Effizienzbringer gesucht: Predictive Maintenance

Predictive Maintenance

„2020 kommt die Effizienz wieder in Mode“ – das haben wir in unseren #nextperspectives bereits vorausgesagt. Nicht zuletzt durch die Coronakrise rückt operative Effizienz ins Zentrum der strategischen Themenagenda. An dieser Stelle lohnt der Blick auf die Effizienzbringer. Einer davon, Predictive Maintenance, fährt derzeit unter dem Radar. Dabei zeigen die aktuelle Lage und die technologische Reife: Es ist Zeit für einen Durchbruch.

Nur rund jedes vierte Unternehmen (27,6 Prozent) mit Internet-of-Things-Aktivitäten, investiert Teile dieses Budgets in den Anwendungsfall Predictive Maintenance, so eine Befragung von IDG. Zu ähnlichen Ergebnissen kommt die Teknowlogy Group. Die Analysten erwarten zumindest eine starke Zunahme von Predictive Maintenance in den nächsten zwölf bis 24 Monaten. Und in der Tat lohnt es sich gerade jetzt, wo jede Einsparung der Bilanz gut tut, sich mit dem Thema Effizienz durch vorausschauende Wartung zu befassen. Denn wer will angesichts der Aufgabe, sich resilienter gegenüber Krisen aufzustellen, ständig mit einem Auge auf die Verfügbarkeit seiner Maschinen schielen. Immerhin sieht jeder dritte Entscheider von Unternehmen der verarbeitenden Industrie Defizite aufgrund ineffizienter Lieferprozessen, so unsere Potenzialanalyse.

Zwei Vorteile von Predictive Maintenance sprechen für sich

Eigentlich verwundert es, dass Unternehmen bei der Wartung von Maschinen und Anlagen nicht bereits deutlich weiter sind. Fällt eine erfolgskritische Maschine plötzlich aus, schlägt das in Summe durchaus mit fünfstelligen Beträgen pro Stunde zu buche. Für die Reparatur und den Anlauf der Maschine fallen hohe Material- und Personalkosten an, die Unternehmen mitunter in ihre Budgetplanung einkalkulieren. Noch viel teuer ist allerdings das Verstreichen von Lieferfristen. Wer Kundenzufriedenheit sichern will, muss liefern können. Und damit das funktioniert, müssen die Anlagen verfügbar sein.

Hier kommt Predicticve Maintenance ins Spiel: Im Idealfall antizipieren Sensoren – gemeinsam mit einem Algorithmus, der die Daten auswertet – im Vorfeld, dass sich ein Ausfall ankündigt. Im Vergleich zu analogen Instandhaltungskonzepten ein enormer Vorteil:

  1. Die reaktive oder intervallbasierte Instandhaltung bindet Personal bei Routinechecks, während an anderer Stelle gerade Not am Mann oder der Frau herrscht und ein Stillstand droht. Solange die Zustands-überwachung von Maschinen nicht digitalisiert wird, wird diese Problematik bestehen.
  2. Das Wissen über Maschinen und Anlagen steckt häufig in den Köpfen der Instandhaltungsmitarbeiterinnen und -mitarbeiter. Scheiden diese aus, geht vielfach das Wissen verloren. Das ist gefährlich und zwingt Unternehmen angesichts des demographischen Wandels dazu, datenbasiertes Wissen aufzubauen.

Predictive Maintenance – darum geht es technisch

Ziel ist, Ausfälle von Maschinen und Anlagen zu prognostizieren und Instandhaltungsmaßnahmen durchzuführen, bevor es zu ungeplanten Produktionsstillständen kommt. Maschinen werden hierzu mit zahlreichen Sensoren ausgestattet. Diese erfassen ständig Zustandsdaten von Bauteilen und Material und führen sie zusammen. So entsteht ein datenbasiertes Abbild der Maschine. Mit diesem Abbild lassen sich mithilfe von KI-Algorithmen Ausfallwahrscheinlichkeiten vorhersagen.


Der Weg zur vorausschauenden Qualitätssicherung ist kurz

Indem Unternehmen Maschinen und Anlagen kontinuierlich überwachen, können sie Betriebszustände soweit optimieren, dass die Produktivität steigt, ebenso die Energieeffizienz. Denn: Maschinenbezogene Daten wie Temperaturen, Geräusche und Schwingungen ermöglichen neben der Angabe von Ausfallwahrscheinlichkeiten auch Prognosen über den Zustand der erzeugten Güter. Durch Predictive Quality Control reduzieren Fabriken Ausschuss und Nacharbeiten. Sensoren können  beispielsweise Werkzeugbeschädigungen identifizieren und Schäden am Produkt vorbeugen. Darüber hinaus eröffnen maschinenbezogene Daten die Möglichkeit, den Energieverbrauch zu senken. Messsensoren und KI-Lösungen empfehlen optimale Betriebstemperaturen. Insbesondere bei Prozessen, die hohe Temperaturen benötigen, können signifikante Erfolge erzielt werden.

Das Fehlende-Reife-Argument zieht nicht mehr

Technisch ist Predictive Maintenance reif für den Masseneinsatz. Im Laufe der letzten zwei Jahre haben sich Sensorik, Künstliche Intelligenz und IoT-Infrastrukturen so stark weiterentwickelt, dass das Sammeln und Auswerten von Maschinendaten in breitem Umfang möglich ist – mit stabilen und sichereren Verfahren. Der Aufwand für die Integration von Predictive Maintenance-Anwendungen in die bestehende IT-Systemlandschaft und der Einbau in die Hardware sind mittlerweile überschaubar.  

Das immer stärker aufkommende Edge-Computing hilft zusätzlich, Hürden bei der Implementierung abzubauen: Anstatt Daten in der Cloud zu speichern und zu analysieren, werden sie an ihrer Quelle gesammelt und ausgewertet, also in den Maschinen selbst. Die Daten werden im Anschluss nur in Teilen in eine Cloud-Umgebung übermittelt. In Summe führt die Datenverarbeitung am „Edge“ zu einer Entlastung des Datenverkehrs und zu mehr Informationssicherheit.

Diese fortschreitenden Entwicklungen spiegeln sich auf dem Markt für Predictive Maintenance Anwendungen wider. Einige Anbieter wie Bosch haben bereits modulare und konfigurierbare Produktsets, die sich an Bedürfnisse anpassen lassen. Unternehmen können so beispielsweise Anwendungen auf IoT-Plattformen per Drag and Drop zusammenstellen.

Predictive Maintenance auf die Liste möglicher Effizienzverbesserer setzen

Für alle, die Predictive Maintenance derzeit weiter unten auf der Agenda haben, gilt es, Prioritäten zu verschieben. Die Argumente dafür sind hinreichend, dass sich Industriemanager – oder auch Entscheider in der öffentlichen Verwaltung, die Straßen, Brücken und Anlagen im großen Stil unterhalten – nicht nur mit Predictive Maintenance auseinandersetzen. Auf der Suche nach technologischen und methodischen Effizienzverbesserern und nach Wegen für eine größere Resilienz gegenüber wirtschaftlichen Schocks gehört das Thema klar auf den Maßnahmenplan der kommen Monate und Jahre.

Foto: Getty Images / JIRAROJ PRADITCHAROENKUL


Niklas Schwermann

Niklas Schwermann ist bei der Management-Consulting-Sparte Sopra Steria Next beschäftigt. Sein Schwerpunkthema ist die digitale Zukunft von Industrieunternehmen.


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.