Definition

Was ist Predictive Maintenance?

| Autor / Redakteur: Tutanch / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Predictive Maintenance verfolgt als eine der Kernkomponenten von Industrie 4.0 einen vorausschauenden Ansatz und wartet Maschinen und Anlagen proaktiv, um Ausfallzeiten niedrig zu halten. Das Verfahren nutzt hierfür von Sensoren erfasste Messwerte und Daten.

Predictive Maintenance lässt sich mit dem Begriff „vorausschauende Wartung“ ins Deutsche übersetzen. Das Verfahren nutzt Mess- und Produktionsdaten von Maschinen und Anlagen für die Ableitung von Wartungsinformationen. Ziel ist es, die Maschinen und Anlagen proaktiv zu warten und Störungszeiten zu minimieren. Im Optimalfall lassen sich Störungen vorhersagen, bevor es zu Auswirkungen oder Ausfällen kommt. Durch die frühzeitig proaktiv eingeleiteten Wartungsmaßnahmen ist das tatsächliche Eintreten der Störung zu verhindern.

Predictive Maintenance ist eine Kernkomponente der Industrie 4.0 und grenzt sich deutlich von herkömmlichen Wartungsansätzen wie der reaktiven oder präventiven Wartung ab. Um verlässliche Vorhersagen für die vorausschauende Wartung zu treffen, ist es erforderlich, eine große Menge von Daten zu erfassen, zu speichern und zu analysieren. Aufgrund der riesigen Datenmengen kommen Techniken und Datenbanken aus dem Big-Data-Umfeld zum Einsatz. Die erfassten Messwerte und Diagnosedaten werden von den Maschinen über Netzwerke an Servicezentralen oder direkt an die Hersteller übermittelt. Als netzwerktechnische Basis fungiert in vielen Fällen das Internet of Things (IoT). Um Predictive Maintenance effizient zu betreiben, sind drei Arbeitsschritte erforderlich. Diese Arbeitsschritte sind:

  • Das Erfassen, Digitalisieren und Übermitteln von Daten,
  • das Speichern, Analysieren und Bewerten der erhobenen Daten sowie
  • das Errechnen von Eintrittswahrscheinlichkeiten für bestimmte Ereignisse.

Predictive Maintenance in Abgrenzung zu traditionellen Wartungsmethoden

Mit seinem proaktiven Charakter unterscheidet sich Predictive Maintenance deutlich von den herkömmlichen Wartungsansätzen. Die traditionelle reaktive Wartung ist einfach umzusetzen, birgt aber ein hohes Risiko. Erst wenn Fehler oder Störungen aufgetreten sind, erfolgen Analysen der Probleme und Aktionen zur Störungsbeseitigung. Im Gegensatz zur Predictive Maintenance kann die reaktive Wartung Maschinenausfälle nicht proaktiv verhindern und hat erhebliche Ausfallzeiten zur Folge. Unter Umständen sind benötigte Ersatzteile erst nach Störeintritt und erfolgter Analyse bestellbar.

Präventive Maintenance versucht genau wie Predictive Maintenance Ausfallzeiten zu vermeiden. Allerdings nutzt die präventive Wartung hierfür keine live von den Maschinen erhobenen Daten, sondern führt Wartungsmaßnahmen und den Austausch von Verschleißteilen nach zuvor festgelegten Intervallen durch. Unter Umständen werden dadurch Teile ausgetauscht, die noch einwandfrei funktionieren und noch über lange Zeiträume korrekt funktioniert hätten. Für die Optimierung der Kosten und das wirksame Verhindern von Störungen ist es extrem wichtig, den optimalen Zeitpunkt für die jeweilige präventive Wartungsmaßnahme zu finden. Sie sollte nicht zu früh aber auch nicht zu spät erfolgen. Predictive Maintenance errechnet den optimalen Zeitpunkt der Wartungsmaßnahme selbst.

Predictive Maintenance und Big Data

Für verlässliche Vorhersagen über den Zustand von Maschinen und Anlagen und eventuell zu erwartende Störungen ist es erforderlich, große Datenmengen zu erheben. Diese sind zu speichern, zu verarbeiten und mithilfe intelligenter Algorithmen zu analysieren. Die Daten können sehr unterschiedlich sein und verschiedene Formate besitzen. Neben Daten der Maschinen selbst werden auch Informationen der Peripherie und Umgebungsmerkmale wie Temperatur oder Luftfeuchtigkeit erhoben. Die Daten sind in regelmäßigen Zeitabständen zu erfassen, um aus den Veränderungen Trends und Entwicklungen ablesen zu können. Aufgrund dieser vielen verschiedenen Daten und Formaten sowie den großen Datenmengen müssen Datenbanken riesige Kapazitäten bereitstellen. Für die Analyse der Daten ist es notwendig, schnell auf die gesuchten Werte zuzugreifen und diese mit hoher Performance zu verarbeiten. Anwendungen und Datenbanksysteme aus dem Big-Data-Umfeld erfüllen all diese Voraussetzungen. Je größer die Datenbasis ist und je intelligenter und ausgefeilter die Analysealgorithmen sind, desto verlässlicher sind die zu erhaltenden Erkenntnisse.

Vorteile von Predictive Maintenance

Gegenüber den herkömmlichen Maintenance-Ansätzen wie der präventiven oder reaktiven Wartung bietet die Predictive Maintenance eine Vielzahl Vorteile. Aufgrund der Kenntnis des aktuellen Zustands der Maschine oder Anlage lassen sich ungeplante Maschinenausfälle vermeiden und Außendiensteinsätze von Servicemitarbeitern optimieren. Wartungs- und Serviceintervalle sowie das Ersatzteilemanagement sind wesentlich besser planbar. Darüber hinaus ist es durch die Analyse der gesammelten Daten möglich, die Leistung der Maschinen zu verbessern und eine höhere Produktivität zu erzielen.

Beispiele für Predictive Maintenance

Predictive Maintenance wird bereits in vielen Bereichen eingesetzt. So werden Drehzahlen, Geräusch oder Temperaturen von Motoren erfasst und ungewöhnliche Vibrationen oder Unwuchten frühzeitig erkannt. Beispielsweise ist das Versagen eines Lagers frühzeitig vorhersagbar. Maschinen und Anlagen, die per Predictive Maintenance überwacht und gewartet werden, sind beispielsweise Windräder, Kraftfahrzeuge oder Turbinen. Ausfallzeiten von Windkraftanlagen lassen sich durch Predictive Maintenance fast vollständig vermeiden. Intelligente mathematische Algorithmen führen exakte Schwingungsanalysen von verschleißgefährdeten Komponenten durch und liefern zuverlässige Prognosen über Ausfallwahrscheinlichkeiten von Bauteilen, die extremen Belastungen ausgesetzt sind.

Auch in Fahrzeugen spielt Predictive Maintenance eine zunehmend wichtigere Rolle. Umfangreiche Datenerhebungen vieler verschiedener Sensoren im Motor und Fahrwerk helfen teure Reparaturen oder Ausfälle des Fahrzeugs zu verhindern und ermöglichen es, rechtzeitig vorbeugenden Aktivitäten einzuleiten. So können Fahrzeugteile beim nächsten Werkstattbesuch getauscht werden, bevor sie ihren Dienst versagen. Sind die Fahrzeuge vernetzt und liefern die Daten online an Servicewerkstätten oder den Fahrzeughersteller, kann der Fahrzeughalter bei zu erwartenden Problemen darüber informiert werden, die Werkstatt außerplanmäßig für eine dringend durchzuführende Wartung oder einen Teileaustausch aufzusuchen.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

IoT-Events im April 2019

Veranstaltungskalender

IoT-Events im April 2019

Der Frühling steht vor der Tür und damit auch wieder jede Menge Events verschiedener Formate rund um die Themenfelder Internet of Things und Industrie 4.0. lesen

Darauf kommt es bei der Wahl der richtigen BI-Lösung an

Kommentar von Robert Schmitz, Qlik

Darauf kommt es bei der Wahl der richtigen BI-Lösung an

Es spricht viel für die datengetriebene Neuaufstellung von Geschäftsprozessen, die Vertiefung von Kunden- und Lieferantenbeziehungen auf der Basis valider Datenauswertungen oder für ein ausgewogenes Risiko/Rendite-Verhältnis, das sich an profunden Analytics-Ergebnissen statt am Bauchgefühl orientiert. Damit Analytics-Projekte auch wirklich verwertbare Entscheidungsgrundlagen liefern, gilt es, die passende Business-Intelligence-Lösung für die gesetzten Ziele zu finden. lesen

Retrofit – alte Maschinen fit machen für Industrie 4.0

IoT-Nachrüstung

Retrofit – alte Maschinen fit machen für Industrie 4.0

Während viele Unternehmen nur über Industrie 4.0 reden, werden einige bereits aktiv und machen Ihre Fertigung nicht nur mit neuen Maschinen, sondern auch durch die Modernisierung alter Anlagen, dem sogenannten Retrofit, bereit für Industrie 4.0. lesen

Industrie 4.0 und IoT – 15 Start-ups aus Israel

Überblick

Industrie 4.0 und IoT – 15 Start-ups aus Israel

Das Silicon Valley des Nahen Ostens: Israels Tech-Szene gilt als erstklassig; nirgendwo anders gibt es, gemessen an der Einwohnerzahl, so viele Start-ups – und das aus sämtlichen Branchen. Ein Überblick aus dem Bereich Industrie 4.0 und IoT. lesen

Cloud als Treiber der Digitalisierung

Ungenutzte Datenschätze heben

Cloud als Treiber der Digitalisierung

Das Vertrauen in die Cloud wächst: Laut dem „Digital Office Index 2018“ vom Bitkom setzt bereits fast jedes zweite Großunternehmen auf Cloud Hosting und lässt die IT-Systeme über externe Dienstleister betreiben. lesen

Big Data Paris 2019 lädt zum Branchentreff

Fachkonferenz in Frankreich

Big Data Paris 2019 lädt zum Branchentreff

Am 11. und 12. März findet in Paris die Konferenz Big Data Paris 2019 statt. Bereits zum 8. Mal in Folge treffen sich dort renommierte Branchenexperten mit interessierten Teilnehmern, um datengesteuerte Unternehmen von morgen zu erkunden. lesen

Big Data ist ohne Kontext nutzlos

Asseco und BigPro-Forschung

Big Data ist ohne Kontext nutzlos

Der ERP-Spezialist Asseco beteiligte sich am Forschungsprojekt BigPro und stellte nun die Ergebnisse vor. Im Rahmen des Projekts wurde untersucht, wie Big-Data-Technologien das Störungsmanagement in Produktionsumgebungen sinnvoll unterstützen können. lesen

Thyssenkrupp Elevator und Willow liefern neue Einblicke

Kommentar von Prof. Michael Cesarz, Thyssenkrupp Elevator

Thyssenkrupp Elevator und Willow liefern neue Einblicke

Digital-Twin-Spezialist Willow nutzt eine digitale Nachbildung des seillosen MULTI-Aufzugs von Thyssenkrupp für die Integration von komplexen Aufzugsdaten in ein modernes Gebäudemanagement – und für eine neue Nutzungsqualität. lesen

Advanced-Analytics-Initiativen kommen nur langsam voran

Anwenderbefragung des BARC

Advanced-Analytics-Initiativen kommen nur langsam voran

Laut einer aktuellen Anwenderbefragung des Business Application Research Centers (BARC) kommen Initiativen zu Advanced Analytics nur schleppend voran. Bereits bestehende Projekte reifen allerdings deutlich. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44873563 / Definitionen)