Definition

Was ist Predictive Maintenance?

| Autor / Redakteur: Stefan Luber / 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

Der Weg zum Labor der Zukunft

IoT-Plattformen

Der Weg zum Labor der Zukunft

Industrie 4.0 ist mehr als Anlagen- und Maschinenbau. Auch im Pharmalabor können entsprechende Technologien eingesetzt werden, um Prozesse effizienter zu gestalten und Abläufe zu vereinfachen. Wie der Weg zum smarten Labor auf Basis einer IoT-Plattform aussehen kann. lesen

IoT-Events im April 2020

Veranstaltungskalender

IoT-Events im April 2020

Wenn man dem wechselhaften Aprilwetter entfliehen möchte, bieten verschiedenste Veranstaltungen rund um das Internet of Things und Industrie 4.0 im April dazu die Möglichkeit. lesen

Mit dem Sensor zum Digitalen Zwilling

Zustandsüberwachung

Mit dem Sensor zum Digitalen Zwilling

Statt Sensordaten nur für einen Warnhinweis zu nutzen, wann ein Bauteil ausgetauscht werden sollte, haben Forscher eine neue Lösung entwickelt, die mehr aus den Daten macht. Dabei wird der Sensor mit einer IoT-Plattform verknüpft. lesen

Hannover Messe 2020 im Zeichen von Cloud, KI und 5G

Digitale Ökosysteme

Hannover Messe 2020 im Zeichen von Cloud, KI und 5G

Wurden bis vor Kurzem Prozesse und Techniken noch separat betrachtet, steht auf der Hannover Messe 2020 eine ganzheitliche Darstellung von Abläufen und Lösungen im Vordergrund. Im stark wachsenden Ausstellungsbereich Digital Ecosystems werden alle relevanten Themenbereiche abgebildet. lesen

Vier Robotik- und KI-Trends für 2020

Automatisierung

Vier Robotik- und KI-Trends für 2020

Auf welche Technologien sollten Unternehmen 2020 setzen, um sich zukunftssicher aufzustellen? Omron hat vier Robotik- und KI-Trends zusammengestellt. lesen

Fraunhofer bereitet Mittelständler auf KI-Einführung vor

AI Kick-Starter Bundle

Fraunhofer bereitet Mittelständler auf KI-Einführung vor

Um wettbewerbsfähig zu bleiben, scheint der Einsatz von Künstlicher Intelligenz in Zukunft unverzichtbar. Mit einem „AI Kick-Starter Bundle“ wollen drei Fraunhofer-Institute gezielt mittelständischen Unternehmen bei der KI-Einführung unter die Arme greifen. lesen

Neo4j bringt Graphdatenbank in die Cloud

DBaaS mit Neo4j Aura

Neo4j bringt Graphdatenbank in die Cloud

Wer vernetzte Daten managen, auswerten und sinnvoll für Geschäftsprozesse nutzt, verschafft sich im Zeitalter von Big Data und IoT einen wichtigen Vorsprung. Amazon und Google haben dafür eigene Graphdatenbanken entwickelt. Mit Neo4j Aura kommt nun eine Graphdatenbank-as-a-Service, mit der auch kleinere und mittlere Unternehmen zum Zug kommen. lesen

Die vier Trends der Künstlichen Intelligenz für 2020

Automatisierung

Die vier Trends der Künstlichen Intelligenz für 2020

Künstliche Intelligenz (KI) ist bereits seit einigen Jahren Hype-Thema in den verschiedensten Branchen. lesen

Smartes Stammdatenmanagement als Beschleuniger des IoT

Datenkonsolidierung

Smartes Stammdatenmanagement als Beschleuniger des IoT

Ein bisher unterschätztes Potenzial birgt die Verknüpfung von Maschinen- und Geschäftspartnerdaten. Bei der Konsolidierung von Daten kann ein Multiple Golden Record bei behilflich sein. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 44873563 / Definitionen)