Suchen

Expertenbeitrag

 Björn Heinen

Björn Heinen

Senior Data Scientist, INFORM GmbH

Vorausschauende Wartung Wann ist Predictive Maintenance sinnvoll?

| Autor / Redakteur: Björn Heinen / Clara Hartmann

Predictive Maintenance verspricht Fertigungsbetrieben viele Vorteile: Die vorausschauende Wartung verhindert teure Maschinenausfälle und hilft Unternehmen, besser zu planen. Doch nicht in jedem Fall macht die Anwendung Sinn.

Firmen zum Thema

Wann ist es sinnvoll das Verfahren Predicitive Maintenance einzusetzen?
Wann ist es sinnvoll das Verfahren Predicitive Maintenance einzusetzen?
(Bild: gemeinfrei / Pixabay )

Längst hat sich Predictive Maintenance zu einem der prominentesten Beispiele konkreter Anwendungen im Bereich Industrie 4.0 aufgeschwungen. Der Begriff beschreibt verschiedene Ansätze, mittels selbstlernender Algorithmen (Machine Learning) vorherzusagen, wann eine Maschine wahrscheinlich ausfallen wird. So können Produktionsverantwortliche die Wartung zu einem günstigen Zeitpunkt planen, Defekten zuvorkommen und teure Produktions-Stillstände vermeiden. Ebenso kann man vorhersagen, wann eine Maschine zwar grundsätzlich noch funktioniert, dabei aber Ausschuss produziert. Auch hier ist ein frühzeitiges Eingreifen sinnvoll.

Allerdings ist die Anwendung nur unter bestimmten Bedingungen sinnvoll. Denn die eingesetzten ML-Algorithmen brauchen Vergangenheitsdaten, aus denen hervorgeht, welche Maschine wann im Einsatz war und wann sie (planmäßig oder unplanmäßig) zum Stillstand kam. Erst damit können sie Zusammenhänge zwischen Maschinenzustand und Wartungsbedarf erkennen und zuverlässige Prognosen berechnen.

Machine Learning braucht aussagekräftige Daten

Der ML-Algorithmus muss also die Chance haben, hinreichend oft zu beobachten, dass eine Maschine ausfällt. Die Aussagekraft der Daten bestimmen daher vor allem zwei Faktoren: die Anzahl der (baugleichen) Maschinen und Maschinenkomponenten und deren Fehleranfälligkeit.

Wie zuverlässig die errechnete Prognose ist, hängt zudem von der Art der berücksichtigten Daten ab. Denn die verschiedenen Ansätze der Predictive Maintenance greifen auf unterschiedlich komplexe Datengrundlagen zurück.

So ist es beispielsweise möglich, nur mit der Betriebsdauer der Maschinen zu rechnen. Der jeweilige Durchschnittswert dient dem Algorithmus dann als Anhaltspunkt für zukünftige Wartungstermine. Jedoch eignet sich dieses Verfahren nur bedingt, um Prozesse realitätsnah zu beschreiben. Denn diese Methode vernachlässigt z.B. relevante Sensordaten und Systemparameter, die Aufschluss über den tatsächlichen Zustand einer Maschine geben.

Dabei erheben moderne Maschinen solche Daten zu Stromverbrauch, Temperaturen oder Druck in der Regel ohnehin. Wenn der Algorithmus diese Maschinendaten berücksichtigt, kann er also auch wesentlich zuverlässigere Prognosen abgeben als allein auf Basis der Betriebsdauer. Voraussetzung ist jedoch auch hier eine entsprechende Historie, um Zusammenhänge zwischen Maschinenzustand und -daten herstellen zu können.

Noch präziser werden die Berechnungen, wenn der Algorithmus zusätzlich die Informationen aus dem vorhandenen APS-System einbezieht. Ist beispielsweise in der kommenden Woche schlichtweg kein Arbeitsgang auf einer Maschine geplant, ist auch nicht zu erwarten, dass sie in dieser Zeit kaputtgeht. Zudem bietet sich dann gerade diese Woche für eine Wartung an.

Wann lohnt sich der Einsatz?

Obwohl Predictive Maintenance also grundsätzlich viele Vorteile bietet, ist das Verfahren nicht in jedem Szenario sinnvoll anwendbar.

Nehmen wir beispielsweise an, eine Firma hat 100 verschiedene Maschinen im Einsatz, von denen im Schnitt trotz Wartung zehn pro Jahr einen Defekt haben. So bräuchte es statistisch betrachtet bis zu zehn Jahre, bis der Algorithmus an jeder Maschine einmal einen Ausfall beobachtet hätte. Damit hätte er zwar erste Anhaltspunkte, aber immer noch keine fundierte Datengrundlage, die zu einer verlässlichen Prognose führt. Hier lohnt sich Predictive Maintenance also nicht.

Anders verhält es sich bei Unternehmen, die mehrere Maschinen selben Typs im Einsatz haben, deren Maschinen öfter ausfallen oder Ausschuss generieren oder die selbst Maschinen herstellen und Predictive Maintenance für diese nutzen und anbieten wollen.

Bevor Unternehmen eine entsprechende Software-Lösung implementieren, sollten sie also überlegen, ob ihr Maschinenbestand sich dafür eignet und die notwendige Datengrundlage gegeben ist. Professionelle Anbieter unterstützen Betriebe dabei, die Ausgangssituation zu bewerten und die richtige Lösung zu finden.

(ID:46326037)

Über den Autor

 Björn Heinen

Björn Heinen

Senior Data Scientist, INFORM GmbH