Predictive Analytics:Mehrwert schaffen, der über die Wartung hinausgeht

Erzielen Sie echte Vorteile aus Ihrem Predictive-Analytics-Programm? Die meisten Predictive-Analytics-Programme ersetzen vibrationsbasierte Predictive-Maintenance-Programme konzentrierte sich auf die einzigartige Mission der Fehlerverhütung. Seit der Einführung mikroprozessorbasierter Datensammler im Jahr 1980 haben weniger als drei Prozent (3 %) dieser Programme zu nachweisbaren Einsparungen geführt, die ihre wiederkehrenden Kosten ausgleichen.

Insgesamt haben diese Programme eine Reduzierung ungeplanter Ausfallzeiten angepriesen, in allen Fällen jedoch die geplante Ausfallzeit erhöht, die erforderlich ist, um die wahrgenommenen drohenden Ausfälle zu verhindern. Die meisten dieser Programme führten zu einer Erhöhung der gesamten Wartungsausfallzeit sowie der gesamten Wartungsarbeits- und Materialkosten. Obwohl der Anschein von Vorteilen bestehen mag, haben sich diese Programme als kontraproduktiv erwiesen. Nicht wegen technologischer Einschränkungen, sondern wegen unsachgemäßer Nutzung dieser Technologien.

Drei Hauptfaktoren haben und begrenzen die Vorteile von Predictive Analytics bereitstellen könnten, nämlich: 

• Wenn Sie sich auf die Fehlerverhütung konzentrieren, werden Sie keine positiven Ergebnisse erzielen. Wenn Sie das wollen, ist das das Beste, was Sie erreichen können, und die Fehlervermeidung trägt nicht dazu bei, die Zuverlässigkeit zu verbessern oder die Kosten zu senken. 
• Beschränkung der prädiktiven Analyse auf Wartung und Wartungsmängel – Daten zeigen, dass 17 % der Anlagenausfälle auf Wartungsprobleme zurückzuführen sind, der Großteil (83 %) auf andere Mängel innerhalb der Organisation zurückzuführen ist. Die Erweiterung des Anwendungsbereichs um kausale Faktoren wie die Betriebsweise in die Analyse wird nicht nur dabei helfen, die treibenden Funktionen hinter Ausfällen zu verstehen, sondern auch Mängel zu identifizieren, die die Zuverlässigkeit beeinträchtigen und die Betriebskosten erhöhen.
• Wertstromanlagen aus dem Programm ausschließen – Vibrationsprogramme werden von Technologieanbietern konzipiert und umfassen einfache rotierende Anlagen, Thermografie für elektrische Geräte und Schmierölanalyse als Backup für Vibrationen. Das eklatante Versäumnis betrifft die Vermögenswerte, die Einnahmen generieren – Vermögenswerte, die nicht einfach sind, möglicherweise nicht dynamisch, aber ohne sie kann das Unternehmen nicht überleben.

Predictive Analytics ist nicht nur Wartung, es ist auch kein bloßer Ersatz für Predictive Maintenance. Es gibt keine Einschränkungen. Predictive Analytics ist auf jede wiederkehrende Aktivität anwendbar – unabhängig davon, ob es sich um einen physischen Vermögenswert handelt , ein Produktionssystem oder die Finanzabteilung in Ihrer Organisation. In diesem Artikel beschränken wir die Diskussion auf physische Anlagen und darauf, wie prädiktive Analysen, die auf der Betriebsdynamik basieren, es Ihnen ermöglichen können, die optimale Leistung Ihrer Anlagen zu erzielen und aufrechtzuerhalten.

Wenn Sie die optimale Leistung, Zuverlässigkeit und wirtschaftliche Nutzungsdauer Ihrer Anlagen erreichen möchten, begleiten Sie uns bei diesem aufschlussreichen Ansatz für echte prädiktive Analysen, die funktionieren. Anstatt sich ausschließlich auf die Fehlervermeidung zu konzentrieren, wird ein Fokus auf die Aufrechterhaltung des Wertstroms und kritischer Hilfsanlagen in ihrem Entwurfs- oder optimalen Betriebszustand nicht nur Fehler reduzieren, sondern gleichzeitig auch ihre wirtschaftliche Nutzungsdauer verlängern und die Gesamtbetriebskosten des Unternehmens senken. Dies ist der einzige effektive Weg, um eine optimale Rendite auf das investierte Kapital sowie eine Umsatzgenerierung zu erzielen.

Einleitung

Ein gemeinsamer Faktor für das Scheitern dieser Altprogramme ist ihre Fixierung auf die Ausfallarten von Kapitalanlagen und nicht auf die dahinter stehenden ursächlichen Faktoren. Ein einfaches Beispiel ist die Identifizierung eines defekten Lagers und die Durchführung einer Korrekturmaßnahme zum Austausch des Lagers. Aber ohne die offensichtliche Frage zu stellen, was den Ausfall des Lagers verursacht hat, handelt es sich um eine sich selbst erfüllende Prophezeiung, die zum Scheitern verurteilt ist.

Selbst wenn physische Ausfälle der Hauptgrund für Ausfallzeiten und hohe Wartungskosten wären, kann dieser Ansatz das Problem einfach nicht lösen. Solange Sie sich nicht auf die zugrunde liegenden Kausalfaktoren konzentrieren, die die Zuverlässigkeit und die wirtschaftliche Nutzungsdauer verringern und dadurch die Betriebskosten und Wartungsinvestitionen erhöhen, ist das Programm zur prädiktiven Analyse zum völligen Scheitern verurteilt. 

Ein Beispiel für einen fehlerbasierten Ansatz war ein großes, integriertes Stahlwerk, das ein vertragliches Programm zur vorausschauenden Wartung für das Werk implementierte. Vor Beginn des Programms kam es in der Mühle zu ungeplanten Ausfallzeiten und hohen Wartungskosten. Nach sechs Jahren Programmlaufzeit meldeten sie eine Reduzierung der ungeplanten Ausfallzeiten um 35 %.

Ein gelungenes Ergebnis, oder? Nicht, wenn man sich die tatsächliche Veränderung in diesen sechs Jahren ansieht. Ihre ungeplanten Ausfallzeiten waren zwar geringer, aber ihre geplanten Ausfallzeiten – um die vermeintlich defekten Lager, Zahnräder und anderen Verschleißteile auszutauschen – stiegen um 65 %.

Die andere bemerkenswerte Änderung betraf die Wartungskosten im Jahresvergleich. Die gesamten Arbeits- und Materialkosten stiegen um mehr als 80 %. Die Kosten für Ersatzlager stiegen von 2,4 Millionen US-Dollar auf 14,7 Millionen US-Dollar, Zahnräder und andere Verschleißteile folgten einem ähnlichen Muster. 

Misserfolge sind nicht die Norm. Anlagen, die so konzipiert sind, dass sie zuverlässig sind, konsequent innerhalb der Designgrenzen betrieben werden und eine angemessene nachhaltige Wartung erhalten, bleiben weit über ihre geplante Lebensdauer hinaus zuverlässig. Das Problem bei fehlergesteuerten prädiktiven Analysen besteht darin, dass nicht anerkannt wird, dass die Art und Weise, wie wir Anlagen betreiben und warten, zu einer sich selbst erfüllenden Prophezeiung werden kann. Wir erzeugen beschleunigten Verschleiß, induzieren anormale Betriebsbedingungen, die den Verschleiß beschleunigen, und verschieben dann die Aufrechterhaltung einer Wartung, die den Schaden zumindest mindern würde.

Die Lösung

Zumindest aus technischer Sicht ist es nicht so schwierig, die Einschränkungen der prädiktiven Analyse zu beseitigen. Klassische Vorhersagetechnologien stellen keine Einschränkung dar. Wenn sie effektiv eingesetzt werden, bieten sie die Möglichkeit, positive Ergebnisse zu erzielen.

Das Stahlwerk ist ein gutes Beispiel. Als ihr Programm von fehlergesteuerter zu echter prädiktiver Analyse überging, vollzog sich die Änderung fast unmittelbar. In weniger als einem Jahr sanken die Kosten für Wartungsmaterialien auf weniger als 2 Millionen US-Dollar.

Am Beispiel des Lagers konzentrierte sich das neue Programm auf die ursächlichen Faktoren hinter den gemeldeten Lagerausfällen und implementierte Korrekturmaßnahmen zu deren Beseitigung. Die Eliminierung des ursächlichen Faktors beseitigte sofort den chronischen vorzeitigen Ausfall, der die Kosten in die Höhe trieb und die Ersatzkosten drastisch reduzierte.

Im zweiten Jahr sanken die Kosten für Lager und andere Verschleißteile noch weiter. Eine Reduzierung der Wartungskosten um 60 % führte dazu, dass das Werk konstant eine um 30 % höhere Produktionsrate als vor der Schwerpunktverlagerung erzielte. 

Der Erfolg Ihres prädiktiven Analyseprogramms muss die Betriebsdynamik der Anlagen, Systeme und Prozesse berücksichtigen, aus denen die Anlage besteht. Dabei müssen die inhärenten Designbeschränkungen, Betriebsmodi und der Grad der nachhaltigen Wartung berücksichtigt werden, die ihre Dynamik bestimmen. 

Ein weiteres Beispiel für den Unterschied zwischen fehlergesteuerter und echter prädiktiver Analyse sind siebenhundert Schlammpumpen in einer Raffinerie. Die Raffinerie verfügte über ein gut etabliertes vorausschauendes Wartungsprogramm mit tragbaren Datensammlern. Die Techniker gingen jeden Tag pflichtbewusst ihre Wege ab und das System meldete, wann jede dieser Pumpen gewartet werden musste, um einen drohenden Ausfall zu verhindern.

Im Laufe der Zeit stiegen die mit Pumpenumbauten verbundenen Kosten auf über 10 Millionen US-Dollar pro Jahr. Den Büchern zufolge funktionierte das Programm und es wurden nur wenige Ausfallzeiten aufgrund von Pumpenausfällen gemeldet. 

Als das Predictive-Analytics-Programm für echte Betriebsdynamik das Predictive-Maintenance-Programm ersetzte Die Ergebnisse veränderten sich dramatisch. Da das neue Programm nach ursächlichen Faktoren suchte, anstatt bei Fehlermodi stehen zu bleiben, wurde deutlich, dass der Grund dafür, dass 11 % der Pumpen jährlich größere Reparaturen erforderten, in ihrer Betriebsart lag.

Ferngesteuerte Auslassventile steuerten jede Pumpe. Die Analyse ergab, dass der Regelbereich die Pumpen dazu zwang, deutlich außerhalb der Best-Practice-Empfehlungen zu arbeiten. Die daraus resultierende Instabilität führte zu beschleunigtem Verschleiß und schweren Schäden an der rotierenden Baugruppe und dem Gehäuse.

Um das Problem zu beheben, änderte der Kunde die Betriebsparameter, um den Regelbereich auf +/- 10 % des BEP zu begrenzen, wodurch die jährlichen Reparaturkosten auf weniger als 1 Million US-Dollar sanken. Ein weiterer Vorteil der prädiktiven Analyse bestand darin, dass sie die Auswirkungen des alten Regelbereichs auf den Stromverbrauch erkannte.

Statt der 160 PS bei BEP leisteten die Pumpen im Schnitt knapp 300 PS. Der Unterschied im jährlichen Stromverbrauch betrug mehr als 7 Millionen US-Dollar. In dieser einen Anwendung reduzierten prädiktive Analysen die Kosten im Jahresvergleich um mehr als 16 Millionen US-Dollar . 

Wie es funktioniert

Die Anwendung prädiktiver Analysen auf die Vermögensverwaltung ist nicht so kompliziert; Sie müssen lediglich logisch denken und die Zuverlässigkeits- und Nachhaltigkeitsanforderungen der Vermögenswerte in Ihrem Unternehmen klar bestimmen. 

Die folgenden Schritte definieren den Prozess:
 

Bestimmen Sie die inhärente Zuverlässigkeit jedes Assets

Zuverlässigkeit wird durch Design bestimmt. Alle Aktivitäten nach dem Design müssen diese inhärente Zuverlässigkeit aufrechterhalten, um eine optimale Kapitalrendite zu erzielen. Dieser erste entscheidende Schritt bestimmt nicht nur die inhärenten Schwächen jedes Vermögenswerts oder Systems, sondern auch die Betriebs- und Wartungsweise, die erforderlich ist, um die inhärente Zuverlässigkeit aufrechtzuerhalten und eine optimale wirtschaftliche Nutzungsdauer jedes Vermögenswerts zu erreichen. 

Physik des Scheiterns

Definieren Sie klar alle Fehlermodi und ihre ursächlichen Faktoren für jede Anlage oder jedes System. Dabei muss es sich um mehr als eine einfache FMEA handeln oder Listen wahrgenommener Fehler. Es müssen alle Abweichungen von Best Practices berücksichtigt werden, beispielsweise die Auswirkungen verschiedener Betriebsmodi – Produktion und Wartung. Denken Sie daran, dass nur 17 % der Anlagenausfälle auf unsachgemäße Wartung zurückzuführen sind. Die restlichen 83 % sind auf Mängel im operativen Bereich zurückzuführen.

Es ist wichtig, Fehler zu verstehen, aber auch das Verständnis der kausalen Faktoren oder Antriebsfunktionen, die zu diesem Fehler führen, ist von entscheidender Bedeutung. Wenn Sie den Fehlermodus kennen, können Sie ihn möglicherweise antizipieren und eine schnelle Wiederherstellung durchführen – aber das trägt nicht dazu bei, die Zuverlässigkeit zu verbessern oder ein erneutes Auftreten zu verhindern. Kausale Faktoren liefern das erforderliche Wissen, um das anfängliche und erneute Auftreten eines Fehlers zu verhindern.

Welche Parameter identifizieren Fehlermodi und ursächliche Faktoren

Sobald Sie ein umfassendes Verständnis der inhärenten Zuverlässigkeit, der Fehlermodi und ihrer ursächlichen Faktoren haben, besteht der nächste Schritt darin, spezifische Parameter wie Vibration oder Wärmeverteilung zu bestimmen, die als Eingabe für eine prädiktive Analyse-Engine benötigt werden. Predictive Analytics ist, wie jede andere Form der Diagnostik, von der Qualität und Vollständigkeit der Eingabedaten abhängig.

Beispielsweise reicht die Eingabe hochauflösender Breitband- und diskreter Schmalband-Vibrationsdaten für eine effektive Analyse des mechanischen Zustands einer Pumpe aus, reicht jedoch möglicherweise nicht aus, um die ursächlichen Faktoren zu bestimmen, die eine frühzeitige Erkennung und Korrektur von Abweichungen ermöglichen könnten, die, wenn sie unbekannt bleiben, zu einem Ausfall führen könnten. In den meisten Fällen handelt es sich bei diesen Parametern um eine Kombination aus Prozessdaten, die aus vorhandenen Überwachungs- und Steuerungssystemen extrahiert werden, und direkt gemessenen Daten, die in die Predictive-Analytics-Engine integriert sind. Bei dynamischen Anlagen und Systemen umfasst Letzteres den Einsatz intelligenter Sensoren, die Edge-Analysen, maschinelles Lernen und künstliche Intelligenz integrieren, die strategisch auf der Anlage, dem Prozess oder dem System platziert sind.

Anomalieerkennungsmodell

Durch die Kombination der bisher in dieser Diskussion gewonnenen Erkenntnisse besteht der letzte Schritt einer effektiven prädiktiven Analyse in der Entwicklung eines betriebsdynamischen oder physikalischen Modells, das kontinuierlich Daten von jeder Anlage, jedem System oder jedem Prozess erfassen und außerdem alle Variablen automatisch analysieren, alle Abweichungen vom Normalzustand identifizieren, kausale Faktoren hinter jeder Abweichung identifizieren und präskriptive Anweisungen für Korrekturmaßnahmen generieren kann. Offensichtlich ist das ODA-Modell der Schlüssel zu einer effektiven prädiktiven Analyse. Jeder erfahrene Zuverlässigkeitsingenieur sollte in der Lage sein, eine bestimmte Anlage zu einem bestimmten Zeitpunkt in ihrem Lebenszyklus zu bewerten und das Gleiche zu tun.

Der Unterschied besteht darin, dass es nicht genügend qualifizierte Zuverlässigkeitsingenieure oder Stunden am Tag gibt, um alle Anlagen kontinuierlich zu analysieren. Predictive-Analytics-Engines ermüden nicht, langweilen sich nicht und lassen sich nicht ablenken.

Zusammenfassend lässt sich sagen, dass die wahre Wirksamkeit von Predictive-Analytics-Programmen nicht in ihrer bloßen Existenz, sondern in ihrer strategischen Umsetzung liegt. Der vorherrschende Fokus auf Fehlerverhütung ist zwar gut gemeint, greift aber oft zu kurz, da die zugrunde liegenden Kausalfaktoren nicht angegangen werden können. Die Umstellung auf einen ganzheitlichen Ansatz, der die Dynamik von Anlagen und betrieblichen Feinheiten berücksichtigt, bringt greifbare Vorteile mit sich, wie sich in erfolgreichen Übergängen von fehlerorientierten Paradigmen zu echten prädiktiven Analyseparadigmen zeigt. 

Durch die Anerkennung der entscheidenden Bedeutung der Aufrechterhaltung des Wertstroms und der Hilfsanlagen können Unternehmen nicht nur Ausfälle mindern, sondern auch die Leistung optimieren und die Gesamtbetriebskosten senken. Die Nutzung prädiktiver Analysen als Instrument zur Verbesserung der Zuverlässigkeit, zur Verlängerung der wirtschaftlichen Nutzungsdauer und zur Minimierung der Betriebskosten bedeutet einen Paradigmenwechsel hin zu proaktiven Asset-Management-Strategien, die eine optimale Rendite des investierten Kapitals und eine nachhaltige Umsatzgenerierung gewährleisten.

Über den Autor

Über den Autor