Predictive Maintenance – Erfolgsfaktoren und Use Cases

Der „Deutsche Industrie-4.0-Index 2018“ ist eine jährlich durchgeführte Studie, die den aktuellen Stand der Entwicklungen im Rahmen der digitalen Transformation ermittelt. Insbesondere die Ergebnisse zu Predictive Maintenance geben dabei jedoch zu denken. Denn einerseits ist die vorausschauende Wartung einer der prominentesten Anwendungsfälle der Industrie 4.0. Andererseits bleibt gerade dieser Use Case bei den Unternehmen hinter den Erwartungen zurück.

Auch die Studie „Predictive Maintenance“ vom VDMA und der Unternehmensberatung Roland Berger kommt zu dem Ergebnis, dass erst 40 Prozent der Unternehmen auf die vorausschauende Wartung setzen. Gerade weil wir mit vielen Predictive-Maintenance-Projekten überaus positive Erfahrung gemacht haben, sehen wir darin ein großes, zu wenig genutztes Potential. Aus diesem Grund wollen wir noch einmal die Frage stellen, was die kritischen Erfolgsfaktoren von Predictive Maintenance sind und in welchen konkreten Szenarien sich ein Einsatz lohnt.

Obwohl die Erfahrungen mit Predictive Maintenance überwiegend positiv sind, sagen 42 Prozent der befragten Unternehmen, dass sie keine Berührung damit hatten.
(Quelle: Staufen AG – „Deutscher-Industrie-Index-2018“)

Herkömmliche Wartungsansätze sind nicht mehr zeitgemäß

Wartungen wurden früher stets nach festen, vorab festgelegten Intervallen durchgeführt. In vielen Fällen ist dies noch heute so. Diese Praxis ist jedoch extrem zeitaufwändig und führt vor allem dazu, dass auch Maschinen gewartet werden, die noch einwandfrei funktionieren. Das entscheidende Problem dabei ist: Während der Wartungszeit stehen diese nicht zur Produktion oder Verwendung zur Verfügung.

Solche herkömmlichen Wartungs- und Instandhaltungsansätze verursachen darum unnötig Kosten. Zudem schließt dieser Ansatz nicht aus, dass es dennoch zu unerwarteten Ausfällen von Maschinen kommt. Diese sorgen für zum Teil erhebliche wirtschaftliche Einbußen, weil Ersatzteile erst bestellt werden, wenn die Maschine bereits nicht mehr funktioniert. Das Ziel eines Wartungsansatzes für das digitale Zeitalter der Industrie 4.0 muss darum eine Lösung für diese beiden Herausforderungen finden. Und dieser Lösungsansatz lautet: Predictive Maintenance.

Der Wartungsansatz für das digitale Zeitalter heißt #PredictiveMaintenance – er spart Zeit und Kosten und ist herkömmlichen Vorgehen überlegen. Klick um zu Tweeten

Die Grundlagen für Predictive Maintenance

Die Grundlagen für den Predictive-Maintenance-Ansatz sind Daten beziehungsweise Datenanalysen. Diese liefern die Grundlage für die Planung und Durchführung von Wartungen. Die Voraussetzung hierfür sind Monitoring-Daten, die Sensoren liefern, die zu diesem Zweck in den Maschinen platziert werden. Die Menge an Daten, die dabei anfallen sind zum Teil enorm (Big Data). Diese Daten werden in Echtzeit nach auffälligen Mustern untersucht. Dies gelingt, indem zunächst definiert wird, welche Werte den Normalbetrieb definieren. Davon ausgehend können abweichende Muster erkannt werden, die auf den Ausfall eines bestimmten Bauteiles oder eine Fehlfunktion des Motors hindeuten.

Lese-Tipp: Lesen Sie in unserem Blog-Artikel, warum wir Big Data als Schlüssel für die vorausschauende Wartung halten.

Kritische Erfolgsfaktoren

Allen voran ist ein Predictive-Maintenance-Use-Case eine wichtige Gelegenheit, um Data Skills in der eigenen Organisation aufzubauen. Ohne das entsprechende Know-how und Erfahrung mit Datenprojekten entsteht entweder ein unrealistischer Erwartungshorizont oder die Ergebnisse bleiben hinter den Erwartungen zurück.

Auch das Sicherstellen einer hohen Datenqualität ist kritisch für den Erfolg von Datenprojekten insgesamt und besonders von Predictive-Maintenance-Projekten. Dabei empfiehlt sich für jeden Datenerhebungspunkt, immer mehrere Kontrollmesswerte gleichzeitig zu erheben, um Fehlmessungen und falsche Messwerte schnell zu identifizieren bzw. auszuschließen.

„Garbage in – garbage out.“ Dieses Prinzip gilt für alle Datenprojekten und somit auch für #PredictiveMaintenance. Ergo: Die #Datenbasis muss stimmen. #Datenqualität Klick um zu Tweeten

Lese-Tipp: Die Einführung eines Datenkatalogs kann ebenfalls ein wichtiger Baustein für erfolgreiche datengetriebene Use Cases sein.

Ein weiterer zentraler Erfolgsfaktor für Predictive Maintenance hängen mit der konkreten Fragestellung und dem Geschäftsmodell des jeweiligen Kunden zusammen. Predictive Maintenance ist kein reiner Selbstzweck, sondern muss im Gesamtkontext betrachtet und bewertet werden. Dies kann zum Beispiel in einem Use-Case-Workshop analysiert werden, die wir aus genau hierfür anbieten.

Die Vorteile von Predictive Maintenance

Der bisher beschriebene Ansatz stellt jedoch nur das einfachste Funktionsprinzip dar, nach dem Predictive Maintenance funktioniert. Im Rahmen der zahlreichen Use Cases, die wir in diesem Zusammenhang bereits erfolgreich durchgeführt haben, konnten wir feststellen, dass die konkreten Fragestellungen in den Unternehmen oft sehr viel spezifischer waren oder darüber hinaus gingen. Dennoch lassen sich eine ganze Reihe von Vorteilen benennen, die Predictive Maintenance bringt:

  • Lebensdauer von Maschinen und Anlagen wird verlängert und Investitionskosten damit gesenkt
    • Schäden können identifiziert werden, bevor sie entstehen
    • Reparaturen können besser geplant und durchgeführt werden
    • Ursachen können auf Bauteilniveau festgestellt werden
    • Daten liefern Feedback für die Hersteller und Produzenten, um die Qualität langfristig zu verbessern

Predictive Maintenance kann auch die Grundlage für neue Dienstleistungen und Geschäftsmodelle liefern. Beispielsweise können Anlagen- und Maschinenbauer zusätzlich zu ihrem bisherigen Geschäftsmodell neue Service-Angebote anbieten.

Use Case: Telematik-Dienst für MAN

Wie sehr ein Predictive-Maintenance-Use-Case in den Gesamtkontext eines Unternehmens eingebettet sein muss, zeigt der konkrete Fall eines unserer Kunden – dem LKW-Hersteller MAN. Dieser hatte immer wieder damit zu kämpfen, dass einige seiner Fahrzeuge zum Teil vollbeladen beispielsweise wegen eines Injektorschadens liegen blieben. Durch den Ausfall entstanden direkte Kosten für die Reparatur sowie indirekte Kosten für Konventionsstrafen und einer Abstufung im Qualitätsranking. Unsere Lösung sah die Entwicklung und serienmäßigen Implementierung eines Telematik-Dienstes vor. Dieser diente uns als Datenlieferant für Predictive Analytics zur präventiven Erkennung einer Panne oder eines Defektes.

Dazu nutzen wir Data-Mining-Methoden, um aus den Telematik-Daten der Fahrzeuge präventiv Ausfälle zu erkennen, um proaktiv darauf reagieren zu können. Die statistischen Angleichungsverfahren und Data-Mining-Methoden wurden am Beispiel der Zündspule und den Injektoren analysiert und prognostiziert. Für unseren Kunden konnten wir so bestimmte Fehlerbilder mittels der Telematik-Daten statistisch vorhersagen. Dadurch erreichten wir:

  • Vermeidung vonPannendurchproaktives Monitoring der Telematik-Daten
    • Frühzeitige Erkennung vonimFeldaufsteigenden Qualitätsproblemen
    • Reduktion der Gewährleistungs- und Kulanzkosten sowiedrastische Steigerung der Kundenzufriedenheit

Mit diesem und anderen Use Cases stellen wir immer wieder fest, welchen großen Wert Predictive Maintenance gegenüber herkömmlichen Lösungen liefert. Der Mehrwert entsteht dabei nicht allein durch die Vermeidung von Reparaturkosten. Vor allem die dadurch gestiegene Verlässlichkeit und die Zufriedenheit der Kunden ist mehr als nur ein indirekter Nebeneffekt von Predictive Maintenance. 

Sie wünschen sich noch mehr Informationen zu Predictive Maintenance?

Laden Sie hier unser kostenloses Whitepaper herunter.

Tags

top