Predictive Maintenance

Mittels Predictive Maintenance ungeplante Stillstandzeiten bzw. jegliche Ausfälle in der eigenen Fertigung oder bei Kunden zu vermeiden, ist ein zentraler Gedanke von Industrie 4.0. Das bedeutet, dass Maschinen oder Produkte sich quasi "von sich aus" bei Ihnen melden und Bescheid geben, dass mit hoher Wahrscheinlichkeit demnächst ein Ausfall zu erwarten ist. Das muss so rechtzeitig passieren, dass der Wartungseingriff, der den Ausfall verhindert, noch problemlos eingeplant bzw. in Auftrag gegeben werden kann. Je präziser die Vorhersage, desto kürzer kann die Wartung vor dem Ausfall erfolgen und desto näher ist man am technisch optimalen Wartungszeitpunkt.

Damit ist jedoch nicht Schluss. Denn ein optimaler Wartungszeitpunkt in einer Fertigung kann nicht ohne die Betrachtung vor- und nachgelagerter Prozessschritte, die von einem Wartungseingriff ebenfalls betroffen sind, definiert werden. Die Auftragssituation sollte für diese Definition ebenfalls berücksichtigt werden. Das heißt, für einen betriebswirtschaftlich optimalen Wartungszeitpunkt im Fertigungskontext bedarf es nicht nur möglichst präziser technischer Prognosen, sondern bspw. auch einer Integration relevanter Daten aus MES- und ERP-Systemen.

Predictive Maintenance basiert vom technologischen Setup her im Normalfall auf einem Condition Monitoring Szenario. Das bedeutet, dass ein System, das Daten von Maschinen und oder Produkten sammelt und in einen Kontext setzt schon, existiert.

Für ein Predictive Maintenance Szenario müssen nun diese Daten analysiert, Zusammenhänge erkannt und schließlich in Machine Learning Algorithmen überführt werden. Um saubere Algorithmen zu entwickeln, sind sehr große Datenmengen notwendig. Diese sind jedoch in einer Anfangssituation meist nicht ausreichend vorhanden. Deshalb ist es oft zwingend notwendig im Rahmen eines Condition Monitoring Systems über einen gewissen Zeitraum relevante Daten zu sammeln und zu analysieren.

Einen gewissen Ausweg können Supervised Learning Technologien darstellen. Diese beinhalten u. a. die Einbindung des Erfahrungsschatzes Ihrer Mitarbeiter, die bspw. Datensätze im Rahmen ihrer Erfahrungswerte qualifizieren können. Über einen solchen Ansatz kann es gelingen, schneller zu verlässlichen Prognosen zu kommen.

Das Potenzial eines guten Predictive Maintenance Systems ist gewaltig:

• Im Idealfall schaffen Sie ungeplante Stillstände nahezu komplett ab.
• Darüber hinaus können Sie Wartungszeitpunkte im Gesamtkontext optimal bestimmen und so Material- und Service- bzw. Wartungskosten minimieren.
• Wenn Sie mittels Predictive Maintenance das reibungslose (ausfalllose) Funktionieren Ihrer Produkte beim Kunden dergestalt garantieren können und exakt wissen, was deren Betrieb kostet, sind Sie auch in der Lage, deren Output „as a Service“ anzubieten, und erschließen sich so neue Geschäftsmodelle.