Suchen

Expertenbeitrag

Karin Pfeiffer

Karin Pfeiffer

Journalistin

IIoT-Geschäftsmodelle

Predictive Maintenance: Mehr Wunsch als Wirklichkeit?

| Autor: Karin Pfeiffer

Maschinenbauer und ihre Zulieferer haben das Thema Predictive Maintenance auf dem Schirm. Nur wissen die meisten offenbar noch nicht, welche Rolle sie spielen könnten – geschweige denn, wohin die Reise geht. Doch gibt es bereits interessante erste Ansätze.

Firmen zum Thema

Vier von fünf Unternehmen beschäftigen sich zwar bereits intensiv mit dem Thema Predictice Maintenance. Aber nur 40 Prozent haben schon konkret etwas zu bieten.
Vier von fünf Unternehmen beschäftigen sich zwar bereits intensiv mit dem Thema Predictice Maintenance. Aber nur 40 Prozent haben schon konkret etwas zu bieten.
(Bild: Any-Motion)

Wunsch und Wirklichkeit? Bei Predictive Maintenance (PM) kommt das derzeit noch nicht in Deckung. Vier von fünf Unternehmen beschäftigen sich zwar bereits intensiv mit dem Thema. Aber nur 40 Prozent haben in puncto vorausschauende Wartung schon konkret etwas zu bieten. Die Mehrzahl steckt noch mitten in der Entwicklung von Technologien und Services – oder ist sogar noch untätig. Das zumindest ist das Ergebnis der gemeinsamen Studie „Predictive Maintenance: Service der Zukunft – und wo er wirklich steht“ von VDMA, Deutsche Messe und Roland Berger aus diesem Frühjahr.

Bildergalerie

Bildergalerie mit 5 Bildern

Die technische Realisierbarkeit von PM ist nach Meinung der befragten Maschinenbauer und ihrer Zulieferer weitestgehend beherrscht. Es gibt ausgefeilte Sensorik, leistungsfähige Kommunikationsnetzwerke und Computing-Plattformen, etwa für die kontinuierliche Messung von Betriebsparametern und das Erfassen von Echtzeit-Infos über den Betriebszustand: „Predictive Maintenance baut auf Condition Monitoring auf“, so die Studien-Autoren von Roland Berger. Zukunftsorientierte Ausfall- und Verschleißprognosen erfolgten jedoch bisher nicht.

Technik wird weitgehend beherrscht

„Wenn über PM diskutiert wird, ist oft Condition Based Monitoring gemeint: die permanente Überwachung von Maschinendaten, auf deren Basis ermittelt werden kann, ob eine Wartung angezeigt ist“, erklärt Dr. Holger Schlüter, promovierter Elektroingenieur und Associate Director Internet of Things (IoT) der Lufthansa Industry Solutions, die nicht seltene Sicht auf die Dinge im Markt. „Man kann allerdings nicht voraussagen, wann sie oder einzelne Komponenten ausfallen. Dazu müssen in der Regel weitere (externe) Informationsquellen herangezogen werden.“

Mit der Verarbeitung von Massendaten und deren Abgleich mit Fehlerbildern über stochastische Algorithmen können Muster in den Betriebsparametern erkannt, simuliert und interpretiert werden, skizzieren dies die Experten von Roland Berger. Und erst diese Muster ermöglichen die Prognose der Rest-Lebensdauer von Maschinenkomponenten, worin jede Menge Mehrwert für Hersteller, Kunden und auch noch deren Klientel steckt – und das quer durch alle Industrien.

Aventics minimiert Ausfallzeiten

Mit PM ließe sich beispielsweise die ohnehin sehr gute Zuverlässigkeit pneumatischer Anwendungen noch weiter erhöhen, meint Dr. Peter Saffe, Leiter Strategic Sales beim Pneumatik-Spezialisten Aventics. „Produkte, die ausgetauscht werden sollen, melden sich selbst beim Anwender oder Hersteller.“ Das minimiert Ausfallzeiten. „Zusätzlich lassen sich Erkenntnisse darüber gewinnen, mit welchen Maßnahmen Verschleiß verhindert werden kann. Sogar eine Überwachung unzulässiger Betriebssituationen ist damit erheblich einfacher.“

Und wo solche Daten fließen, könnte sich auch die Qualität in der Produktion selbst verbessern, wie etwa die Prescriptive-Maintenance-and-Quality-Lösung von IBM in einer Leichtmetallgießerei von Daimler zeigt. In einem Stuttgarter Werkt produziert der Automobilbauer täglich circa 10.000 Zylinderköpfe und legt IBM zufolge für jeden einen Datensatz an, der die genaue Analyse des Produktionsprozesses über alle Stationen ermöglicht. Über 500 automatisierte Merkmale sammele Daimler, darunter die im Produktionsprozess anfallenden Maße, Zeiten, Temperaturen, die eingesetzten Werkzeuge und mehr. Die Identifikation der entscheidenden Prozessparameter seien die eigentliche Herausforderung gewesen.

Mit einer SPSS Data-Mining-Lösung von IBM gelang es, die Fehlerquote in der Zylinderkopfproduktion binnen 16 Wochen um 50 Prozent zu senken und die Produktivität um 25 Prozent zu steigern. Vergleichbare Predictive-Maintenance-Projekte seien für andere Kunden reproduzierbar, heißt es bei der IBM, die kürzlich auch die erste Watson-basierte Plattform mit kognitiven Services vorgestellt hat.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 44842512)

Über den Autor

Karin Pfeiffer

Karin Pfeiffer

Journalistin