Während bis vor wenigen Jahren Wartungs- und Reparaturarbeiten als notwendiges Übel betrachtet wurden, die erst dann durchzuführen waren, wenn ein Defekt auftrat, hat man in den letzten Jahren das enorme Potential einer systematisierten und datenbasierten Instandhaltungsstrategie entdeckt. Die sogenannte korrektive Wartung ist vielerorts durch vorbeugende Maßnahmen abgelöst worden, die auf Empfehlungen und Vorgaben von Herstellern und Fachverbänden aufbaut. So können einige Störungen und Ausfälle vermieden werden, weil für gewisse Bau- und Verschleißteile eine durchschnittliche Nutzungsdauer bekannt ist – durch eine regelmäßige Wartung in definierten Intervallen kann ein größtenteils reibungsloser Produktionsablauf gewährleistet werden.
Predictive Maintenance und Industrie 4.0
Auch wenn die Richtlinien der Hersteller und Verbände bereits einen guten Mehrwert im Bezug auf die Instandhaltungsintervalle geben, so sind diese Vorgaben doch recht statische Zahlen, die aus einer größeren Masse an unterschiedlichen Erfahrungs- und Messwerten errechnet wurden. Auf Grundlage der Richtlinie VDI 2890 werden folgende Maßnahmen empfohlen:
- die regelmäßige Prüfung nach gesetzlichen Vorgaben und Verordnungen
- festgelegte und zu dokumentierende Wartungs- und Inspektionsmaßnahmen
- geplante sowie idealerweise präventive Instandsetzungsmaßnahmen im ausgeschalteten Zustand der Anlagen
- turnusmäßig wiederkehrende Maßnahmen zur Qualitätssicherung
Nicht berücksichtigt wird die teilweise sehr individuelle Einsatzsituation der jeweiligen Anlage oder Maschine. Doch gerade die konkrete Art der Anwendung, die direkte Umgebung am Standort – ist die Maschine beispielsweise Feuchtigkeit oder Schmutz ausgesetzt? – und andere unternehmensspezifische Gegebenheiten haben Auswirkungen auf den Zustand und den Verschleiß.
Das innovative Konzept hinter der Predictive Maintenance nutzt daher Information, Maschinendaten und Betriebsdaten, die vor Ort, also am jeweiligen Einsatzort erfasst und verarbeitet werden. Hierfür notwendig sind Sensoren und Messapparate, die die erforderlichen Daten qualitativ und quantitativ strukturiert erheben, eine digitale Datenanalyse in Echtzeit sowie die generelle Vernetzung der Maschinen und Prozesse im Sinne des Internet Of Things bzw. von Industrie 4.0. Die gesammelten Daten geben unter Verwendung spezieller Softwarelösungen ein digitales Abbild der Produktivität, Störungen und Ausfälle und erstellen Modelle der Wirkzusammenhänge. So wiederum lassen sich sehr exakte Prognosen erstellen, die alle relevanten Faktoren einbeziehen und deren Datengrundbasis und Effektivität durch das stetige Erfassen und Auswerten steigt – das sogenannte Machine Learning.
Gewinnmaximierung durch Instandhaltungskonzepte
Durch die Anwendung des Predictive Maintenance-Konzepts wird nicht mehr nur analysiert, wie der aktuelle Betriebszustand ist und wie es zu einem Fehler kam, sondern es wird auf Grundlage von produktions- und prozesseigenen Daten eine Prognose erstellt, wann ein weiterer Fehler zu erwarten ist. Zudem bieten die Simulationen, die ebenfalls mit Hilfe der gesammelten Daten erstellt werden können, Handlungsempfehlungen für Inspektions- und Instandhaltungsmaßnahmen, also für eine möglichst produktive Fortführung der Fertigung. Durch das Machine Learning werden die komplexen Zusammenhänge von Bau- und Verschleißteilen, Störungen und Ausfällen, maschinellen Vorgabe- und Richtwerten sowie Auswirkung von Abweichungen sowie von ganzen Produktionsketten erfass- und analysierbar. Frei gesprochen lernt die Maschine bzw. das System sich kennen und kann Risikopotentiale und drohende Störungen ermitteln und melden, bevor es zu Maschinenstillstand kommt. Die Produktivität kann auf diesem Weg um ein Vielfaches gesteigert werden, weil nicht mehr reagiert, sondern aktiv und präventiv eingegriffen werden kann.
