Zustandsorientierte Instandhaltung meistern: Sprache, Strategien und ROI

Die effektivste Instandhaltungsstrategie ist auf jedes einzelne Asset zugeschnitten – nicht als pauschaler Ansatz. Durch die Analyse jedes Geräts können Unternehmen einen Pfad einschlagen, der die höchste Zuverlässigkeit und den besten ROI liefert. Heute verlassen sich Instandhaltungsprofis zunehmend auf vorausschauende Instandhaltung (Predictive Maintenance, PdM) und Zustandsüberwachung (Condition Monitoring, CdM), um diesen Weg zu gehen.

Um sich in der Instandhaltungslandschaft zurechtzufinden, müssen wir zunächst die richtige Terminologie verwenden. PdM und CdM sind Techniken und Werkzeuge, die innerhalb einer zustandsorientierten Instandhaltungsstrategie (CBM) agieren. Diese Werkzeuge erkennen Symptome drohender Ausfälle; sie sind keine Strategien an sich.

CBM bündelt Daten aus PdM und CdM, um den optimalen Wartungszeitpunkt zu ermitteln und Bedingungen abzumildern, die zu Ausfällen führen.

Ziel der CBM ist es, jedes Asset verfügbar zu halten, wenn es gebraucht wird, und dabei Wartung zu vermeiden, die auf der P-F-Kurve zu früh oder zu spät ansetzt. Das Ziel ist es, auf der P-F-Kurve nach links zu rücken, indem potenzielle Ausfälle früher erkannt werden.

Die Suche nach diesem idealen Wartungsfenster stellt Praktiker seit langem vor Herausforderungen.

Eine Industry-4.0-/IIoT-Denkweise etablieren

Bis vor Kurzem basierten Instandhaltungsentscheidungen auf einer Mischung aus zeitgesteuerten Plänen und „Run-to-Failure“-Ansätzen. Menschliche Beobachtung und Nach-Ausfall-Daten waren die primären Erkenntnisquellen.

Anlagen warteten oft ab, bis ein Motor, eine Pumpe oder ein Förderband ausfiel, bevor eingegriffen wurde – die einzige praktikable Option, wenn Werkzeuge und Daten knapp waren.

Der Aufstieg von Automatisierung und digitalen Daten im Zeitalter der Industrie 3.0 brachte Computerized Maintenance Management Systeme (CMMS) hervor, die einen digitalisierten, zeitbasierten präventiven Wartungsplan (PM) für jedes Asset ermöglichten.

Instandhaltungsteams messen Schlüsselindikatoren, um Ausfälle vorherzusehen, und planen dann Stillstandszeiten zur Reparatur oder zum Austausch von Komponenten nach festem Zeitplan (oft OEM-vorgeschrieben) – unabhängig vom tatsächlichen Zustand. Dies senkte die Ausfallraten, verursachte aber zusätzlichen Arbeitsaufwand, Stillstandszeiten und unnötige Austausche.

Heute nutzen viele Anlagen dank Industrie 4.0 und IIoT Echtzeit- (oder Near-Real-Time-) Zustandsdaten, um Instandhaltungsaktivitäten zu optimieren.

CBM erfasst Daten von Sensoren, Handmessgeräten, SCADA und anderen Erfassungssystemen. Die Daten werden aggregiert, analysiert und über ein CMMS in umsetzbare Intelligenz übersetzt, das Ressourcen dort lenkt, wo sie am dringendsten gebraucht werden. Instandhaltungsteams wechseln vom „Feuerlöschen“ zur digitalen Prozessoptimierung.

Predictive Maintenance vs. Condition Monitoring: Wo liegt der Unterschied?

Sowohl PdM als auch CdM nutzen Technologie zur Erfassung von Asset-Zustandsdaten und operieren vollständig im Instandhaltungsumfeld. Die Unterschiede sind subtil; sie ergänzen sich. Die robustesten Programme kombinieren beide, um ein umfassendes Zuverlässigkeitsbild zu liefern.

Gemeinsam liefern PdM und CdM die empirischen Daten, die nötig sind, um Instandhaltungsressourcen effizient und gewinnbringend einzusetzen.

Predictive Maintenance (Vorausschauende Instandhaltung)

PdM-Werkzeuge – Thermografie, Schwingungsanalyse, Ölanalyse, Ultraschallmessung – erfassen eine Momentaufnahme des Asset-Zustands. Da die Daten zeitpunktbezogen sind, müssen sie mit Betriebsdaten wie Laufzeit und Lastbedingungen kontextualisiert werden.

PdM sagt keine exakten Ausfallzeitpunkte oder Lebensdauern voraus. Stattdessen liefert es Beobachtungsdaten, die eine präzisere, kosteneffektivere Wartungsplanung ermöglichen und so Verfügbarkeit und Kapazitätssicherung verbessern.

Condition Monitoring (Zustandsüberwachung)

CdM-Werkzeuge erfassen kontinuierliche Gesundheitsdaten über Sensoren und Erfassungssysteme – ideal für schwer zugängliche oder gefährliche Assets. Sensoren erkennen Lagerschwingungen, Überhitzung oder Netzqualitätsprobleme, ohne Personal zu gefährden oder Stillstandszeiten zu erfordern.

Daten können von Sekunden bis zu Tagen erfasst werden. IIoT, Sensorfortschritte und sinkende Kosten erzeugen exponentielles Datenwachstum. Die Anwendung von KI und Machine Learning auf diese Trenddaten hilft, den optimalen Punkt auf der P-F-Kurve für präventive Maßnahmen zu bestimmen.

Zufällige Ausfälle beherrschen

Zufällige Ausfälle resultieren aus unbekannten Ursachen. PdM und CdM eignen sich hervorragend, um die Grundursachen dieser Ereignisse aufzudecken.

Instandhaltungsteams müssen Schwingungen, Thermografie, Netzqualität und andere Signale untersuchen, um Ausfallvorläufer zu identifizieren. Sich auf sich wiederholende zeitgesteuerte Inspektionen zu verlassen, kann Ressourcen verbrauchen.

Mit PdM und CdM können Organisationen Ausfälle präzise klassifizieren, Grundursachen beseitigen und die richtige Abmilderungsstrategie implementieren – so werden „Unbekannte“ in planbare Wartungsfenster transformiert und die MTBF (Mean Time Between Failures) verlängert.

Eine effektive Präventivaktions-Strategie entwickeln

Die Instandhaltungsentwicklung bewegt sich von zeitgesteuerten über zustandsgesteuerte zu datengesteuerten Ansätzen. Nicht jedes Asset folgt demselben Pfad; die Strategiewahl hängt von Kritikalität und Kosten ab.

Die meisten Anlagen verfolgen einen hybriden Präventivplan, der zeitgesteuerte, zustandsgesteuerte und datengesteuerte Methoden mischt. Der Schlüssel liegt in der Auswahl des richtigen Mixes.

Während zeitgesteuerte PM an Bedeutung verloren hat, bleibt sie effektiv für Aufgaben wie den planmäßigen Austausch hochkritischer Komponenten in missionskritischen Umgebungen – Öl & Gas, Kernkraft etc. In diesen Kontexten wird die Kombination von CBM mit datengesteuerter Instandhaltung bevorzugt.

Entscheidungen sollten Asset-Kritikalität, Budget und Verfügbarkeit menschlicher und technischer Ressourcen berücksichtigen. PdM und CdM nur dort einzusetzen, wo sie einfache zeitgesteuerte oder Run-to-Failure-Methoden übertreffen, sichert kosteneffektive Instandhaltung.

Die Datenerfassungsfrequenz muss zum Ausfallmodus passen. Ein Lager mit einer sechsmonatigen P-F-Kurve benötigt vielleicht nur wöchentliche Überwachung, während dasselbe Lager in einem Kernkraftwerk ständige Überwachung erfordert.

Wesentliche Überlegungen beim Design einer effektiven Instandhaltungsstrategie

Die Wahl der optimalen Strategie ist sowohl eine finanzielle als auch eine logistische Entscheidung. Beachten Sie diese Faktoren:

• Prüfen, ob der periodische Austausch eines Assets günstiger und schneller ist als planmäßige Inspektionen.
• Identifizieren von Assets, deren Kritikalität die Kosten der Zustandsüberwachung rechtfertigt.
• Den Unterschied zwischen Strategien und Techniken & Werkzeugen beachten:
• CBM, RCM, RBM, DOM und RTF sind Strategien.
• PdM und CdM sind Techniken & Werkzeuge, die innerhalb der CBM-Strategie eingesetzt werden.
• Zeitgesteuert, zustandsgesteuert und datengesteuert klassifizieren Verfahrensaufgaben in einem Präventivaktionsplan.
• Zuverlässigkeitswerkzeuge wie FMEA und FMECA leiten die Strategiewahl und Verfahrensschritte zur Abmilderung oder Beseitigung von Ausfallursachen.

Letztlich müssen Sie zwei ROI-Arten in Einklang bringen: klassische Effizienzgewinne und den ROI der Integrität – also die Aufrechterhaltung der Asset-Verfügbarkeit und Kapazitätssicherung. Die gewählten Werkzeuge, Techniken und Strategien müssen dieser Mission dienen.

Über den Autor

Gregory Perry, CMRP, CRL, ist Senior Capacity Assurance Consultant bei Fluke Reliability. Als Certified Reliability Leader mit fast zwei Jahrzehnten Erfahrung in Instandhaltungs- und Operational Best Practices spezialisiert er sich auf MRO, Lagerhaltung, Weltklasse-Instandhaltungsprinzipien und CMMS-Führung. Perry bietet Implementierungs- und Beratungsdienste, hält Best-Practice-Sessions auf führenden Branchenkonferenzen und verfasst Webinare zu Instandhaltungsexzellenz.