Predictive Maintenance und Predictive Analytics, also die vorausschauende Instandhaltung und Analyse, sind keine Blicke in die Glaskugel. Es sind nämlich auf mess- und überprüfbaren Daten und Fakten basierende Vorhersagen. Sie machen die Wartung effizienter und sichern gleichzeitig die Verfügbarkeit von Automatisierungslösungen. Zudem beugen sie möglichen Ausfällen vor. (Ein Fachbeitrag von Benjamin Bohne*, mit Ergänzungen von HaJo Schlobach)
Den Zeitpunkt einer Wartung bestimmt, je nach Service Level Agreement, traditionell der Kalender oder die Anzahl der Betriebsstunden. Dabei werden Teile von Maschinen und Anlagen nach einem bestimmten Zeitplan ausgetauscht, auch wenn nichts auf eine Störung, starke Abnutzung oder einen Ausfall hindeutet. Dies ist jedoch nicht immer sinnvoll oder effizient. Um diese und andere Prozesse zu optimieren und effizienter zu gestalten, kommen der Predictive Maintenance, also der vorausschauenden Wartung, und Predictive Analytics, d.h. der vorausschauenden Analyse, Schlüsselrollen zu.
Predictive Maintenance & Analytics ist kein Blick in die Glaskugel
Doch obwohl Predictive Maintenance und Predictive Analytics zukunftsorientiert sind, handelt es sich keinesfalls um einen “Blick in die Glaskugel”, wie manche Spötter behaupten. Im Gegensatz zur Wahrsagerei, die oft auf Intuition oder spirituellen Überzeugungen basiert, stützen sich diese Methoden nämlich auf harte Daten und bewährte statistische Techniken. Die Vorhersagen, die mit Predictive Maintenance und Predictive Analytics gemacht werden, sind also das Ergebnis einer sorgfältigen Datenanalyse und Dateninterpretation. Sie basieren dabei auf realen, quantifizierbaren Daten und verwenden wissenschaftlich fundierte Methoden, um diese Vorhersagen zu treffen. Zudem sind die Ergebnisse von Predictive Maintenance und Predictive Analytics messbar und überprüfbar. Mit anderen Worten: Wenn eine Vorhersage gemacht wird, kann sie mit tatsächlichen Ergebnissen der Vergangenheit verglichen werden, um die Genauigkeit der Vorhersagemodelle zu bewerten und zu verbessern.
Predictive Maintenance – Ohne technische Hilfsmittel nicht denkbar
Freilich: Um auf Fakten und Daten basierende Vorhersagen etwa auf den Zustand einer Automatisierungslösung zu machen und punktgenau eine Wartung durchführen zu können, bedarf es einer entsprechenden Sensorik und IT. Diese müssen entsprechende Daten erst generieren und dann verarbeiten. Darum fällt in diesem Zusammenhang auch regelmäßig das Stichwort “Big Data”. Die Herausforderung ist dabei, dass die Sensoren von Maschinen und Produktionsanlagen riesige Datenmengen generieren. Diese werden allerdings häufig nicht genutzt, es sei denn, sie tragen zur direkten Lösung eines technischen Problems etwa in einer Logistikautomationsanlage bei. Gesammelt und analysiert könnten sie jedoch dem Betreiber solcher Anlagen eine Vielfalt an Erkenntnissen und in weiterer Folge Entscheidungshilfen bieten. So lassen sich beispielsweise einerseits über die Datenanalyse Wartungsarbeiten optimieren und mögliche Ausfälle frühzeitig erkennen und vermeiden. Andererseits tragen sie dazu bei, Kosten zu senken, die Verfügbarkeit, Sicherheit und damit Kundenbindung zu erhöhen und die Lebensdauer von Maschinen zu verlängern.
Predictive Analytics – Überwachung in Echtzeit und automatisiert
Doch wie realisiert man Predictive Maintenance? – Um Wartungsmaßnahmen effektiv zu bestimmen, sollte der Ist-Zustand einer Anlage in Echtzeit kontinuierlich analysiert und mit vergangenen Mustern verglichen werden. Sensoren erfassen und erkennen hierfür zum Beispiel Vibrationen, Temperaturen oder andere Rohdaten. Steigt die Temperatur einer Anlage über einen festgelegten Schwellenwert und damit das Risiko einer Störung, wird sofort ein Techniker gewarnt. Die sofortige Anpassung der Kühlsysteme vermeidet eine Überhitzung der Anlage und verlängert damit ihre Lebensdauer. Zusätzlich verhindert sie damit noch höhere Ausgaben, wenn ein defektes Teil bei einer Kettenreaktion zum Ausfall weiterer Teile führt.
Auf der Suche nach Mustern und Trends
Die erfassten Daten werden laufend gespeichert und analysiert, um Trends, Muster und Indikatoren für potenzielle Fehler oder Abnutzungen zu erkennen. So können Wartung und Ersatzteilaustausch außerhalb der Hauptproduktionszeiten passend bei Bedarf erfolgen. Dies erhöht langfristig die verbleibende Lebensdauer einer Anlage. Die immer ausgefeilteren Systeme für Predicitive Maintenance, also die vorausschauende Wartung, ermöglichen aber auch einen immer größeren Automatisierungsgrad: Viele auf Warnungen folgende Korrekturen lassen sich heute automatisieren. Zum Beispiel können Maschinen ihre Temperaturen selbständig anpassen oder sich situativ ein- und ausschalten.
Predictive Analytics verbessert die Qualität
Außerdem verbessert die Datenanalyse den Service und die Kundenbindung in der produzierenden Industrie. Maschinenbauer können so unter anderem Erkenntnisse nutzen, um Kunden frühzeitig zu warnen, damit sie vorbeugende Maßnahmen ergreifen können. Dabei ersparen automatisch bereitgestellte Software-Updates Kunden die zeitaufwändige Einhaltung von Vorschriften und Sicherheitsprotokollen. In Wirtschaftsbereichen wie in der Pharmabranche steht hierbei viel auf dem Spiel, da unentdeckte Mängel nicht nur Gesundheitsgefährdungen darstellen, sondern auch erhebliche Strafen nach sich ziehen.
Richtlinien werden strenger
Daher müssen sich Unternehmen oft an strenge Richtlinien halten. Pharmakonzerne, um die zuverlässige Wirksamkeit eines Medikaments zu gewährleisten. Automobilherstellern drohen bei Nichteinhaltung geschäftsschädigende Rückholaktionen. Auch in den Lieferketten von Lebensmittelherstellern sind Sensoren wie intelligente Thermometer zu unschätzbaren Werkzeugen für die Überwachung der Produktqualität geworden. Diese ermöglichen es den Produzenten, ihre verderblichen Waren in Echtzeit zu kontrollieren und zu schützen.
Die Grundlagen sind zumeist vorhanden
Viele Unternehmen ringen noch immer um die optimale Einbindung und Nutzung der generierten Datenfülle und die Nutzung moderner Technologien beim Einsatz von Predictive Maintenance und Predictive Analytics. Dabei haben sie bereits die Grundlagen dafür längst geschaffen. So könnten sie zum Beispiel ihre generierten Sensordaten mit Daten aus ERP- und Lieferkettensystemen kombinieren. Das funktioniert jedoch nur mit zentral gesteuerten, automatisierten Analysetools, die in Echtzeit auf den gesamten Datensatz zugreifen. In den heutigen komplexen IT-Landschaften können das strukturierte und unstrukturierte Daten sein, die sich sowohl in lokalen Rechenzentren als auch in der Cloud befinden – möglicherweise sogar in mehreren Cloud-Umgebungen.
Predictive Maintenance & Analytics – Überblick behalten mit skalierbaren Plattformen
Wie wichtig es deshalb ist, die Übersicht zu behalten, zeigen Zahlen einer Cloudera-Studie: 65 Prozent der IT-Verantwortlichen in Europa sind bereits besorgt, dass das Datenwachstum in ihrem Unternehmen außer Kontrolle gerät. Um ihre Datenanalysefähigkeiten zu behalten, setzen deshalb viele Unternehmen eine Vielzahl an Einzellösungen ein. Doch genau wegen deren Integration gehen drei Viertel (74 Prozent) der IT-Entscheider von höheren Kosten für Datenanalyse und -management aus. Eine sichere und skalierbare Plattform, die sowohl Überblick als auch Zugriff auf alle Daten unabhängig vom Speicherstandort bietet, ist deshalb aus mehreren Gründen ein entscheidender Schlüssel. Zahlreiche Kosten für die Integration von Einzellösungen fallen weg und alle Daten – unabhängig davon, wo sie gespeichert sind – können in Echtzeit ausgewertet werden. Das bietet einen entscheidenden wirtschaftlichen Vorteil für das Geschäft und gegenüber der Konkurrenz. Denn nur wer alle Informationen erfassen, ordnen und analysieren kann, wird den maximalen Wert aus seinen Daten erhalten.
Man muss es nur tun
Predictive Maintenance und Predictive Analytics sind somit leistungsstarke Werkzeuge, die Unternehmen dabei helfen können, fundierte Entscheidungen zu treffen und ihre Betriebsabläufe zu optimieren. Sie sind kein “Blick in die Glaskugel”, sondern vielmehr ein rationaler und datengetriebener Ansatz zur Vorhersage von zukünftigen Ereignissen und Zuständen. Sie ermöglichen es uns, aus der Vergangenheit zu lernen und die Zukunft besser zu planen. Man muss es nur tun.
(*Benjamin Bohne ist Group Vice President Sales CEMEA beim Data-Spezialisten Cloudera)
Verwandte Themen
(Mehr als 120 State-of-the-Art Anwenderbeispiele aus der Intralogistik und IT finden und Best Practice-Diskussionsbeiträge finden Sie in unserer Rubrik BEST PRACTICE auf blogistic.net)
(Mehr zur HJS MEDIA WORLD finden Sie hier unter hjs-media-world.at)