Inhaltsverzeichnis
1. Folgen von Downtime für Betriebe
2. Alte Wartungsprozesse sind kostspielig und ineffizient
3. Betriebe stärken mithilfe proaktiver Wartung
4. Machine Learning ermöglicht genaue Vorhersagen
Die Tatsache, dass Predictive-Maintenacne-Lösungen (PdM) längst in der Unternehmenslandschaft angekommen sind, belegt ein Ende letzten Jahres erschienene Roland-Berger-Analyse mit dem Namen „Predictive Maintentance – from data collection to value creation.“ Laut der Erhebung beschäftigen sich bereits acht von zehn Betrieben mit dem Thema Vorausschauende Wartung – Ziel ist die Verbesserung des Kosten-Leistungs-Verhältnisses ihrer Produkte, Systeme und Anlagen. Und damit nicht genug: Das Beratungsunternehmen prognostiziert dem Bereich Predictive Maintenance ein Wachstum zwischen 20 und 40 % pro Jahr bis 2022. Angesichts dieser Zahlen dürfte der Sektor wohl zu einem der wichtigsten Wachstumsmärkte der Zukunft im Industriebereich zählen.
Folgen von Downtime für Betriebe
Um den Umsatz zu sichern, sind Unternehmen aus dem produzierenden Gewerbe auf die Kontinuität ihrer Anlagen und Prozesse angewiesen. Aus diesem Grund sind Produktionsausfälle besonders kritisch. Nicht selten ziehen sie massive wirtschaftliche Folgen nach sich, deren Ausmaß sich allerdings oft erst bei genauerem Hinsehen offenbart. Die erste Konsequenz eines Maschinenausfalls ist der direkte finanzielle Verlust, der durch die Tatsache entsteht, dass zeitweise keine Waren produziert werden. Die Güter können nicht wie geplant verkauft werden und der Umsatz bleibt aus. In diesem Kontext variieren die Einbußen nach Branche und können beträchtlich sein: Eine Stunde Ausfall bedeutet nicht selten einen Verlust im siebenstelligen Bereich. Die eher „indirekten“, sekundären Folgen von Stillstandszeit sind Reputationsschäden für das Unternehmen, die sich schlecht quantifizieren lassen. Eine längere Stillstandszeit kann bereits dafür sorgen, dass sich Kunden nach neuen Herstellern umschauen und im Zweifelsfall zur Konkurrenz gehen.
Alte Wartungsprozesse sind kostspielig und ineffizient
Grundsätzlich gibt es in zahlreichen Fabriken feststehende Wartungszeiträume, die vorgeben, wann etwa Förderbänder oder Roboter inspiziert werden und somit zwecks Wartung aus dem laufenden Betrieb herausgenommen werden. Diese verbreitete Praktik ist leider aus zweierlei Gründen problematisch. Zum einen gibt es hier eine Diskrepanz zwischen der Instandhaltung und dem tatsächlichen Bedarf an Wartung. In der Praxis bedeutet dies, dass es gut möglich ist, dass eine erst vor kurzem inspizierte Maschine wegen unvorhergesehenem Verschleiß ausfällt. Der zweite Punkt ist, dass bei dieser Praktik auch Maschinen aus der Produktion genommen werden, die noch nicht gewartet werden müssen und ohne Zwischenfälle über längere Zeit funktioniert hätten. Die Kosten durch überflüssige Wartung sollten Betriebe nicht unterschätzen.
Betriebe stärken mithilfe proaktiver Wartung
Einen grundsätzlich anderen Ansatz verfolgen cloud-basierte Lösungen aus dem Bereich Predictive Maintenance. Diese optimieren die Instandhaltung der Maschinen und helfen somit dabei, Geschäftseinbußen durch Ausfall und unnötige Wartungen zu senken. Besonders haben sich hier Lösungen bewährt, die beliebig skalierbar sind – konkret heißt dies, dass die Software sowohl einige Dutzend oder Tausende von Geräten überwachen kann, je nach Bedarf des Unternehmens. Noch bis vor wenigen Jahren war die Technologie ein manueller und zeitraubender Prozess, große Teams von Data Scientists hätten mit dieser Aufgabe zu kämpfen gehabt. Doch dies änderte sich grundlegend mit dem Aufkommen von IoT-Sensoren und -Maschinen, die in der Lage sind, ihre eigenen Vitaldaten zu erfassen. Nun können diese Informationen mit einer Software aus dem Bereich Predictive Maintenance genutzt werden, um automatisiert Muster und Unregelmäßigkeiten im Zustand der Maschine abzuleiten. Die gesammelten Daten umfassen hier etwa Vibration, Temperatur und Stromaufnahme. Der Maschinenzustand lässt sich mithilfe der Informationen bis zu sechs Monate vorhersagen und ermöglicht es Betrieben, präzisere Pläne zur Wartung zu erstellen.
Machine Learning ermöglicht genaue Vorhersagen
Ein wichtiger Aspekt, der diese besonders genaue Vorhersage möglich macht, ist die Technologie des Machine Learnings und der Einsatz von ML-Algorithmen. Bei einer idealen Lösung kann die Beurteilung des Maschinenzustands somit direkt beginnen, denn die Algorithmen sind generisch genug, um auf jeder instrumentierten Maschine genutzt werden zu können. Hier gilt: Je mehr Daten den Algorithmen zur Verfügung stehen, desto genauer sind diese. Im Laufe der Zeit verbessert sich die Genauigkeit der Analyse signifikant, denn es wird mehr über die Eigenheiten und Merkmale der einzelnen Maschine in Erfahrung gebracht. Die Vorteile der Technologie für Betriebe zeigen deutlich: durch die Implementierung einer PdM-Lösung lassen sich ungeplante Ausfallzeiten halbieren und Wartungskosten können um rund 40 % gesenkt werden. Nur wenn Industrieunternehmen, die im Zuge der Industrie 4.0 entstandenen Daten effektiv für sich nutzen, können sie in Zeiten der Digitalisierung effizient und sicher produzieren. jg
Details zu den Lösungen von Senseye für die vorausschauende Wartung
hier.pro/92kFS
Kontakt zu Senseye
Senseye GmbH
Huttropstraße 60
45138 Essen
Tel.: +49 711 22 95 45 74
E-Mail: hello@senseye.io
Website: www.senseye.io/de/
