Sicherlich ist Euch, wenn es um Instandhaltung oder Wartung in der Produktion geht, der Begriff Predictive Maintenance (PM) begegnet. Übersetzt steht diese Methode für eine vorausschauende Instandhaltung bzw. vorausschauende Wartung von Maschinen und Anlagen. Die vorausschauende Wartung ist ein Teilbereich der Predictive Maintenance. Gerade für mittelständische Unternehmen, mit einer eigenen Produktion wird diese relativ neue Instandhaltungs-Strategie immer wichtiger. Denn durch Diese Technologie können die Kapazitäten wesentlich besser ausgenutzt werden, und somit wird die Wettbewerbsfähigkeit des Unternehmens deutlich verbessert und die Ausfall Zeiten der Maschinen deutlich verringert und somit unnötig hohe Kosten vermieden werden. Gerade für mittelständige Unternehmen ist das immer wichtiger. Deshalb wird diese Strategie die vorbeugende Instandhaltung (Preventive Maintenance) bzw. vorbeugende Wartung langfristig ablösen. Über die Reactive Maintenance wollen kein Wort verlieren. Und somit ist das Schreckgespenst ungeplante Ausfälle auf ein Minimum reduziert.

Von großem Vorteil ist es, wenn beispielsweise in einem Projekt den idealste Anbieter für eine Predictive-Maintenance-Lösung, also das beste Tool, passend zum Unternehmen ausgewählt wird.

Durch die Industrie 4.0 hat auch die Instandhaltung, besonders im Maschinenbau, einen großen Schub bekommen. Erst die KI (Künstliche Intelligenz) hat das Thema Predictive Maintenance als Instandhaltungs-Strategie möglich gemacht, dabei spielt die Datenanalyse zusammen mit dem Machine Learning eine sehr wichtige Rolle. Doch wie unterscheidet sich die Predictive Maintenance von der „Präventiven Maintenance“? An die Informationen, wann eine Instandhaltung oder eine Wartung sein sollte, kommt man nicht durch Listen oder Kalender, sondern Digital von einer Software die durch eine Analyse, den richtigen Zeitpunkt bestimmt. Dazu wollen wir erst mal erläutern, was die vorausschauende Instandhaltung (Predictive Maintenance) eigentlich ausmacht. Manchmal hört man in diesem Zusammenhang auch den Begriff Condition Monitoring System.

Die Predictive Maintenance ist eine Instandhaltungs-Strategie, bei der die Instandhaltung bzw. Wartung nicht auf feste Abstände, wie Laufzeit oder Produktionsmenge ausgerichtet ist, wie sie in der präventiven Wartung bzw. reaktiven Wartung üblich sind, sondern proaktiv die Maschinen oder Anlagen überwacht werden. Es wird also der tatsächliche Zustand überwacht. Und durch Abweichungen der Ist-Werte (die Basis) von den Soll-Werten, also eine Abweichung des Ist-Zustandes zum Soll-Zustand, erkennt die Software, dass sich ein Verschleiß anbahnt und deshalb eine Instandhaltungsmaßnahme geplant werden muss. Aber das heißt nicht sofort auf der Stelle, sondern kann geplant in einer Zeit durchgeführt werden, in der die Maschine / Anlage nicht benutzt wird. Die vorausschauende Instandhaltung ist ein Tool aus der Industrie 4.0. Es gibt viele Anbieter von Predictive Maintenance, doch der Ansatz in einem Projekt muss es sein, dass man genau den auswählt, welcher am Besten zum Unternehmen passt, denn diese Technology wird die „Prädiktive Instandhaltung“ bald ablösen. In einem Projekt sollte der idealste Anbieter für eine Predictive-Maintenance-Lösung, also das beste Tool, ausgewählt werden. Ein Teil davon sollte eine Möglichkeit sein, aus den E-Learing-Angeboten ein passendes auswählen zu können.

Es ist eine Software im Einsatz, die durch Daten-Analyse der gespeicherten Daten von Sensoren in Maschinen oder Anlagen erkennt, dass eine Abweichung vom Soll-Zustand vorliegt. Das ist eine Errungenschaft die durch die Entwicklung von KI (künstliche Intelligenz) im Rahmen der Industrie 4.0 entstanden ist und mit diesem Algorithmus effizient arbeiten kann. Dafür benötigt er Daten die er vergleichen kann. Deshalb werden möglichst viele, am besten alle Maschinendaten in einer Datenbank fortlaufend abgespeichert. Hierbei wird gerne von Big-Data-Umfeld gesprochen und die Datenmenge wird im Laufe der Zeit so richtig groß.

Wie muss man sich das vorstellen, wie die PM funktioniert?

Zunächst muss das System genau wissen, wie die Daten aussehen müssen, wenn alles ordnungsgemäß funktioniert. Also muss die Basis ermittelt werden. Eine „Nulllinie“ so zu Sagen für den „Normalzustand“. Dies kann beispielsweise dadurch geschehen, dass man die Software anlernt, wie die Daten aus zu sehen haben. Doch das ist schwierig, da man selbst nicht weiß wie die Daten sein müssten. Also wählt man meist den anderen Weg, nämlich das Maschinelle Lernen (ML). Dabei werden die Maschinendaten fortlaufend aufgezeichnet, also in der Datenbank abgelegt. Wenn keine Maßnahme erfolgen muss, also die Qualität in Ordnung war hat das System gelernt, wie die Daten aussehen müssen. Weichen nun eine oder mehrere Datenquellen von dem Wert ab, der beim Normalstand vorhanden war, erkennt der Algorithmus, dass an einer oder mehreren Stellen etwas aus dem Ruder läuft. Das System kann dann eine Info ausgeben, wo sich ein Problem anbahnt. Dabei muss es sich nicht um in der Maschine verbaute Teile handeln, sondern kann es sich auch um externe Verschleißteile wie Drehmeißel oder Bohrer handeln. Wir wollen das an Hand von zwei Beispielen das Machine Learning verständlich machen. Also ideal um den optimalen Wartungszeitpunkt bestimmen zu können.

Als erstes Beispiel nehmen wir eine vollautomatische Dreh-Maschine, die eine Bohrung einbringen soll. Dazu wird der Startpunkt, die Drehzahl, der Vorschub und entweder die Zeit oder der Endpunkt eingegeben. Nun wird der Bohrer durch die Nutzung etwas stumpfer. Und was kann die Analyse als Abweichung ermitteln?

a.) Der Endpunkt wird nach Ablauf der üblichen Zeit nicht erreicht. Es wird also mehr Zeit benötigt.

b.) Die Stromaufnahme des Vorschubes nimmt zu.

c.) Eventuell kann es zu Veränderungen der Drehzahl kommen

2. Diese Predictive – Maintenance – Anwendung hat durch ML (Machine Learning) im Laufe der Zeit gelernt, dass ein stumpfer Bohrer die Ursache ist, und meldet dem Bediener, dass er den Bohrer wechseln muss. Und das kann so fein geschehen, dass die Nutzungsdauer des Bohrers bestmöglich ausgenutzt wird und die Qualität der Bohrung immer noch perfekt bleibt, andererseits der Bohrer aber auch nicht zu früh gewechselt wird. Den Ansatz könnte man per Definition beispielsweise auch der vorausschauende Wartung im Maschinenbau zuordnen.

Al Als zweites Modell nehmen wir ein Kugellager. Dieses wird durch einen Sensor überwacht, der drei Kontrollfunktionen hat. Das sind Vibrationen, Temperatur und Geräusche. Wenn das Lager optimal funktioniert, dann hat die Software das Muster gelernt (ML), wie es sein muss. Und jetzt nehmen wir an, das Lager kommt langsam an seine Verschleißgrenze. Was wird die Folge sein?

a.) Die Vibrationen werden stärker

b.) Die Temperatur erhöht sich

c.) Die Geräusche werden anders und lauter

Aber das ist noch nicht alles. Die KI kann sogar ermitteln, welche Zusammenhänge bestehen müssen, dass es zu einem Ausfall kommen wird. Das ist beispielsweise dann eine Instandsetzungsmaßnahme und keine Wartung. Daraus folgt, dass das Innenleben von der Maschine immer transparenter wird. Das Personal also immer besser versteht, welche Folgen es hat, wenn mehrere Ereignisse zusammenkommen.

Es benötigt einige Zeit, bis durch das auswerten und analysieren der Daten, das Machine Learning (ML) gelernt hat, wie im Idealprozess die Daten sein müssen. Welche Daten könnten das sein? Zum Beispiel Temperatur, Vibrationen, Geräusche, Leistungsaufnahme, Wegstrecke oder die Zeit. Also alles Signale, die die Maschine oder Anlage von den Sensoren, die die Steuerung erforderlich sind. Es ist ein Smartes System. Mittelständige Unternehmen sollten bereits jetzt sich mit dieser Entwicklung auseinandersetzen.

Es geht also um viele Daten, die zeitgleich gespeichert werden müssen und mit welcher Methode setzt man das am besten um?

Mit Hilfe eines IoT Einsatzes von einem Cloud Anbieter, wie zum Beispiel Google, Amazon AWS oder einem anderen Hersteller, wären eine Möglichkeit. Das IoT (Internet of Things) wird dabei als Übertragungsmedium von der Machine zum Cloudspeicher genutzt. Dabei nutzt man den Speicher eines Anbieters. In einer Cloud hat man die Sicherheit, dass für die IT-Security alles getan wird, was möglich ist. Man muss jedoch darauf achten, dass die Daten auf anderen Standorten gespiegelt sind, damit wenn an einem Standort der Server verloren geht, die Daten noch vorhanden sind. Das hat auch seinen Preis ist jedoch meist wesentlich günstiger als teure Ausfälle des Maschinenparks. Einen festen Preis hier zu benennen ist schwierig. Dieser ändert sich meist Laufend und häufig zum Vorteil des Kunden, da Speichermedien immer preiswerter werden. Diese IoT-Lösung ist sehr gut für die Industry gerüstet um die Data Scientist zu gewährleisten und einen Ausfall zu vermeiden.

Oder man betreibt einen eigenen Speicher im Unternehmen. Dafür ist in der Regel zusätzliches IT-Personal erforderlich und man muss selbst dafür sorgen, dass die Cyber-Security immer auf dem aktuellsten Stand gehalten wird. Das verursacht Kosten, dafür hat man die Sicherheit, dass die Daten nicht fremdverwendet werden können.

Die deutsche Hersteller im Maschinenbau haben dieses Digital Tool als neue Dienstleistung für sich entdeckt. Auch die E-Learning-Angebote werden stark zunehmen. Aber besonders der Service-Techniker kann davon profitieren. Es wird Techniker geben, die nicht vor Ort an die Maschine müssen, sondern zusammen mit der Instandhaltung online, den Fehler beheben. Und bezahlt wird Pay-per-Use.

Du wirst begeistert sein, wenn durch den Einsatz einer Predictive-Maintenance-Anwendungen künftig die Instandhaltung gestärkt wird. Denn das lohnt sich so richtig, die Ausfallzeiten werden auf ein Minimum reduziert. Man hat ebenfalls eine Information, wo ein Projekt zur Verbesserung der Prozesse erforderlich ist und es sind ja Daten vorhanden, die auch für sehr hilfreiche Auswertungen benutzt werden können. Zum Beispiel für eine OEE Auswertung. Dazu werden die drei Einflussfaktoren miteinander multipliziert.

Verfügbarkeitsfaktor X Leistungsfaktor X Qualitätsfaktor

Die Beschreibung, wie die Faktoren errechnet werden, schaut bitte auf unsere OEE-Seite.

Doch es wird noch besser, man hat nicht nur den Gesamtanlagenfaktor mit der Angabe, welcher Faktor oder Faktoren den OEE negativ beeinflussen, sondern auch wo man die Fehler suchen muss.

Deine Prozesse sollen weg von Preventive Maintenance und hin zu Predictive Maintenance, kein Problem dann melde Dich bei uns. Mit Hilfe des Formulars, kannst Du uns ganz einfach Deine E-Mail-Adresse zukommen lassen. Wir melden uns umgehend. Oder rufe uns gerne einfach an.