Predictive Maintenance: Effizienz steigern, Stillstandszeiten senken, Kundenzufriedenheit sichern

 

Jeden einzelnen Tag, in jeder Fertigungsumgebung, passieren Ausfälle und Stillstandszeiten. Das ist einfach Realität, wenn man mit Geräten arbeitet, die repetitive Aufgaben ausführen. Das Problem jedoch ist, dass Fertigung in heutigen Märkten Effizienz und Qualitätsproduktion erfordert. Ungeplante Stillstandszeiten in nur einer Maschine in einer „Just-in-Time“-Fertigungsumgebung können Verzögerungen verursachen, die zu unzufriedenen Kunden, möglicher Abwanderung dieser Kunden zum Wettbewerber und einem direkten Treffer für die Bilanz eines Unternehmens führen.

Eines der wirklich großartigen Ergebnisse des Wachstums des (Internet of Things) ist die Tatsache, dass Maschinendaten genutzt werden können, um die operativen Kosten und Auswirkungen von Stillstandszeiten – sowohl geplant als auch ungeplant – zu begrenzen. Dies ist als Predictive Maintenance bekannt.

Was ist Predictive Maintenance?

Predictive Maintenance – kurz PdM – ist eine Methode, um Wartungsanforderungen an Maschinen auf dem Fabrikboden vorherzusehen. Durch Analyse operativer Daten von den Maschinen entstehen Muster, die es Bedienern ermöglichen, ein Verständnis von Ausfallmodi zu entwickeln und vorherzusagen, wann Wartung an einer gegebenen Einheit erforderlich sein wird, sodass sie in weniger kostspieligen Zeiten geplant werden kann.

In der Vergangenheit verließen sich Hersteller auf reaktive Wartung und andere Wartungsstrategien, auch bekannt als die „Wenn es nicht kaputt ist, repariere es nicht“-Methode. Man kann sich gut vorstellen, dass das Warten von Maschinen nur dann, wenn sie ausfielen, ein enormer Kostenfaktor war – sowohl in Bezug auf ungeplante Stillstandszeiten und potenzielle Auswirkungen auf andere Maschinenteile als auch auf die Qualität des Outputs für die Zeit, in der das Teil ausfiel.

Im Laufe der Zeit suchten Unternehmen, sich von reaktiver Wartung zu entfernen und präventive Wartungsstrategien zu implementieren. Doch präventive Wartung basierte auf Durchschnittswerten und spiegelte nicht den aktuellen oder Echtzeit-Zustand der Geräte wider.

Während präventive und predictive Wartung ein Schritt up von reaktiver Wartung ist, gibt es einen klaren Gewinner. Die Implementierung von Predictive Maintenance basiert auf spezifischen Informationen, die von jeder Maschine gezogen werden, um potenzielle Probleme zu erkennen. Ein Beispiel wäre Vibrationsanalyse.

Ein Modell, das eine Baseline zur Erfassung von Predictive-Maintenance-Daten für eine Maschine nutzt, wird in der Lage sein, Veränderungen zu erkennen – wie eine Zunahme der Vibration an einem spezifischen Teil, die durch Beschädigung oder Einführung eines Fremdkörpers verursacht sein könnte. Abweichungen von der Baseline ermöglichen es Bedienern, einen Wartungsbedarf vorherzusagen, bevor das Problem ernst wird und zu Geräteausfall führt.

Wie funktioniert Predictive Maintenance?

Im Gegensatz zu präventiver Wartung nutzt ein Predictive-Maintenance-Programm die von Geräten generierten Daten und sendet sie in die Cloud. Wie Produktions- und Geschäftsprozessdaten kann Echtzeit-zustandsbasierte Wartung analysiert werden, um Muster und Trends in der Maschinengesundheit oder der Lebensdauer von Teilen oder Werkzeugen zu erkennen und Wartungskosten zu senken.

Oft gibt OEM-Gerät eine erwartete Lebensdauer für ein Teil oder Werkzeug an. Dies basiert jedoch auf branchendurchschnittlichen Werten. Es berücksichtigt nicht Leichteinsatz-Anwendungen, wo Teile langsamer verschleißen als erwartet, oder Schwereinsatz-Anwendungen, wo sie schneller verschleißen können.

Fortgeschrittene Analytik in Produktions- und Wartungsüberwachungsplattformen nutzt Trends und zustandsbasierte Wartung, um die tatsächliche Zeit bis zum Verschleiß zu plotten oder Ausfallmodi vorherzusagen. Predictive-Maintenance-Programme können um diese Einblicke herum entwickelt werden, um Stillstandszeiten zu reduzieren und Kosten zu kontrollieren.

Robuste Predictive-Maintenance-Programme können die Plattform nutzen, um Alerts an Wartungspersonal zu senden, wenn ein Ausfall unmittelbar bevorsteht, was Stillstandszeiten durch Warten auf Techniker nach dem Ereignis reduziert. Sie können auch mit Fabrikproduktionsinformationen arbeiten, wie erwarteten Rüstzeiten, um Reparaturen während geplanter Rüstungen oder geplanter Stillstandszeiten für Reinigung durchzuführen.

Geplante Alerts können von Technikern auf MRO-Lager ausgeweitet werden, damit Teile bereitgestellt werden können, um weitere Stillstandszeiten zu vermeiden. Und die Teile können gegen etablierte Min/Max-Teilebestände automatisiert nachbestellt werden, die ebenfalls vom System vorgeschrieben werden. Als Teil seiner Gesamtwartungsstrategie kann jedes Unternehmen seine Predictive-Maintenance-Techniken an seine eigenen Bedürfnisse anpassen.

Welche Vorteile bietet Predictive Maintenance?

Aus Kostensicht umfassen die Vorteile einer Predictive-Maintenance-Strategie optimierte geplante Stillstandszeiten und minimierte ungeplante Stillstandszeiten. Ein Predictive-Maintenance-Programm optimiert auch Mitarbeiterproduktivität und Gerätelebensdauer. Der Einsatz fortgeschrittener Analytik und Machine-Learning-Algorithmen macht präventive Wartung nicht zu unterschätzen!

Wie Predictive Maintenance geplante Stillstandszeiten optimiert

Geplante Stillstandszeiten können alles umfassen – von Maschinenreinigung und -ölung bis zum Austausch von Teilen, von denen bekannt ist, dass sie regelmäßig ausfallen. Diese Art präventiver Wartung reduziert das Risiko ungeplanter Stillstandszeiten. Genau wie die Pflege Ihres Computers und das Scannen nach Viren oder das Halten anderer Haushaltsgeräte sauber – Sie erhalten effizientere und qualitativ hochwertigere Ausgabe von einem gut gewarteten Gerät.

Dank der in Maschinenabläufen gesammelten Daten kann Predictive Maintenance regelmäßig und zu Zeiten geplant werden, die die geringsten Auswirkungen auf die Auftragsproduktion haben. Es gibt auch den zusätzlichen Vorteil, dass angemessene Wartung dieser Art die Lebensdauer mechanischer Geräte unweigerlich verlängert, die schwierig und kostspielig zu ersetzen wären. Die Maximierung von Uptime und der Lebensdauer einer Komponente in einem Predictive-Maintenance-Programm wird letztendlich zu signifikanten Kosteneinsparungen führen.

Predictive Maintenance begrenzt ungeplante Stillstandszeiten

Laut einem Wall-Street-Journal-Beitrag „kosten ungeplante Stillstandszeiten industrielle Hersteller schätzungsweise 50 Milliarden Dollar jährlich.“ Die Nutzung von Predictive Maintenance zur Begrenzung dieser Kosten ist kritisch in hochkompetitiven Fertigungsbranchen.

Soweit geplante präventive Wartung sicherstellen kann, dass Maschinen meist reibungslos laufen, sammelt die digitale Überwachung von Maschinen Unmengen an Daten, die, wenn analysiert, Muster an jeder gegebenen Maschine zeigen. Diese Art von Mustererkennung, basierend auf historischen Daten, kann helfen, eine Maschine zu identifizieren, die wahrscheinlich einen Ausfall erleben wird und für die Wartung proaktiv geplant werden kann.

Predictive Maintenance kann helfen, Gerätelebensdauer zu optimieren

In der Lage zu sein, die Effizienz, Ausgabe und Qualität einer Maschine über Zeit zu überwachen, wird Daten offenbaren, die identifizieren, wann eine Maschine Wartung benötigt – wie oben angemerkt – aber auch helfen, zu identifizieren, wann eine Maschine das Ende ihrer Lebensdauer erreicht. Reaktive und präventive Wartung können das nicht.

Wenn Maschinen altern und je nach ihrem Nutzungsgrad wird sich der Wartungsplan ändern, was durch Predictive Maintenance gemanagt werden kann. Teile der Maschine werden unterschiedlich auf Produktionsstress reagieren. Der eventual Zunahme an Wartung, die durch Datenmuster vorhergesagt wird, wird offenbaren, wann eine Maschine einen Kipppunkt bei Kosten vs. Leistung erreicht. Die Notwendigkeit, schließlich große Teile einer Maschine oder die gesamte Einheit zu ersetzen, wird durch die Vorhersage dieses Bedarfs und die Planung dafür – sowohl aus Kosten-/Budget- als auch Zeit-/Aufwandssicht – beherrschbar.

Predictive Maintenance kann helfen, Mitarbeiterproduktivität zu optimieren

Es gibt viele Wege, wie Predictive Maintenance Mitarbeiterproduktivität optimiert. Erstens schauen wir uns nur die Arbeitskosten an. Wenn Reparaturen geplant sind, wird die für Reparatur benötigte Zeit reduziert, weil weniger Komponenten ersetzt werden statt ganzer Geräteersatz. Auch die Häufigkeit von Reparaturen bei kritischem Geräteausfall wird reduziert, und die Anzahl der „kritischen Notrufe“ wird stark reduziert.

Aus Mitarbeitersicht führt Predictive Maintenance zu reduzierten Ausfällen und Unfallvermeidungssystemen. Diese können warnen oder sogar Geräte anhalten, wenn Gefahr für einen Arbeiter besteht, was Fabrikbedingungen dramatisch verbessert und Arbeitsverletzungen minimiert.

Zudem beeinflussen Stillstandszeiten und Betrieb mit suboptimalen Parametern nicht nur die Ausgabe, sondern auch die Mitarbeitermoral. Es ist stressig, Probleme zu lösen, wenn sie auftreten. Predictive Maintenance minimiert solche Instanzen.

Predictive Maintenance kann helfen, Umsatz zu steigern

Die oben behandelten Vorteile von Predictive Maintenance haben am Ende alle dasselbe Ziel: die Bilanz zu verbessern. Mit weniger Wartung an guten Komponenten und schnellerer Reparatur fehlerhafter Komponenten können Reparaturen effektiver gehandhabt werden, wodurch Reparaturzeit reduziert wird. Eine der umfassendsten Studien zum Potenzial industrieller Analytik wie Predictive Maintenance wurde 2015 von McKinsey durchgeführt. Sie deckte die Chance für folgende Verbesserungen auf:

10–40 % Reduzierung der Wartungskosten

Da geplante Wartung auf einem Zeitplan basiert, gibt es Fälle, in denen Wartungsaufgaben durchgeführt werden, wenn sie nicht nötig sind. Predictive Maintenance kann solche Ineffizienzen verhindern.

10–20 % reduzierter Ausschuss

Suboptimaler Betrieb, der nicht erkannt wird, kann zu verschwenderischer Produktion führen. Rohmaterial, Energie, Arbeitskosten und Maschinenzeit gehen in solchen Instanzen verloren. Predictive-Maintenance-Systeme können Probleme aufdecken, die zu Ausschuss führen können, bevor sie entstehen.

10–50 % neue Verbesserungsmöglichkeiten aufgedeckt

Sobald Datenerfassung automatisiert wird, können täglich neue Einblicke in Prozessoptimierungsmöglichkeiten durch fortgeschrittene Analytik aufgedeckt werden.

Predictive-Maintenance-Technologien

Es gibt zahlreiche Arten von Predictive-Maintenance-Technologie, die in einem robusten datengetriebenen Predictive-Maintenance-Programm verwendet werden. Diese Zustandsüberwachungsgeräte können genutzt werden, um eine Predictive-Maintenance-Lösung für einen Betrieb zu erstellen. Diese Technologien umfassen:

Infrarot-Thermografie

Wärme ist fast immer ein Nebenprodukt einer Fertigungsumgebung. Aber sie ist oft vorhersehbar für jede Maschine oder jeden Jobtyp, der läuft. PdM-Plattformen können diese Wärmemuster nach Maschine oder Job mappen und Temperaturspitzen analysieren, um sich anbahnende Probleme zu bestimmen. Infrarot-Thermografie kann Temperatur in Geräten wie Motoren, Lagern oder anderen Reibungsflächen überwachen und messen. Sie kann auch „Hot Spots“ in elektrischen Schränken aufdecken und Isolationsausfälle detektieren. Infrarot-Thermografie misst die Temperatur und zeigt die Einheit als Bild der gesamten gemessenen Einheit an. Die Überwachungsplattform kann diese Bilder speichern und analysieren, um Probleme zu erkennen und Trends unter spezifischen Bedingungen zu identifizieren.

Akustische Überwachung

Einige Predictive-Maintenance-Überwachungsplattformen können Hochfrequenzsignale nutzen, um den Zustand der Geräte zu bestimmen. Dasselbe Prinzip kann mit luftgetragenem Schall angewendet werden. Durch Erfassung dieses akustischen Geräuschs können Ausfälle detektiert werden. Fortgeschrittene Machine-Learning-Algorithmen werden genutzt, um die Vorhersagefähigkeit über Zeit zu verbessern. Diese Analytik kann mit anderen Überwachungstechnologien kombiniert werden, um tiefer zu bohren und Anomalien aufzudecken, bevor sie auftreten.

Vibrationsanalyse

Alle Fertigungs- und Fräsmaschinen vibrieren. Und diese Vibration pro Maschine und Jobtyp kann geplottet werden, um einen gesunden Bereich auf einer Kurve zu bestimmen. Vibrationsanalyse hilft Predictive-Maintenance-Ingenieuren zu lernen, was subtile und signifikante Veränderungen bedeuten. Sie können Verschleißraten und Ausfallpunkte bewerten, während die Machine-Learning-Algorithmen über Zeit genauer werden.

Ölanalyse

Während Predictive-Maintenance-Plattformen Sound, Vibration und Temperatur nutzen können, um sowohl die Gesundheit als auch möglichen Ausfall von Geräten oder Teilen zu bewerten, ist ein weiteres Werkzeug, das erfasst, was im Inneren der Maschine vor sich geht, die Ölanalyse. Durch Messung von Ölreinheit, Schmutzinhalt, Verunreinigungen und Ölzusammensetzung können Techniker Ursachen identifizieren, plotten und vorhersagen und Strategien zu ihrer Korrektur entwickeln. Die Daten aus der Ölanalyse können an die Analytik-Plattform gesendet und mit anderen Überwachungsdaten für ein klares Bild der Maschinengesundheit kombiniert werden.

Wie man Predictive Maintenance implementiert

Nun, da klar ist, dass Predictive Maintenance ein sicherer Weg ist, ungeplante Stillstandszeiten zu vermeiden und höhere Fertigungskosten zu verhindern, lautet die Frage: Wie implementiert man einen Predictive-Maintenance-Plan?

Zuerst zum Kern des Problems vordringen, das Sie zu beheben versuchen:

• Sind Sie mehr besorgt über ungeplante Stillstandszeiten oder die Kosten eines Komponentenausfalls?
• Sind einige Maschinen auf Ihrem Boden „wichtiger“? Z. B. häufiger genutzt, zentral für mehr Aufträge usw.

Dann müssen Sie Ihren bestehenden Status bewerten oder eine Baseline von Daten zur Maschinenleistung erstellen. Dafür können Sie Ihre eigenen Standards, OEE-Standards oder andere Branchenstandards nutzen. Prüfen Sie jede Maschine, um zu sehen, wie die historischen Leistungsniveaus waren: wie oft sie stillstand, welche Komponenten regelmäßig ausfallen, wie oft Wartung derzeit geplant ist, usw.

Zweitens die historischen Daten auf Muster prüfen und welche Metriken ein Problem anzeigen, welche Abweichungen von der Baseline einen Bediener flaggen sollten, usw.

Schließlich, sobald Sie diese Muster und die Daten relativ zu Ihren Baseline-Leistungsmessungen nutzen, müssen Sie einen Prozess für die kontinuierliche Aktualisierung der Daten und deren Überprüfung etablieren, um sicherzustellen, dass sie weiterhin den aktuellen Status widerspiegeln und sich verschlechternde Muster flaggen, die klar einen Wartungsbedarf signalisieren. Das ist der Schlüssel: Sie können nicht vorhersagen, was Sie nicht analysieren können. Präzise Daten sind essenziell!

Ungeplante Stillstandszeiten zu minimieren – zumindest soweit es die Funktion der Maschinen betrifft – ist eine enorme Kosteneinsparung und verhindert Verzögerungen zum Markt, die auch die Bilanz beeinflussen. In der heutigen Fertigungsumgebung ist Predictive Maintenance kein „Nice-to-have“. Es ist eine Notwendigkeit.

Predictive-Maintenance-Strategie starten

Demo buchen