Prädiktive Analytik: Wertschöpfung jenseits der Instandhaltung

Erzielen Sie echte Vorteile aus Ihrem prädiktiven Analytik-Programm? Die meisten prädiktiven Analytik-Programme sind Ersatz für vibrationsbasierte vorausschauende Instandhaltungsprogramme, die sich auf die singuläre Mission der Ausfallverhütung konzentrieren. Seit der Einführung mikroprozessorbasierter Datensammler 1980 haben weniger als drei Prozent (3 %) dieser Programme zu verifizierbaren Einsparungen geführt, die ihre laufenden Kosten decken.

Insgesamt haben diese Programme eine Reduzierung ungeplanter Ausfallzeiten propagiert, in allen Fällen jedoch die geplante Ausfallzeit erhöht, die zur Verhinderung wahrgenommener drohender Ausfälle erforderlich war. Die meisten dieser Programme haben die gesamte Instandhaltungsausfallzeit sowie die gesamten Instandhaltungsarbeits- und Materialkosten erhöht. Zwar mag der Anschein von Vorteilen bestehen, doch diese Programme haben sich als kontraproduktiv erwiesen – nicht wegen technologischer Grenzen, sondern wegen unsachgemäßer Nutzung dieser Technologien.

Drei Hauptfaktoren begrenzen die Vorteile, die prädiktive Analytik bieten könnte:

• Fokus auf Ausfallverhütung vorprogrammiert, dass keine positiven Ergebnisse erzielt werden – Wenn das Ihr Ziel ist, ist das das Beste, was Sie hoffen können. Ausfallverhütung verbessert weder die Zuverlässigkeit noch senkt sie Kosten.
• Beschränkung der prädiktiven Analytik auf Instandhaltung und Instandhaltungsmängel – Daten zeigen, dass 17 % der Anlagenausfälle auf Instandhaltungsprobleme zurückzuführen sind, die Mehrheit (83 %) resultiert aus anderen Mängeln innerhalb der Organisation. Die Erweiterung des Umfangs auf Kausalitätsfaktoren wie den Betriebsmodus in die Analytik hilft nicht nur, die treibenden Kräfte hinter Ausfällen zu verstehen, sondern auch Mängel zu identifizieren, die die Zuverlässigkeit mindern und Betriebskosten erhöhen.
• Auslassung wertschöpfender Assets aus dem Programm – Bedingt durch Technologieanbieter umfassen Vibrationsprogramme einfache rotierende Assets, Thermografie für elektrische Geräte und Schmierölanalysen als Backup für Vibration. Die offensichtliche Lücke sind die Assets, die Umsatz generieren – Assets, die nicht einfach sind, möglicherweise nicht dynamisch, ohne die das Unternehmen nicht überleben kann.

Prädiktive Analytik ist nicht nur Instandhaltung, sie ist auch kein bloßer Ersatz für vorausschauende Instandhaltung. Sie kennt keine Grenzen. Prädiktive Analytik ist auf jede wiederkehrende Aktivität anwendbar – sei es ein physisches Asset, ein Produktionssystem oder die Finanzabteilung Ihrer Organisation. In diesem Artikel beschränken wir die Diskussion auf physische Assets und wie prädiktive Analytik, basierend auf den Betriebsdynamiken, die Fähigkeit ermöglichen kann, optimale Leistung aus Ihren Assets zu gewinnen und zu erhalten.

Wenn Sie optimale Leistung, Zuverlässigkeit und wirtschaftlichen Nutzen aus Ihren Assets ziehen wollen, begleiten Sie uns bei diesem aufschlussreichen Ansatz für echte prädiktive Analytik, die funktioniert. Statt eines singulären Fokus auf Ausfallverhütung wird ein Fokus auf die Erhaltung des Wertstroms und kritischer Hilfsassets in ihrem konstruktiven oder optimalen Betriebszustand nicht nur Ausfälle reduzieren, sondern gleichzeitig ihre wirtschaftliche Nutzungsdauer verlängern und die Gesamtkosten des Eigentums (Total Cost of Ownership) der Organisation senken. Dies ist der einzige effektive Weg, um optimalen Return on Invested Capital sowie Umsatzgenerierung zu erzielen.

Einführung

Ein gemeinsamer Faktor, der das Scheitern dieser Legacy-Programme antreibt, ist ihre Fixierung auf die Ausfallmodi von Kapitalanlagen statt auf die dahinterliegenden Kausalitätsfaktoren. Ein einfaches Beispiel: Ein defektes Lager wird identifiziert und die Korrekturmaßnahme lautet, das Lager zu ersetzen. Aber ohne die offensichtliche Frage zu stellen, was das Lager zum Versagen brachte, ist dies eine sich selbst erfüllende Prophezeiung, die zum Scheitern verurteilt ist.

Selbst wenn physische Ausfälle der primäre Grund für Ausfallzeiten und hohe Instandhaltungskosten wären, kann dieser Ansatz das Problem schlicht nicht lösen. Solange Ihr Fokus nicht auf den zugrundeliegenden Kausalitätsfaktoren liegt, die Zuverlässigkeit, wirtschaftliche Nutzungsdauer mindern und dadurch Betriebskosten sowie Instandhaltungskapitalausgaben erhöhen, verurteilen Sie das prädiktive Analytik-Programm zum völligen Scheitern.

Ein Beispiel für einen ausfallbasierten Ansatz war ein großes, integriertes Stahlwerk, das ein vertragliches vorausschauendes Instandhaltungsprogramm für das Werk implementierte. Vor Programmstart plagten ungeplante Ausfallzeiten und hohe Instandhaltungskosten das Werk. Nach sechs Jahren berichteten sie, ungeplante Ausfallzeiten um 35 % reduziert zu haben.

Ein erfolgreiches Ergebnis, richtig? Nicht, wenn man die tatsächliche Veränderung über diese sechs Jahre betrachtet. Zwar war ihre ungeplante Ausfallzeit geringer, aber ihre geplante Ausfallzeit – zum Austausch der wahrgenommen defekten Lager, Getriebe und anderer Verschleißteile – stieg um 65 %.

Die andere bemerkenswerte Veränderung war in ihren Jahresszenvergleich der Instandhaltungskosten. Gesamte Arbeits- und Materialkosten stiegen um mehr als 80 %. Kosten für Austauschlager stiegen von 2,4 Mio. $ auf 14,7 Mio. $, Getriebe und andere Verschleißteile folgten ähnlichen Mustern.

Ausfälle sind nicht die Norm. Assets, die zuverlässig ausgelegt sind, konsequent innerhalb der Konstruktionsgrenzen betrieben werden und angemessene Erhaltungsinstandhaltung erhalten, bleiben weit über ihre Konstruktionslebensdauer hinaus zuverlässig. Das Problem der ausfallgetriebenen prädiktiven Analytik ist die Nichtanerkennung, dass unsere Art zu betreiben und zu warten zu einer sich selbst erfüllenden Prophezeiung werden kann. Wir erzeugen beschleunigten Verschleiß, induzieren abnormale Betriebsbedingungen, die Verschleiß beschleunigen, und verschieben dann die Erhaltungsinstandhaltung, die den Schaden zumindest gemildert hätte.

Die Lösung

Die Lösung der prädiktiven Analytik-Limitationen ist nicht schwierig, zumindest nicht aus technischer Sicht. Klassische prädiktive Technologien sind keine Limitation. Wenn sie effektiv eingesetzt werden, bieten sie die Mittel, positive Ergebnisse zu erzielen.

Das Stahlwerk ist ein gutes Beispiel. Als ihr Programm von ausfallgetrieben zu echter prädiktiver Analytik wechselte, war die Veränderung fast sofort spürbar. In weniger als einem Jahr sanken die Instandhaltungsmaterialkosten auf unter 2 Mio. $.

Am Beispiel des Lagers: Das neue Programm fokussierte sich auf die Kausalitätsfaktoren hinter den gemeldeten Lagerausfällen und implementierte Korrekturmaßnahmen zu deren Beseitigung. Die Eliminierung des Kausalitätsfaktors eliminierte sofort den chronischen vorzeitigen Ausfall, der die Kosten in die Höhe trieb, und die Austauschkosten stürzten ab.

Im zweiten Jahr sanken die Kosten für Lager und andere Verschleißteile noch weiter. Eine 60 %ige Reduzierung der Instandhaltungskosten führte dazu, dass das Werk konstant mit einer um 30 % höheren Rate produzierte als vor dem Fokuswechsel.

Der Erfolg Ihres prädiktiven Analytik-Programms muss die Betriebsdynamiken der Assets, Systeme und Prozesse berücksichtigen, die die Anlage ausmachen. Es muss die inhärenten Konstruktionsgrenzen, Betriebsmodi und das Niveau der Erhaltungsinstandhaltung berücksichtigen, die ihre Dynamik definieren.

Ein weiteres Beispiel für den Unterschied zwischen ausfallgetriebener vs. echter prädiktiver Analytik betrifft siebenhundert Schlammförderpumpen in einer Raffinerie. Die Raffinerie hatte ein etabliertes vorausschauendes Instandhaltungsprogramm mit tragbaren Datensammlern. Techniker gingen täglich ihre Routen und das System meldete, wann jede dieser Pumpen Wartung benötigte, um einen drohenden Ausfall zu verhindern.

Im Laufe der Zeit wuchs der mit Pumpenüberholungen verbundene Kosten auf über 10 Mio. $ jährlich. In den Büchern funktionierte das Programm und es gab wenig gemeldete Ausfallzeiten durch Pumpenausfälle.

Als das echte Betriebsdynamik-Prädiktive-Analytik-Programm das vorausschauende Instandhaltungsprogramm ersetzte, änderten sich die Ergebnisse dramatisch. Da das neue Programm nach Kausalitätsfaktoren suchte, statt bei Ausfallmodi stehenzubleiben, wurde deutlich, dass der Grund, warum 11 % der Pumpen jährlich größere Reparaturen benötigten, ihr Betriebsmodus war.

Fernbediente Auslassventile steuerten jede Pumpe. Die Analytik erkannte, dass der Steuerbereich die Pumpen zwang, weit außerhalb der Best-Practice-Empfehlungen zu arbeiten. Die resultierende Instabilität verursachte beschleunigten Verschleiß und schwere Schäden an der rotierenden Baugruppe und dem Gehäuse.

Zur Korrektur änderte der Kunde die Betriebsparameter, um den Steuerbereich auf +/- 10 % des BEP (Best Efficiency Point) zu begrenzen, wodurch die jährlichen Reparaturkosten auf unter 1 Mio. $ sanken. Ein weiterer Vorteil der prädiktiven Analytik war die Erkennung der Auswirkungen des alten Steuerbereichs auf den Energieverbrauch.

Statt 160 Brems-PS am BEP zogen die Pumpen durchschnittlich fast 300 PS. Der Unterschied im jährlichen Stromverbrauch belief sich auf mehr als 7 Mio. $. In dieser einen Anwendung reduzierte prädiktive Analytik die Jahresszenkosten um mehr als 16 Mio. USD.

Wie es funktioniert

Die Anwendung prädiktiver Analytik auf das Asset Management ist nicht kompliziert; man muss nur logisch denken und die Zuverlässigkeits- und Nachhaltigkeitsanforderungen der Assets in der Organisation klar bestimmen.

Die folgenden Schritte definieren den Prozess:

Inherent zuverlässigkeit jedes Assets bestimmen

Zuverlässigkeit wird durch das Design bestimmt. Alle Aktivitäten nach dem Design müssen diese inhärente Zuverlässigkeit erhalten, um optimalen Return on Investment zu erzielen. Dieser erste entscheidende Schritt bestimmt nicht nur die inhärenten Schwächen jedes Assets oder Systems, sondern auch den Betriebsmodus und die erforderliche Instandhaltung, um die inhärente Zuverlässigkeit zu erhalten und die optimale wirtschaftliche Nutzungsdauer jedes Assets zu erreichen.

Physik des Versagens

Alle Ausfallmodi und ihre Kausalitätsfaktoren für jedes Asset oder System klar definieren. Dies muss mehr sein als eine einfache FMEA oder Listen wahrgenommener Ausfälle. Es muss alle Abweichungen von Best Practices berücksichtigen, wie die Auswirkungen verschiedener Betriebsmodi – Produktion und Instandhaltung. Denken Sie daran: Nur 17 % der Anlagenausfälle resultieren aus unsachgemäßer Instandhaltung; die verbleibenden 83 % sind das Ergebnis von Mängeln im Betrieb.

Ausfälle zu verstehen ist wichtig, aber die Kausalitätsfaktoren oder treibenden Kräfte zu verstehen, die zu diesem Ausfall führen, ist entscheidend. Wenn Sie den Ausfallmodus kennen, können Sie ihn vielleicht antizipieren und schnell reagieren – aber das verbessert weder die Zuverlässigkeit noch verhindert es ein Wiederauftreten. Kausalitätsfaktoren liefern das Wissen, um das erstmalige und alle erneuten Auftreten eines Ausfalls zu verhindern.

Welche Parameter identifizieren Ausfallmodi und Kausalitätsfaktoren

Sobald Sie ein tiefes Verständnis der inhärenten Zuverlässigkeit, der Ausfallmodi und ihrer Kausalitätsfaktoren haben, ist der nächste Schritt die Bestimmung spezifischer Parameter – wie Vibration oder Wärmeverteilung –, die als Eingabe für eine prädiktive Analytik-Engine dienen. Prädiktive Analytik ist wie jede andere Form der Diagnostik abhängig von der Qualität und Vollständigkeit der Eingabedaten.

Beispielsweise reicht die Eingabe von hochauflösendem Breitband- und diskreten Schmalband-Vibrationsdaten für eine effektive Analytik des mechanischen Zustands einer Pumpe aus, aber möglicherweise nicht, um die Kausalitätsfaktoren zu bestimmen, die eine frühzeitige Erkennung und Korrektur von Abweichungen ermöglichen könnten, die, unbeachtet, zu einem Ausfall führen würden. In den meisten Fällen werden diese Parameter eine Kombination aus Prozessdaten sein, die aus bestehenden Überwachungs- und Steuerungssystemen extrahiert werden, und direkt gemessenen Daten, die integraler Bestandteil der prädiktiven Analytik-Engine sind. Bei dynamischen Assets und Systemen umfasst Letzteres den Einsatz intelligenter Sensoren, die Edge-Analytik, Machine Learning und künstliche Intelligenz strategisch auf dem Asset, Prozess oder System integrieren.

Anomalie-Erkennungs-Modell

Kombiniert man das bisher gewonnene Wissen, ist der letzte Schritt effektiver prädiktiver Analytik die Entwicklung eines Betriebsdynamik- oder physikbasierten Modells, das kontinuierliche Daten von jedem Asset, System oder Prozess aufnehmen, alle Variablen automatisch analysieren, alle Abweichungen vom Normalzustand identifizieren, die Kausalitätsfaktoren hinter jeder Abweichung ermitteln und präskriptive Anweisungen für Korrekturmaßnahmen generieren kann. Offensichtlich ist das ODA-Modell der Schlüssel zu effektiver prädiktiver Analytik. Jeder erfahrene Zuverlässigkeitsingenieur sollte in der Lage sein, ein spezifisches Asset an einem Punkt in seinem Lebenszyklus zu bewerten und dasselbe zu tun.

Der Unterschied liegt darin, dass es nicht genug qualifizierte Zuverlässigkeitsingenieure oder Stunden am Tag gibt, um alle Assets kontinuierlich zu analysieren. Prädiktive Analytik-Engines werden nicht müde, gelangweilt oder abgelenkt.

Zusammenfassend liegt die wahre Wirksamkeit prädiktiver Analytik-Programme nicht in ihrer bloßen Existenz, sondern in ihrer strategischen Implementierung. Der vorherrschende Fokus auf Ausfallverhütung, obwohl gut gemeint, scheitert oft an der Unfähigkeit, zugrundeliegende Kausalitätsfaktoren anzugehen. Der Wechsel zu einem ganzheitlichen Ansatz, der Asset-Dynamik und betriebliche Feinheiten umfasst, bringt greifbare Vorteile, wie erfolgreiche Übergänge von ausfallgetriebenen zu echten prädiktiven Analytik-Paradigmen zeigen.

Indem Organisationen die kritische Bedeutung der Erhaltung des Wertstroms und der Hilfsassets anerkennen, können sie nicht nur Ausfälle mindern, sondern auch Leistung optimieren und die Gesamtkosten des Eigentums senken. Prädiktive Analytik als Werkzeug zur Verbesserung der Zuverlässigkeit, Verlängerung der wirtschaftlichen Nutzungsdauer und Minimierung der Betriebskosten zu begreifen, bedeutet einen Paradigmenwechsel hin zu proaktiven Asset-Management-Strategien, die optimalen Return on Invested Capital und nachhaltige Umsatzgenerierung sicherstellen.

Über den Autor

Über den Autor