>

Eine effektive Instandhaltung lebt von einer genauen Planung. Mit der Methode der vorausschauenden Instandhaltung (Predictive Maintenance) gibt es mittlerweile einen Ansatz, der sich schon in der Praxis bewährt. Ausgereifte Software macht es möglich, mit hoher Wahrscheinlichkeit vorherzusagen, wann eine Wartungsmaßnahme nötig und wirtschaftlich sinnvoll ist.

Erfahrene Produktionsmitarbeiter kennen ihre Maschinen und entwickeln ein gewisses Gespür dafür, wann eine Maschine Wartung benötigt. Die Idee von Predictive Maintenance basiert auf der Vorstellung, dass sich diese Erfahrung auch maschinell erzeugen und nutzen lässt.

Die Mittel dafür sind große Mengen an Messwerten aus den unterschiedlichsten Teilen einer Maschine oder Anlage. Dazu zählen Temperaturen, Drücke, Energieverbräuche und vieles mehr. Auch die Temperatur und Luftfeuchtigkeit der Umgebung kann mit einfließen. All diese Daten werden kontinuierlich erhoben und längerfristig gespeichert.

Big Data und KI für präzise Prognosen

Mit Methoden des „Big Data“, also des systematischen Auswertens großer, heterogener Datenmengen, lassen sich im Vorfeld vergangener Störungen und Ausfälle von Maschinen und Anlagen in den Messdaten Muster und Trends herausarbeiten. Diese Auffälligkeiten dienen dann als Frühindikator für künftige Störungen.

Künstliche Intelligenz wiederum kann im kontinuierlichen Datenstrom des täglichen Betriebs die Frühindikatoren erkennen. Daraus kann sie eine Prognose ableiten, welche Art von Störung in welchem Zeitraum wahrscheinlich ist.

Auf dieser Basis lässt sich leicht und zielsicher entscheiden, welche Wartungsmaßnahme ansteht und wann diese im besten Falle zu ergreifen ist.

Kennzahlen und Ampeln für Predictive Mainenance

Als übersichtliche und schnell zu erfassende Darstellung hat sich ein einfaches Ampelsystem bewährt. Es zeigt Ihnen den Wartestatus der einzelnen Maschinen und die Dringlichkeit von Maßnahmen an. Nach Abschluss der Wartung zeigt die Ampel automatisch wieder grün.

Systeme für Predictive Maintenance können auch konkrete Kennzahlen ermitteln, anhand derer sich Instandhaltungsmaßnahmen so planen lassen, dass sie mit hoher Wahrscheinlichkeit rechtzeitig, aber nicht unnötig früh erfolgen. Es sind dies die „mittlere Betriebsdauer bis zum Ausfall“ (mean time to failure), die „mittlere Zeit bis zur Wiederherstellung“ (mean time to repair) und die „mittlere Betriebsdauer zwischen Ausfällen“ (mean time between failures).

In Verbindung mit der Produktionsplanung können Sie damit günstige Zeitpunkte für Instandhaltungsvorgänge identifizieren. Auch können Sie abschätzen, ob sich nötige Maßnahmen in naher Zukunft statistisch zu häufen drohen. Dann kann es sinnvoll sein, manche Eingriffe vorzuziehen, um die Lage zu entzerren.

Immer präzisere Vorhersagen

Ob Wetter oder Verkehrslage – Vorhersagen basieren immer auf Informationen aus der Vergangenheit, deren Muster in die Zukunft projiziert werden. Je mehr digitale Erfahrungen in Form von Daten vorliegen, desto zuverlässiger kann eine solche Vorhersage werden.

Daher ist es für eine Prognose zur Zuverlässigkeit einer Maschine oder Anlage gleichermaßen wichtig, so viele spezifische Informationen zusammenzutragen wie möglich. Zwei prinzipielle Quellen stehen Ihnen als betreibendes Unternehmen zur Verfügung: Daten aus Ihrem eigenen Unternehmen und Daten des Herstellers.

Während die Daten Ihrer eigenen Anlagen näher an Ihren tatsächlichen Produktionsbedingungen sind, verfügt der Hersteller über eine ungleich größere Datenbasis. Er ist bemüht, von möglichst vielen seiner ausgelieferten Anlagen Daten zusammenzuführen, um seinen Service zu verbessern.

Es ist daher sinnvoll, einen Weg zu finden, wie auch Sie Daten aus Ihrem Live-Betrieb beisteuern können. Durch eine transparente und differenzierte Auswahl der übermittelten Parameter kann auch gewährleistetwerden, dass keine Betriebsgeheimnisse, wie beispielsweise Rezepturen und Prozessdetails, nach draußen gelangen.

Die Vernetzung mit dem Hersteller erlaubt auch, dass dieser die Definition neuer Trigger für Instandhaltungsmaßnahmen beisteuert. Er kann darüber hinaus auch Wartungspläne erstellen und die passenden Handlungsanweisungen bereitstellen. In letzter Konsequenz können Sie dem Hersteller die Wartung der Anlagen in Ihrem Haus komplett übertragen.

Integration für mehr Automation

Die Digitalisierungsbemühungen der vergangenen zehn Jahre haben den Unternehmen vor Augen geführt, wie schwer beherrschbar und weiterentwickelbar ein gewachsenes Nebeneinander verschiedenster IT-Systeme auf Dauer ist. Demgegenüber hat eine integrierte, modulbasierte IT-Landschaft zahlreiche Vorteile, von denen die vergleichsweise leichte Automatisierbarkeit von Prozessen viel zur Steigerung der Produktivität beiträgt.

SAP bietet beispielsweise für die Nutzer von SAP S/4HANA Asset Management oder SAP Plant Maintenance die ergänzende Lösung SAP Predictive Asset Insights an. Damit lässt sich die vorausschauende Wartung realisieren, und Sie haben jederzeit den Überblick über den Gesundheitszustand der angebundenen Assets. Übrigens arbeitet die Lösung sowohl mit SAP S/4HANA als auch mit älteren ERP-Lösungen reibungslos zusammen.

Best Practices für Predictive Maintenance

Ein erfahrener Betriebsleiter wusste auch bisher, wann es an der Zeit ist, vorbeugende Wartungen durchzuführen. Dennoch ist das ein Blindflug im Vergleich zu dem, was die vorausschauende Instandhaltung zu leisten in der Lage ist. Daher kann man ein gut eingeschwungenes Predictive-Maintenance-System durchaus als revolutionär bezeichnen – mit allen positiven Effekten für Ausfallsicherheit, Produktqualität und Produktivität.

Mit SAP Predictive Asset Insights steht für Ihr Unternehmen ein System bereit, das mit Best Practices die rasche Einführung von vorausschauender Instandhaltung erlaubt.