Sobald es um das Thema Industrie 4.0 und die Weiterverarbeitung von gewonnenen Daten geht, führt kaum noch ein Weg an „Predictive Maintenance“ vorbei. Bereits 2017 hat eine Studie des VDMAs unter deutschen Industrieunternehmen festgehalten, dass es sich dabei um ein zentrales Thema für Unternehmen im deutschen Maschinenbau handelt. Zwei Jahre später sind es einer Statistik zufolge nur 38 Prozent von 323 befragten Industrieunternehmen in Deutschland, die keine Predictive Maintenance-Anwendung nutzen. Was sich hinter Predictive Maintenance verbirgt, wie das funktioniert und warum Unternehmen davon profitieren, verraten wir im folgenden Beitrag.
Industrie 4.0 als Bühne für Predictive Maintenance
Mit der industriellen Revolution dank IoT (Internet of Things) zur Industrie 4.0 ist Predictive Maintenance aktiv in den Fokus gerückt. Durch die zunehmende Digitalisierung unter Rückgriff auf das Internet der Dinge ist es möglich, Maschinen intelligent untereinander zu verbinden und – was in diesem Zusammenhang deutlich wichtiger ist – die entsprechenden Daten der Maschinen auszulesen. Das Messen und Auslesen der einzelnen Daten mithilfe von z. B. Sensoren ermöglicht die vorausschauende Wartung von Maschinen.
Ganz simpel ausgedrückt bedeutet das: Eine Maschine kann Daten versenden. Diese werden dazu genutzt, die Arbeit der Maschine permanent zu überwachen. Die gesammelten Daten werden gespeichert, mit vergangenen Maschinendaten verglichen und dann ausgewertet. Basierend auf der Auswertung können weitere Handlungsschritte, z. B. Optimierungen, vorgenommen werden.
Was ganz einfach klingt, ist vor dem Hintergrund eines gewissen technischen Aufwandes zu betrachten. Um die vollumfänglichen Vorteile von Predictive Maintenance nutzen zu können, müssen die entsprechenden Voraussetzungen geschaffen werden:
Die Grundvoraussetzungen für Predictive Maintenance
Im ersten Schritt muss es grundlegend möglich sein, dass die gewonnenen Daten von Maschinen gesammelt werden können. Damit nicht nur einzelne Maschinen dabei ausgelesen werden, empfiehlt sich eine flächendeckende Vernetzung. Diese erfolgt über Sensoren. Hier spielen Übertragungstechniken und Standards wie beispielsweise RFID, LPWAN, NB-IoT, Sigfox und Edge Computing eine Rolle. Die Sensoren sammeln verschiedene Informationen – u. a. Temperaturen, Druck, Auslastung, Produktionsqualität, Vibration und Lärmentwicklung. Die gesammelten Daten bilden die Basis für alle weiteren Schritte in Richtung Predictive Maintenance.
Schritt 2 für die Grundvoraussetzungen für Predictive Maintenance
Im zweiten Schritt müssen die Daten einen Ort haben, an dem sie angesammelt und anschließend auch wieder verteilt werden können. Hierzu bieten sich dann Cloud-Lösungen an, um diesem Ansturm von „Big Data“ standzuhalten. Die meisten Cloud-Lösungen greifen dazu auf eine unstrukturierte Sammlung von Daten zurück, sogenannten Data Lakes.
Hierzu eine kurze Erläuterung: Strukturierte Daten werden sauber sortiert in entsprechenden Ordnern abgelegt, sodass jederzeit bewusst ist, welche Daten in welchem Ordner zu finden ist. Im Fall von Data Lakes werden die Daten in einem großen „See“ (Lake) gesammelt – ohne System und ohne eine bestimmte Ordnung.
Die Datenanalyse für die vorausschauende Wartung
Bis zu dem letzten Schritt werden die Daten lediglich gelagert und noch nicht in einer verwendbaren Form aufbereitet. Für die weitere Verarbeitung und Aufbereitung wird die Nutzung eines Analysetools empfohlen. Die jeweilige Nutzeroberfläche dieser Tools ermöglicht es, ausschließlich die relevanten Daten im Zugriff zu haben und Probleme rechtzeitig zu erkennen. Dazu kann unter anderem auf Künstliche Intelligenz (KI) zurückgegriffen werden.
Eine Option in diesem Zusammenhang ist das Maschinelle Lernen (ML = Machine Learning). Dabei werden auf Basis von Algorithmen Modelle entwickelt, die auf neue, unbekannte Daten angewendet werden können. Die Modelle werden dazu genutzt, um Empfehlungen, Entscheidungen und auch Vorhersagen zu treffen. Durch die permanent neuen Daten, die der Algorithmus erhält, ist es möglich die einzelnen Modelle immer wieder nachzujustieren und an veränderte Ausgangslagen anzupassen. Die Anwendung selbst des Maschinellen Lernens ist nicht nur auf Geräte und Maschinen reduziert, sondern kann ebenfalls auf Bots (Chatbots, Voicebots und weitere digitale Assistenten) übertragen werden.
Darum lohnt sich Predictive Maintenance – die Vorteile
Die einzelnen Schritte, um zu einem Status der vorherschauenden Wartung zu gelangen, sind mit einem großen Aufwand verbunden. Für eine reibungslose Integration ist es ratsam, im Vorfeld einen Proof of Concept (PoC) sowie im Anschluss ein Minimum Viabel Product (MVP) zu erstellen, bevor die flächendeckende Integration erfolgt. Dadurch ist es möglich, eine passende Lösung zu finden, die perfekt auf die individuellen Gegebenheiten eingeht. Der Aufwand dazu lohnt sich auf unterschiedlichen Ebenen:
- Reduzieren von Kosten
Dank der umfassenden Analyse einzelner Prozessschritte, können diese immer wieder angepasst und verbessert werden. Daneben profitieren Unternehmen noch von weiteren entscheidenden Faktoren: Durch die Überwachung der Maschinenfunktionen können Störungen frühzeitig erkannt werden, wodurch sich die Wartungsprozesse und Abläufe optimieren lassen. Zum einen können dadurch feststehende Wartungszyklen abgeschafft werden. Gleichzeitig werden damit Maschinenteile nur dann ausgewechselt, wenn sie tatsächlich defekt sind. Dadurch wird der Verbrauch von Verschleißteilen reduziert. Parallel dazu erhöht sich damit auch die Lebenserwartung einer Anlage.
Des Weiteren verringern sich die Ausfallkosten einer Maschine. Aufgrund der Vorhersage von Störungen und Fehlern gibt es deutlich weniger ungeplante Stillstände. Stattdessen können Termine zur Fehlerbehebung zu optimalen Zeiten für die Produktion vereinbart werden. - Steigerung der Qualität
Aufgrund der durchgängig ausgelesenen Produktionsdaten werden Qualitätsabweichungen unmittelbar erkannt, sodass direkt reagiert werden kann. Entsprechend können immer wieder die einzelnen Schritte in der Produktion optimiert und auf einem gleichbleibenden Level durch die Produktion hinweg gehalten werden. - Steigerung der Kundenzufriedenheit
Predictive Maintenance lässt sich ebenfalls nutzen, um den Customer Service zu erweitern, dahingehend neue Geschäftsmodelle zu entwickeln und damit die Kundenzufriedenheit nachhaltig steigern – sei es im B2B- oder im B2C-Bereich. Insbesondere im B2C-Bereich ermöglichen es angebundene weitere Prozesse in Kombination mit Predictive Maintenance eine exakte Nachverfolgung des Produktions- und Versandstatus, sodass der Kunde immer genau weiß, wann er seine Lieferung erhält.Auch im B2B-Bereich ist die Entwicklung neuer Geschäftsmodelle rund um den Customer Service möglich. Neben einem proaktiven Service, können Predictive Maintenance inklusive der gesammelten Daten in einem weiteren Schritt zu Subscription-Modellen wie x-as-a-Service führen.
Zusammengefasst
Predictive Maintenance wirkt im ersten Moment wie eines von vielen Buzzwords im Rahmen von Industrie 4.0. Allerdings ist eine Investition in die vorausschauende Wartung für Unternehmen durchaus lohnenswert und – mit einem Blick in die Zukunft – unumgänglich.
Neugierig geworden? Folgende Themen könnten Sie in diesem Zusammenhang ebenfalls interessieren:
Materna Microsite: Big Data, Cloud und IoT
Materna Microsite: Predictive Maintenance
Blog-Beitrag: Digitalwirtschaft – Wie der IT-Mittelstand die digitale Transformation vorantreibt
Blog-Beitrag: Digitalisierung in Deutschland
Blog-Beitrag: Wie das Internet of Things den Customer Service revolutioniert
