Welche Herausforderungen bringt Predictive Maintenance mit sich?

Zunächst muss der Zugriff auf die Daten geklärt werden ("Konnektivität"), danach ob die Daten vollständig sind und den Normalbetrieb der Anlage abbilden. Für Predictive Maintenance vergleicht man dann die Laufzeitdaten aus dem Betrieb mit dem Modell des Normalbetriebs. Ein Prozessexperte kann dann interpretieren, ob Abweichungen zwischen Laufzeitdaten und Normalbetrieb tatsächlich auf Störungen in Komponenten oder Maschinen hinweisen. Während des Betriebs muss dann der "Drift" des Normalverhaltens der Anlage nachgelernt werden, um die Modelle aktuell zu halten (siehe dazu auch https://www.ki-engineering.eu/de/wissen-tools/paise.html).

Redictive Maintenance heißt übersetzt: Vorbeugende Instandhaltung.

Ähnlich wie bei der KFZ Inspektion, soll verhindert werden dass während eines Prozesse (Logisitk, Produktion, Verkehr..) eine oder mehrere Maschinen, Elemente o.ä. einen Defekt erleiden der zum Stillstand des gesamten Prozesses führt. Dieser Stllstand kann je nach Prozess mehrere Millionen kosten und führt zu Verzögerungen im Gesamtprozess. Basierend auf einem erfahrungsbezogenen Algorhytmus wird die Lebensdauer jedes potentiell gefährdeten Elementes im Prozess bestimmt. Hierzu werden bewährte Methoden eingesetzt. FMEA soll hier einmal als eine der oft genutzten Methoden genannt sein.

Danach wird festgelegt wann der beste Zeitpunkt für eine rechtzeitige Wartung / Reparatur etc. sinnvoll erscheint. Oft wird eine Wochenendschicht, an der ohnehin nicht gearbeitet wird, genutzt um die identifizierten Maschinen / Maschinenteile, etc. zu warten / ersetzen oder neu zu justieren. Hierdurch werden Ausfälle intelligent vermieden. 

Die Herausforderung bei Predictive Maintenance ist zum einen die Datenkonsitenz der Wartungsdaten und der dazugehörigen Einflussgrößen und zum anderen die richtigen Einflussgrößen zu den messbaren Wartungsgrößen vollständig und in der ausreichenden Stichprobengröße zu erfassen. Da Predictive Maintenance von der Qualität des Vorhersage-Modells lebt, ist derTeach-In / Maschinenlern-Datensatz repräsentativ auszuwählen. Dieser "Small Data" Ansatz bedeutet nichts anderes als ein möglichst großes Fenster über alle möglichen Einflussgrößen beim Maschinenlern- und Modellbildungs-Datensatz zu gewährleisten. Oder mit anderen Worten möglichst alle in der Produktion und der realen Welt vorkommenden Werte der Einflussgrößen im Maschienlern-Datensatz abzudecken. Darüber hinaus ist sicher zu stellen, dass alle wartungsrelevanten Messgrößen und Haupteinflussgrößen im Sinne einer Messsystemanalyse Typ II oder III valide mit < 10% messbar sind. Sonst wird das Predictive Maintenance Vorhersagemodell nicht viel Freude machen, da es zu sehr mit Messsytem Streuung behaftet ist.

Predictive Maintenance läßt sich mit dem Analyser sehr praxisnah und zielgerichtet umsetzen.

Predictive Maintenance einzuführen weil es hip ist bringt nur unnötige Ausgaben. Deshalb ist die größte Herausforderung zwischen sinnvoll/wirtschaftlich und unnötig zu unterscheiden.

Für die Einführung (z.B. Schwingungsanalyse) wird Fachkompetenz im eigenen Haus benötigt. Einfache Themen (z.B. Thermografie) können auch externe Dienstleister übernehmen.

Eine der größten Herausforderungen ist die Bereitstellung der richtigen Daten. 

IT Systeme gibt es viele aber das richtige für sich zu finden ist wichtig.

Predictive Maintenance oder Deutsch 'Vorausschauende Wartung' betrifft die Optimierung von Prozessen und Materialflüssen im Wartungsbereich.

Im Zuge der Digitalisierung und der Operationalisierung der Wartung von Anlagen werden immer häufiger Sensoren in den Maschinen, Fahrzeugen und Geräten verbaut, deren Daten dann die Zustände signalisieren. Eine Methode der P.M. ist die Aggregation der Daten und deren Auswertung. Dazu bedarf es eines Regelwerkes, um Auffälligkeiten zu entdecken.
Ihre Herausforderungen an die Wartung bestehen in der Anpassung der Prozesse (erst Wahrscheinlichkeiten von Fehlern/Verschleiß erkennen und dann handeln). Um den Erkenntnisprozess zu beschleunigen sind Ihre Fachkräfte auszubilden. Durch die Nutzung von BI-Tools (Cognos, Tableau, Qlik, u.a.) kann man eine Diagnose der Maschinendaten vornehmen, schneller Abnormitäten erkennen, Regeln erstellen und somit pro-aktiv Ausfälle erkennen und Gegenmaßnahmen einleiten.

BI ist nicht das Allheilmittel -  gerade eine mittelständige Firma ist damit schnell überfordert. Bei geringen Datenmengen ist man gefordert, Parameter festzulegen, Expertenwissen einzupflegen (Stichwort erfahrene Mitarbeiter) oder Smart Data Lösungen wie JACAMAR zu nutzen.

Im Idealfall Industrie 4.0 geht von einer Maschine/Anlage (internet of things) eine Bestellung eines Verschleißteils an den Produktionsleiter und an den Einkauf.