Die Fehlervorhersage mittels Predictive Maintenance wie auf diesem Symbolbild ist in den allermeisten Fällen noch pure Utopie.

Predictive Maintenance ist überall, nur nicht auf dem Shopfloor. Das sagt Florian Defèr vom FIR. - BIld: zapp2photo - stock.adobe.com

| von Dipl.-Ing. Florian Defèr, FIR

Das ist die Serie Predictive Maintenance: Realitätscheck

Teil 1: Predictive Maintenance - überall, nur nicht am Shopfloor

Teil 2: Roadmap: So führen Sie Predictive Maintenance richtig ein

Teil 3: Wie Sie Predictive Maintenance richtig umsetzen

Predictive Maintenance ist überall: in den Vorstandsebenen, in unzähligen Veröffentlichungen und auf Messeständen, die vollgepackt mit Softwareapplikationen und Sensorik sind. Der einzige Ort, an dem Predictive Maintenance noch nicht angekommen ist, ist der Shopfloor.

Viele Erwartungen an Predictive Maintenance werden durch clevere Werbebotschaften und die Hoffnung der Anwender befeuert. Es gibt keine Technologie, welche sofort, kostengünstig und zuverlässig alle Probleme löst. Störungen lassen sich auch nicht durch PowerPoint-Folien oder – ehrlicherweise – durch ein paar schön gestaltete Seiten in einer Fachzeitschrift beheben.

Was diese dreiteilige Reihe jedoch kann, ist Ihnen eine weitere Perspektive aufzuzeigen, damit Sie Ihre Instandhaltung nachhaltig weiterentwickeln können.

So verstehen Sie Predictive Maintenance

Um zu verstehen, warum von Predictive Maintenance so viel auf Folien und so wenig in der Realität sehen ist es wichtig, den Begriff und die Zusammenhänge, die dahinterstehen zu verstehen. Predictive Maintenance (zu Deutsch: Prädiktive Instandhaltung) bedeutet Zustandsprognose und hat zum Ziel, die Frage zu klären, wie der Zustand einer Maschine oder Anlage in der Zukunft sein wird.

In diesem einen Wörtchen "wird" liegt auch die besondere Herausforderung bei der Zustandsprognose. Fangen wir aber vorne an und klären, wie sich die Technologie beziehungsweise das "Buzzword" Predictive Maintenance in die Industrie 4.0 einfügt.

Von Industrie 3.0 zu Industrie 4.0 - Stufen der Zustandsbestimmung anhand des Acatech Industrie 4.0 Maturity Index (i.A.a. Schuh et al. 2017). Die Zustandsprognose wird hier in die Reifegradstufe 5 – "Prognosefähigkeit" eingeordnet.
Von Industrie 3.0 zu Industrie 4.0 - Stufen der Zustandsbestimmung anhand des Acatech Industrie 4.0 Maturity Index (i.A.a. Schuh et al. 2017). - Grafik: FIR

Die Zustandsprognose wird in den Industrie 4.0 Maturity Index der Acatech in die Reifegradstufe 5 – "Prognosefähigkeit" eingeordnet (siehe obenstehende Grafik). Die Stufen des Reifegradmodells beruhen darauf, dass jede Stufe mit einer Fähigkeit verbunden ist, welche notwendig für das Erreichen der darauffolgenden ist.

Im Folgenden werden daher zusätzlich die Stufen 3 – "Sichtbarkeit" und 4 – "Transparenz" erläutert, da diese aufeinander aufbauen, die Differenzierung der Stufen erleichtern und die Logik des I4.0 Maturity Index verdeutlichen:

Wie die Zustandsüberwachung Alarme sichtbar macht

Die Zustandsüberwachung beziehungsweise das Condition Monitoring erfasst die aktuellen (Echtzeit oder eher nahezu Echtzeit) Betriebs- und Maschinenparameter und analysiert oder visualisiert diese. Die erhaltenen Parameter lassen sich mit Alarm- oder Ticketsystemen verbinden, um die Reaktionszeiten bis zur Störungsbeseitigung zu minimieren (MTTR1 - Mean Time to Repair, deutsch: Mittlere Reparaturzeit) oder im Idealfall ein Bauteil bei passender Gelegenheit (zum Beispiel einer Revision oder anderem geplanten Stillstand) vor dem Versagen auszutauschen (vergleiche opportunistische beziehungsweise aufgeschobene Instandhaltung).

Florian Defèr ist Projektleiter und wissenschaftlicher Mitarbeiter am FIR in Aachen.
Florian Defèr ist Projektleiter und wissenschaftlicher Mitarbeiter am FIR in Aachen. - Bild: FIR

Bei der Art der Alarmauslösung wird dabei in zwei Gruppen unterschieden: Häufig wird ein statischer Grenzwert vorgegeben, welcher aus der Erfahrung der Mitarbeiter oder des Maschinenherstellers (OEMs) gebildet wird.

Immer häufiger kommen jedoch dynamische Grenzbänder zum Einsatz, die selbstlernend die verschiedenen Betriebszustände berücksichtigen und so die Anzahl der Fehlalarme signifikant reduzieren.

Die Reduzierung von Fehlalarmen trägt wesentlich zu der Akzeptanz der Lösungen bei, da sonst, bei häufigen Fehlalarmen, Meldungen mit einem Schulterzucken abgetan und weggedrückt werden.

In Abgrenzung zu den anderen Stufen ist jedoch lediglich eine Aussage darüber möglich, wie der aktuelle Zustand der Komponente ist, nicht über den Ausfallzeitpunkt, da dieser in der Regel von einer Vielzahl weiterer Parameter und Annahmen abhängt.

So entsteht Transparenz durch Zustandsdiagnose

Bei der Zustandsdiagnose handelt es sich um eine datenbasierte Fehlerdiagnose der Maschinen, so können einzelne Fehlerbilder mit bestimmten Mustern der Zustandsdaten in einen nachträglichen Zusammenhang gebracht und Ursachen besser verstanden werden. Programme, die für eine grafische Datenauswertung geeignet sind, etwa Tableau, bieten einen intuitiven und einfachen Zugang zu den Maschinendaten.

Kongress SMART MAINTENANCE

Sie sind ein Macher in Sachen moderne Instandhaltung? Sie wollen aktuelle Technologien, Prozesse und die Experten dazu kennenlernen? Dann kommen Sie am 24. und 25. November 2020 auf den Kongress SMART MAINTENANCE in Essen, den führenden praxisfokussierten Event der Branche für Profis aus dem deutschsprachigen Raum.

Es erwarten Sie spannende Einblicke in die Praxis Ihrer Kollegen und neueste Erkenntnisse aus der Forschung – und dazu spannende Gespräche mit anderen Experten sowie eine exklusive Werksführung.

Interessiert? Dann klicken Sie hier und sichern Sie sich Ihr Ticket!

So können Zeitreihen relativ leicht übereinandergelegt und mögliche Abhängigkeiten erkannt werden. Als Vorgehen empfiehlt es sich, Hypothesen zu Zusammenhängen zwischen Fehlerbild und Ursache zu formulieren und diese datenbasiert zu bestätigen bzw. zu widerlegen.

Für die Formulierung der Hypothesen können beispielsweise Workshops mit erfahrenen Kollegen unter der Verwendung von Ishikawa-Diagrammen, FMEA (Fehlermöglichkeits und Einflussanalyse) und so weiter genutzt werden.

Für eine Zustandsdiagnose ist ein umfassendes Bild der Anlagen notwendig, da Fehler meist eine Reihe von Ursachen und Abhängigkeiten aufweisen, die nur im Fehlerkollektiv korrekt interpretiert werden können.

Gerade weil dies sehr aufwendig, ist sollte man sich vorher gut überlegen, ob sich der Aufwand lohnt. Dies erfährt man aber nur aus den Ereignisdaten im eigenen IPS-System (Instandhaltungsplanungs- und Steuerungssysteme) – wenn dies durchdacht und gepflegt ist.

Welche Bedingungen für die Prognosefähigkeit gelten

Wie bereits dargestellt, beschäftigt sich die Zustandsprognose mit dem zukünftigen Verhalten der Maschine oder Anlage. Vorhersagen lassen sich jedoch nur unter bestimmen Bedingungen aus der Vergangenheit treffen:

  1. Historie: Es müssen aussagefähige historische Daten in ausreichender Menge und Qualität vorhanden sein. Dabei ist es nicht selbstverständlich, dass die Daten eines Standortes oder einer Maschine ausreichen, da Störungen – im besten Fall – selten sind. Jedoch stellt die Zugänglichkeit und Vergleichbarkeit von Daten anderer Anlagen oder Standorten meist eine unüberwindbare Herausforderung dar.
  2. Zusammenhänge: Es ist notwendig, ein umfangreiches prozessuales und physikalisches Verständnis für das zu untersuchende System aufgebaut zu haben. Für Anlagen in der Prozessindustrie ist die Bandbreite der Betriebsparameter meist sehr groß und Betriebszustände nur sehr schwer miteinander vergleichbar.
  3. Vergleichbarkeit: Um die aus der Anlagenhistorie entstandenen Datenmodelle zu verwenden, müssen in der Zukunft vergleichbare Anlagen- und Betriebszustände vorliegen, da sonst die Modelle nicht anwendbar sind. Da sich immer wieder Rohstoffe, Verfahren und so weiter ändern, stellt dies eine weitere Herausforderung dar.

Das wichtigste Gütekriterium eines Modells ist sein Konfidenzintervall, das abhängig von der Zeit eine mehr oder weniger verlässliche Aussage über den zukünftigen Zustand einer Anlage trifft und eine operative Entscheidung ermöglicht. Daher muss eine Prognose auch eine Szenariobildung einschließen; damit ist gemeint, dass eine Aussage darüber getroffen werden
muss, ob sich der Ausfall bei veränderten Betriebszuständen verzögern oder vermeiden lässt.

So könnte eine verringerte Leistung eventuell noch zulassen, das aktuelle Produktionsprogramm abzuschließen. Besonders in Anlagen der Prozessindustrie haben die wechselnden Betriebszustände und -programme einen signifikanten Einfluss auf die Standzeit der Komponenten und auf die Kritikalität der Wertschöpfungsnetzwerke und müssen zwingend in der Prognose berücksichtigt werden.

Andernfalls könnten beispielsweise kurzzeitige Temperaturspitzen oder ähnliches zu einer Verfälschung der Ergebnisse führen und eine unnötige und kostspielige Maßnahme nach sich ziehen.

So können Sie Herausforderungen identifizieren und Beute machen

In die Zukunft sehen zu können, erfordert ein umfassendes Bild über die Vergangenheit und die Gegenwart. Hinzu kommt, dass eine umfängliche Datenerfassung und Analyse mit erheblichem Aufwand an Ressourcen verbunden ist, der nicht leichtfertig betrieben werden sollte.

Im Gegenteil, für eine wirtschaftliche Entscheidung muss eine entsprechende Häufigkeit oder Kritikalität bestehen. Predictive Maintenance ist ein spannendes Werkzeug, welches großes Potential birgt. Es ist aber ganz sicher keine schnelle Plug-In-Lösung, sondern erfordert umfassende Vorarbeiten und organisatorische Veränderungen.

Roadmap: So führen Sie Predictive Maintenance richtig ein

Lesen Sie im zweiten Teil unserer Serie, wie Sie Predictive Maintenance effektiv in eine umfassende Strategie einbetten und damit einen echten Mehrwert für Ihr Unternehmen liefern können.