Vorausschauende Wartung

Worin besteht die Herausforderung?

Maschinen und Anlagen sind produktives Kapital, mit dem idealerweise Produkte permanent, gleichmäßig und in stabiler Qualität gefertigt werden. In der Realität unterbrechen allerdings Defekte, Qualitätsabweichung oder teure Stillstände die Produktion. Instandhaltung und Wartung sind in der Produktion daher essenziell. Fest definierte Wartungsintervalle können jedoch unnötig hohe Kosten erzeugen. Kurzfristige Wartungsmaßnahmen basieren auf historischen Daten und dienen dazu, Ausfälle möglichst schnell zu beheben, können diese aber nicht vermeiden. 

Welche Daten können hier helfen?

• Maschinendaten (Temperatur, Feuchtigkeit, Geräusche)
• Daten über den Verarbeitungsprozess, die Produkte und die Produktionsumwelt
• Historische Maschinen- und Produktionsdaten

Wie kommt der Nutzen aus den Daten?

Maschinen, die Wartung benötigen oder sogar ausfallen, zeigen davor bestimmte Muster. Diese können beispielsweise Trends bei der Entwicklung von Temperaturen oder der Stärke von Vibrationen sein. Mit diesen Mustern werden die erfassten Daten permanent verglichen, um so den Wartungsbedarf einzuschätzen. Für zuverlässige Vorhersagen ist eine große Datenmenge notwendig. Wird ein Wartungsbedarf identifiziert, wird eine Meldung erzeugt. So kann das entsprechende Bauteil gewartet oder ausgetauscht werden, bevor ein Schaden entsteht. Neben der vorausschauenden Wartung (Predictive Maintenance) gibt es die präskriptive Wartung (Prescriptive Maintenance). Die präskriptive Wartung sieht das Problem nicht nur voraus, sondern unternimmt Schritte zur Lösung. Beispielsweise passt sie Parameter (wie Temperatur, Geschwindigkeit) automatisch an, um die Produktionsbedingungen optimal zu halten. Die vorausschauende Wartung (Predictive Maintenance) ist jedoch momentan weiterverbreitet.

Wo wird diese Datennutzung bereits angewendet?

Der Flug- und Raumfahrttechnikkonzern Boeing hat die Software »Boeing AnalytX« entwickelt. Sie unterstützt mit der Verarbeitung der Daten aus dem Flugbetrieb die Instandhaltung der Maschinen und sichert so den effizienten Betrieb.

Der Technologiekonzern Siemens nutzt die Software »Railigent«, um Zugausfälle zu vermeiden und die Wartung zu optimieren. Dazu werden Sensordaten, historische Daten und Eisenbahn-spezifische Produktdaten verwertet.

Der Technologiekonzern General Electric sammelt, speichert und wertet Gerätedaten von Stromversorgungsunternehmen aus. Mit diesen Informationen können notwendige Reparaturen frühzeitig erkannt und zeitnah durchgeführt werden.

Der Aufzughersteller Schindler nutzt vorausschauende Wartung in den Aufzügen. Dafür sind die Aufzüge ans Internet angeschlossen und versorgen die Basis kontinuierlich mit Daten. Diese Daten werden mit historischen Daten zu Ausfällen verglichen. Damit können Wartungsbedarfe frühzeitig identifiziert werden.

Das Technologieunternehmen Georg Fischer Machining Solutions (GFMS) bietet seinen Kunden Services auf der »rConnect«-Plattform. Dazu zählt die digitale Vernetzung von Maschinen, womit ein permanentes Maschinen-Monitoring, eine vorausschauende Wartung und der Fernzugriff auf die Maschinen ermöglicht wird.

Welchen Beitrag leistet diese Datennutzung zur Wertschöpfung?

Mit der datenbasierten vorausschauenden Wartung wird die Produktion gegenüber intervall- oder zeitbasierten Wartungsmaßnahmen optimiert. Die Kosten für Reparaturen sinken. Gleichzeitig erhöht sich die Effizienz und Lebensdauer der Maschine. Die frühzeitige Antizipation von Ausfällen beugt Gewinnverlusten oder Imageschäden gegenüber den Kunden vor. 

Quellen: Boeing (2018), Siemens (2019), General Electrics (2016), Schindler (2020), GF Machining Solutions GmbH (2020)