

Mit SAP Predictive Maintenance and Service bietet SAP eine Cloud-Lösung an, die Bestandteil von SAP Leonardo ist und auf Grundlage von maschinellem Lernen und entsprechenden Algorithmen die Wahrscheinlichkeit des Auftretens von variierenden Anlagenzuständen prognostiziert. Die Software basiert auf der für Big Data-Anwendungen prädestinierten In-Memory-Datenbank SAP HANA beziehungsweise der SAP Cloud Plattform. SAP HANA ist der zentrale Enabler für die Sammlung, Auswertung und Weiterverarbeitung von Daten. Mit deutlich erhöhten Übertragungsraten lassen sich große Mengen an Informationen, die über Sensoren und Anlagen-Gateways bereitgestellt werden, direkt in das SAP-System einspeisen. Dort werden sie analysiert und können direkt für eine fundierte Entscheidungsfindung genutzt werden, mit der Sie die Weichen für weitere gewinnbringende Anwendungen stellen.

SAP Leonardo verknüpft praktisch das Internet of Things (IoT) mit der realen Welt, indem es via SAP PdMS (SAP Predictive Maintenance and Service) zum Beispiel verlässlich vorhersagt, zu welchem Zeitpunkt es tatsächlich sinnvoll ist, eine Maschine zu warten. Dabei bedient sich das System einer Flut an Betriebsdaten, die sowohl die entsprechende Maschinen als auch weitere periphere Geräte liefern. Infolge lassen sich anstehende Wartungs- und Instandhaltungsmaßnahmen sicher planen und parallel auch die Ersatzteilbeschaffung sowie das erforderliche Wartungspersonal zielsicher organisieren. Die Zahl abrupter Anlagenstillstände sinkt deutlich und Wartungskosten werden verringert.

Sie sind nun restlos überzeugt und möchten Ihr Unternehmen auf eine prädiktive „Instandhaltung 4.0“ ausrichten? Als zertifizierter SAP Recognized Expertise Partner (REX) Manufacturing unterstützt IGZ Sie gerne auf diesem Weg. Sprechen Sie uns an!