Predictive Maintenance PoC meistern: Erfolgsfaktoren und Fallstricke

In diesem Beitrag teilen wir Erkenntnisse aus erfolgreichen und gescheiterten Proof-of-Concepts (PoCs). Wir könnten behaupten, alle PoCs hätten ihre Skalierungsziele erreicht – doch das würde wertvolle Lektionen ignorieren, die wir nun teilen, damit Sie dieselben Fehler vermeiden.

Einleitung

KI und Analytics sind Trendthemen, fast jeder Anbieter behauptet, Predictive Maintenance (PdM) mit seiner Predictive-Analytics-Plattform beherrschen zu können. Die Beziehung zu einem PdM-Softwareanbieter ist jedoch langfristig und erfordert großes Vertrauen. Angesichts des Marktrauschens ist ein strukturierter Auswahlprozess sinnvoll. Wie bei der Arztwahl müssen Sie sicher sein, dass der Anbieter hält, was er verspricht.

Ein PoC hilft nicht nur bei der Anbieterauswahl, sondern stellt auch sicher, dass die eigene Organisation hinreichend vorbereitet ist, damit das PdM-Projekt alle Erfolgsfaktoren hat und sich anpassen kann, um die Vorteile zu nutzen – vorausgesetzt, der PoC wird richtig durchgeführt.

Unserer Erfahrung nach haben viele Unternehmen mehrere PdM-PoCs durchlaufen, bevor sie die erwarteten Ergebnisse erzielten. Manche Kunden testeten drei andere Lösungen, bevor sie Erfolg hatten. Die Lehren aus den Misserfolgen: Oft lag das Problem nicht allein beim Anbieter, sondern im eigenen Haus. Erst das Wissen um Erfolge in anderen Branchenprojekten gab ihnen das Vertrauen, interne Veränderungen anzustoßen und durchzuhalten.

Predictive Analytics ≠ Predictive Maintenance

Ein zentrales Missverständnis muss geklärt werden: Predictive-Analytics-Tools können Teil eines PdM-Programms sein, aber sie sind nicht dasselbe wie PdM.

Data Scientists können Maschinendaten analysieren, Anomalien und Trends erkennen und überzeugende Screenshots liefern. Doch die tiefe Bedeutung dieser Muster für den Maschinenzustand zu verstehen und eine fundierte Wartungsstrategie daraus abzuleiten, ist etwas völlig anderes. Reine Data Scientists fehlt meist die Erfahrung und das Domänenwissen von Instandhaltungsingenieuren. Daher performen ihre individuellen Algorithmen in realen Industrieumgebungen oft schlecht.

Anbieter erkennen, die eher Analytics als PdM beherrschen

Spezialmaschinen haben einzigartige Ausfallmodi, aber bei gängigen Maschinen – Motoren, Getriebe, Roboter – sind Ausfallmodi und benötigte Detektionsdaten aus Sicht der Zustandsüberwachung bestens bekannt. Wenn ein Anbieter grundlegende Fragen zu Ausfallmodi stellt und Sie alles definieren lassen muss, fehlt ihm der Background in Condition Monitoring und Maschinenwartung. Die Erfolgsaussichten sind dann minimal.

Frühe Aufforderung, alles zu labeln, und Unfähigkeit, Wartungslogs zu interpretieren und Korrelationen herzustellen, deuten auf einen Anbieter hin, der einen individuellen Modellierungsansatz verfolgt. Dieser kann bei bis zu wenigen Dutzend Maschinen gute Ergebnisse liefern, scheitert aber an Skalierbarkeit und Kosten bei größeren Beständen.

Instandhaltung ist eine praktische, „hands-on“-Disziplin, Data Analytics wurzelt in Theorie und Mathematik. Der PoC ist der Punkt, an dem beide Welten zusammenfinden, um messbare Geschäftsvorteile durch PdM zu liefern.

Den richtigen PdM-Lieferanten zu finden, ist anspruchsvoll: Er muss Ihre Wartungspraxis, Ihre Maschinen und die angestrebten Geschäftsergebnisse verstehen und ebenso engagiert sein wie Sie. Er muss dies durch Anwendung passender Theorien und Mathematik leisten – und zwar ökonomisch und organisatorisch skalierbar.

Für Best Practices und häufige Fallstricke laden Sie unser vollständiges Whitepaper „How to Run a Predictive Maintenance Proof of Concept“ herunter.