Instandhaltung: Reaktiv – vorbeugend – vorausschauend
Ungeplante Ausfälle können je nach Branche gut und gerne Kosten in Höhe von mehreren Tausend Euro pro Tag nach sich ziehen. Etwaiger Schadensersatz bei Lieferverzug ist darin noch nicht berücksichtigt.
Predictive Maintenance als Schlüssel zum Erfolg
Aus diesem ursprünglich reaktiven Ansatz heraus, auftretende Schäden so schnell wie möglich zu beheben, haben sich sogenannte proaktive vorbeugende Strategien entwickelt, die zum großen Teil noch heute Gültigkeit haben.
Von besonderem Interesse sind derzeit die digitale Fabrik im Zeichen von Industrie 4.0 und die damit verbundenen Herausforderungen sowie Möglichkeiten für die Instandhaltung. Der Schlüssel zum Erfolg heißt hier vorausschauende Wartung (Predictive Maintenance).
Während sich bei der vorbeugenden Instandhaltung die Wartungszyklen von Anlagen an Durchschnittswerten oder der erwarteten Lebensdauer ausrichten, nimmt die vorausschauende Wartung den aktuellen Zustand der Anlage ins Visier, um Wartungen noch präziser planen zu können.
Ziele sind neben einer längeren Lebensdauer der Anlage sowie einer höheren Anlagensicherheit weniger Unfälle, eine höhere Produktivität, eine bessere Ressourcenplanung sowie geringere Kosten.
Digitalisierung und Vernetzung von Prozessen sowie Geräten werden stetig vorangetrieben und nehmen Fahrt auf. 2017 waren 27 Milliarden Geräte vernetzt, bis 2030 prognostiziert das Marktforschungsinstitut IHS Markit 125 Milliarden. Auch soll der globale Datentransfer den Analysten zufolge im Laufe der nächsten 15 Jahre um etwa 50 Prozent pro Jahr zunehmen.
Die genannten technologischen Fortschritte ermöglichen die Echtzeiterfassung von Sensordaten. Diese geben Aufschluss über den aktuellen Abnutzungsgrad einer Maschine – und bilden die Grundlage für eine potenziell höhere Qualität der getroffenen Entscheidungen sowie deren Nachvollziehbarkeit.
Machine Learning in der Instandhaltung
Zwei der Grundlagen für Systeme zur vorausschauenden Instandhaltung sind die Erfassung und Verarbeitung großer Mengen von Daten. Dabei bestimmen die Fehlerfrüherkennung und zeitliche Prognose des Anlagenausfalls die Wartungsplanung und Optimierung der erforderlichen Ressourcen.
Hierfür ist das Speichern und Analysieren großer Datenmengen (Big Data) erforderlich. Technologien wie Machine Learning eignen sich, um die Eintrittswahrscheinlichkeit von Störungen zu berechnen, zu visualisieren und zu simulieren. Mithilfe solcher Werkzeuge lässt sich die Instandhaltung systemtechnisch unterstützen und auf eine vorausschauende Basis stellen.
Diese Ansätze sind vielversprechend. Doch in Gesprächen mit Kunden hören wir oft, dass es sich schon derzeit kaum bewältigen lässt, die Datenmengen präzise zu erfassen und über längere Zeiträume aktuell zu halten.
In einer Umfrage unter deutschen Automobilherstellern wird das Datenmanagement, inklusive Bestandsdatenpflege und Änderungsmanagement, als eine der größten Herausforderungen für die Umsetzung der digitalen Fabrik angeführt. Automatisierte Stammdatenprozesse (oder: eine automatisierte Datenpflege) bieten hier wertvolle und wertschöpfende Unterstützung.
Sie vermeiden manuelle, fehlerträchtige Eingaben und erhöhen so die Datenqualität, auch im SAP-System und dessen Modulen SAP Plant Maintenance und SAP Predictive Maintenance. Dies zahlt sich wiederum in weniger Ausfällen, weniger Mehrarbeit, einem optimierten Lagerbestand und damit geringeren Kosten aus.
IBM zufolge belief sich allein im Jahr 2016 in den USA der auf schlechte Datenqualität zurückzuführende finanzielle Schaden auf etwa 3,1 Billionen US-Dollar.
Instandhaltung 4.0 braucht dedizierte Werkzeuge
Alles deutet darauf hin, dass die zu bewältigenden Datenmengen in den nächsten Jahren exponentiell zunehmen werden. Auch die besten Simulationsmodelle und Auswertungen werden zu fehlerhaften Aussagen führen, wenn sie nicht auf korrekten oder vollständigen Daten beruhen.
Auf dem Wege zur Instandhaltung 4.0 bedarf es daher dedizierter Werkzeuge, welche in der Lage sind, die Datenmengen in den Griff zu bekommen. Wenn sich das Instandhaltungsteam auf die Kernaufgaben anstelle auf Dateneingabe und -korrektur konzentrieren kann, dann ist die vorausschauende Wartung ein realisierbares Projekt.
