Die nächste Generation: Smart Predictive Maintenance

Durch Maschine Learning und Smart Predictive Maintenance sichern sich Unternehmen heute echte Wettbewerbsvorteile. Doch bevor Unternehmen  unnötige Wartungen und teure Ressourcen einsparen, benötigen sie eine gut aufbereitete Datenbasis.

​​​​​​​​​​​Moderne Produktionshallen sind heute ein Einblick in die „schöne neue Welt“. Wo früher Schmutz, Lärm und der Geruch von Arbeit die Fabrikhalle durchströmte, wo Funken flogen und emsige Arbeiter Teile von einer Maschine zur nächsten schleppten, da herrscht heute fast Stille. Bei einem leisen Summen und Surren in einer sauberen, aufgeräumten Halle stehen nur noch eine Hand voll First-Line-Worker an einer ganzen Produktionsstrecke. Die Maschinen scheinen völlig autark ihre Aufgaben gekonnt und fehlerfrei zu erledigen. Reibungslos fließt ein Arbeitsschritt in den nächsten, alle Abläufe sind fein aufeinander abgestimmt

Dieser Einklang kann aber empfindlich gestört werden. Bereits der Ausfall einer Maschine kostet viel Geld – sie kann die ganze Produktionsstrecke lahmlegen. Daher sollten Ausfälle unbedingt vermieden werden. Aber auch unnötige Wartungen fressen Ressourcen und stören den Ablauf. Je komplexer die Maschine und je kritischer ihr Einsatzbereich, desto sensibler die Wartungstermine. Auf Basis von Erfahrungs- und Richtwerten sind beispielsweise für den Personenflugverkehr oder bei Kühlsystemen von Atomreaktoren Inspektionen vorgesehen, wenn die Wahrscheinlichkeit eines Ausfalls bei nur einem Prozent liegt.

Maschnie und Mann mit Tablet in Abendstimmung

Unnötige Wartungen reduzieren und teure Ausfälle vermeiden

Wie schön wäre es, wenn eine Maschine, wie ein Patient spüren würde, wenn etwas „klemmt und schmerzt“? Sie könnte dann einen „Arzt“ oder den passenden Servicetechniker anfunken und sich helfen lassen. Dies würde den hohen personellen und finanziellen Aufwand von unnötigen Inspektionen und „Routineuntersuchungen“ stark reduzieren. Smart Predictive Maintenance ist wie ein Arzt, der die Krankheit erkennt, bevor der Patient in seinem Tatendrang eingeschränkt wird.

Welche Voraussetzungen benötigt Smart Predictive Maintenance?

Zulieferer, Brancheninsider, Ingenieure und Monteure kennen die potenziellen Schwachstellen ihrer „Patienten“. Sie wissen, wo Lösungen oder Verbesserungen möglich sind. Das Wissen aller Beteiligten an einem Projekt liefert daher wertvollen Input für die Datenanalyse. Deshalb sind gute Zusammenarbeit und Wissenstransfer zentrale Schritte für die Entwicklung von Predictive Maintenance. Auch eine ausreichende Anzahl an gut dokumentierten Fehlerquellen gehen einen datenbasierten Wartungsmodell voraus.

Mehr noch: Unternehmen die Smart Predictive Maintenance und Maschine Learning für sich nutzen möchten, benötigen eine weitreichende Datenbasis. Richtwerte lassen sich beispielsweise aus Monitoring-Daten heranziehen, die bestimmten Kriterien entsprechen müssen. Die Daten müssen in einer ausreichenden Menge, Vielfalt, Qualität, Aktualität und Relevanz vorhanden sein oder sich erheben lassen. Maschine-Learning-Algorithmen sind daher bestenfalls mit Big Data verknüpft, um eine wirklich gute Diagnose leisten zu können.

Was bedeutet das für unseren Patienten? Mit Maschine-Learning-Algorithmen im Allgemeinen und mit Smart Predictive-Maintenance-Anwendungen im Speziellen behandelt man keine „Standardkrankheiten“.

Wie werden die Maschinen trainiert?

Die lernfähigen Anwendungen werden vorher für ein spezielles Einsatzgebiet trainiert und lernen die Maschine genau kennen. Sie erfassen ihre „Anatomie“, analysieren alle möglichen Ausfallszenarien und entwickeln anschließend ein spezielles „Gesundheits- und Optimierungsprogramm“. Bestenfalls bleibt die Maschine nicht nur gesund, sondern steigert zudem ihre Leistungsfähigkeit. Zukünftige „Gesundheitschecks“ oder Wartungen sind jetzt besser planbar, Ausfallzeiten werden möglichst gering gehalten, Ursachen vom Defekten, Störungen und Verschleiß werden rechtzeitig identifiziert. Maschine Learning und S​mart Predictive Maintenance sorgen so für eine fortlaufende Optimierung von Produkten, Maschinen und Prozessen.

Durch vorausschauende Wartung können Maschinenverfügbarkeit und Betriebszeit um bis zu 20 bis 30 Prozent gesteigert werden.

Für Smart Pedictive Maintenance müssen Unternehmen die gesamte Prozesskette mit einbeziehen!

Eine auf Smart Predictive Maintenance ausgerichtete Wartungsstrategie kann die Effizienz, Qualität und Sicherheit einer Anlage stark verbessern. Gleichzeitig senkt sie den Wartungsaufwand und die Kosten für Ersatzteile. Doch um wirklich effizient zu sein, müssen alle Faktoren beachtet und mit eingerechnet werden. Deshalb lohnt es sich, in der Strategie genau auszurechnen, ab wann dieser Prozess sich rentiert.

Haben Unternehmen mit Hinblick auf den Patienten beispielsweise die „Operation“ bis ins kleinste Detail perfektioniert, aber für die „Transplantation“ fehlt das lebenswichtige „Organ“, wird die „Operation“ nicht erfolgreich sein.

Für die Maschine und für die optimale Nutzung von Smart Predictive Maintenance bedeutet das beispielsweise, dass die Datenbasis bestenfalls mit dem ERP und der gesamten Liefer- und Bestellkette verknüpft ist. Durch eine umfassende Verknüpfung lassen sich Ersatzteile vorab bestellen und Engpässe vermeiden. Im Idealfall bringt sie der Servicetechniker gleich beim ersten Termin mit und tauscht sie aus.

Smart Predictive Maintenance Lösungen spiegeln so den kompletten digitalen Reifegrad eines Unternehmens wider. Dieser müsste gegeben sein, damit diese Art von „Gesundheitsmanagement“ effizient funktioniert.

Fazit zu Smart Predictive Maintenance

Durch Maschine Learning und Smart Predictive Maintenance sichern sich Unternehmen heute echte Wettbewerbsvorteile. Sie sparen unnötige Wartungen und teure Ressourcen, aber vor allem minimieren Unternehmen einen dramatischen Produktionsausfall. Stattdessen erreichen sie sogar eine Optimierung ihres Maschinen-Parks.

Trotzdem, bevor Unternehmen mit Maschine Learning und Smart Pedictive Maintenance starten, benötigen sie ausreichend Vorbereitungen. Denn um Smart Pedictive Maintenance erfolgreich anwenden zu können, muss eine bereinigte und gut aufbereitete Datenbasis vorhanden sein.

Planen Sie aber auch genügend Zeit ein, damit die Maschinen aus vorangegangenen Testphasen und Anomalien ausreichend lernen können. Die stetige Weiterentwicklung von Big Data mit Hinblick auf die gesamte Prozesskette bieten​ dabei die Basis für erfolgreiches Maschine Learning und Smart Predictive Maintenance.

Gerne prüfen wir Ihren ganz persönlichen digitalen Reifegrad und beraten Sie bei einem sinnvollen Vorgehen Schritt für Schritt in die digitale Produktion. Für mehr Informationen besuchen Sie einen unserer kostenlosen Azure Workshops oder kontaktieren Sie uns und vereinbaren Sie Beratungstermin.

Beitrag von:
Silke_Druecke_axon

``Jeden Tag entdeckt man neue, spannende Lösungen. Genau das reizt mich an der Digitalisierung.``

Silke Drüke
aXon Marketing