Predictive_Maintenance_digital_chiefs

Industrie 4.0 und IIoT beginnen mit Predictive Maintenance

In Predictive Maintenance, der KI-gestützten vorausschauenden Wartung, liegt eines der wesentlichen Potenziale der IoT-Anbindung von Industriemaschinen. Warum das so ist und worauf bei der Implementierung zu achten ist, zeigt dieser Leitfaden.

Früher mussten sich Techniker in der Industrie immer an ganz feste Wartungsintervalle halten und doch häufige Kontrollgänge auf sich nehmen, um zu überprüfen, ob die Ölstände und die einzuhaltenden Temperaturen noch stimmen. Heute melden die Produktionsanlagen und geleasten Bürodrucker meist selbst, wann Füllmaterial ausgeht und die nächste Wartung ansteht. Aber das hat noch nicht zwingend etwas mit Predictive Maintenance zu tun. Das wird es erst, wenn ein System die verschiedenen Geräte- oder Maschinensensoren eingehenden Daten analysiert und ableiten kann, wann es Zeit für die Wartung ist. Das spart nicht nur viele zeitaufwendige Kontrollgänge, sondern erlaubt es auch, Wartungsintervalle zu verlängern, sofern es die Gewährleistung erlaubt. Ein wesentlicher Vorteil der Predictive Maintenance ist die damit einhergehende Hochverfügbarkeit der Produktionsanlagen, Automaten und Geräte.

Massive Reduktion von Ausfallzeiten

Voraussetzung dafür ist aber, dass das System so wie SAP Predictive Maintenance & Services (PdMS) lernfähig, sprich mit intelligenten Algorithmen für Machine Learning ausgestattet ist. Denn Predictive Maintenance erfordert Predictive Analytics, laut dem Reifegrad-Modell des Marktforschungsinstituts Gartner, wie etwa in der Computerwoche beschrieben, der nächste Schritt nach der Descriptive und Diagnostic Analytics. Der höchste Reifegrad wäre die Prescriptive Analytics, sprich die mit automatischen Handlungsempfehlungen einhergehende „verschreibende“ oder vorbeugende Analyse. Und auch die ist in Teilen schon von Predictive Maintenance abgedeckt. Denn natürlich geht es dabei auch darum zu erkennen, wann Schadensfälle auftreten können und was zu tun ist, um ihnen vorzubeugen.

Predictive_Maintenance_Ausfallzeiten_digital_chiefs
Um hohe Ausfallzeiten und entsprechende Umsatzverluste zu reduzieren, rückt Predictive Maintenance stark in den Fokus bei Industrieunternehmen Quelle: iStock / yoh4nn

Laut einer unter anderem vom Magazin Process viel zitierten Studie müssen Hersteller mit bis zu 800 Stunden Ausfallzeiten und entsprechenden Umsatzverlusten in Millionenhöhe rechnen. Daher rückt Predictive Maintenance so stark in den Fokus bei Industrieunternehmen.

In Deutschland stand man da 2018 bei einer Umfrage der Staufen AG mit 6 Prozent noch am Anfang, aber 50 Prozent der befragten Unternehmen räumten Predictive Maintenance über die nächsten zwei bis fünf Jahre eine sehr hohe Bedeutung ein.

Das spiegelt sich auch in den Prognosen wider. So rechnet Million Insights für den PdM-Weltmarkt zwischen 2019 und 2025 mit einem jährlichen Umsatzzuwachs von 37 Prozent auf ein Volumen von über 28 Milliarden Dollar.

Anomalie-Erkennung ohne Alarm-Overflow

Gestützt durch ML- und KI-Algorithmen hilft Predictive Maintenance Anomalien zu erkennen, die über die normalen oder zu erwartenden Schwankungen hinausgehen. Aber mit Machine Learning und Künstlicher Intelligenz allein ist es nicht getan. Wenn ein Projekt mit Predictive Maintenance um aufgesetzt wird, gilt es zunächst, die verschiedenen Sensoren der Maschinen als Datenquellen zu identifizieren und mögliche Anomalien in den richtigen Kontext zu setzen. Denn sonst könnte es zu einer Alarm-Müdigkeit kommen und dazu, Warnungen in den Wind zu schlagen – wie in der Äsop-Fabel vom Hirtenjungen und dem Wolf, einer Allegorie auf „wer einmal lügt, dem glaubt man nicht“.

Eine Maschine warnt natürlich anders als der Hirtenjunge nicht aus lauter Langeweile oder grundlos. Aber mit den entsprechenden Schwellenwerten gefüttert, kann Predictive Maintenance viel gezielter Warnsignale auslösen, um zu vermeiden, dass diese unter einem Alarm-Overflow untergehen und ignoriert werden. Das entlastet auch die verantwortlichen Anlageningenieure oder Maschinen-Operatoren. Aber letztlich haben sie das Sagen, wie die Alarme einzuschätzen sind und was zu tun ist, weil sie sich am besten mit der Anlage auskennen. PdM-Systeme müssen sie entsprechend informieren.

Welche Vorteile SAP PdMS bieten

SAP Predictive Maintenance & Services ist zusammen mit der IoT-Plattform SAP Leonardo eine der umfassendsten Lösungen am Markt und von Axians in Kundenprojekten  erfolgreich eingesetzt worden. Predictive Maintenance ist im Portfolio von Axians ein wichtiger Bestandteil der Predictive Analytics. Dazu gehören auch Predictive Product Quality sowie Productivity und End of Life Prediction, Product Process Optimization und Supply Chain Just in Time oder JIT Optimization.

Predictive_Maintenance_Computer_digital_chiefs
Predictive Maintenance ist im Portfolio von Axians ein wichtiger Bestandteil der Predictive Analytics. Quelle: Axians

Die Datenanalyse reicht dabei von Muster- und Anomalie-Erkennung über Trend-, Korrelations- und Clusteranalyse bis hin zu Benchmarking und einem Vergleich mit Peer Groups.

Die PdMS-Lösung von SAP kann mit Drill-down bis auf Komponentenebene den „Gesundheitszustand“ von Anlagen weltweit anzeigen und mit vorgefertigtem Machine Learning Content hinterlegen, um Abweichungen auf Basis von KPIs oder Health Scores automatisch zu signalisieren. Von Axians in vielen Kundenprojekten genutzt, bietet SAP PdMS auch ein Software Development Kit (SDK), um die bestehende Lösung etwa durch kundenspezifische Algorithmen zu erweitern.

Für einen großen deutschen Maschinen- und Anlagenbauer konnte ein Aufzughersteller mit MAX, dem PdM-System für maximale Verfügbarkeit, die Fahrstuhl-Ausfallzeiten für weit über 41.500 Kunden reduzieren. Die Zeit, die New Yorker Büroangestellte damit verbringen, auf den Aufzug zu warten, würde sich somit im Schnitt von 17 auf 9 Jahre deutlich verkürzen. Ein anderer Use Case ist die Unterstützung eines deutschen Start-up-Unternehmens, das sich auf die Entwicklung intelligenter Sensoren für Bahnweichen spezialisiert hat. Gepaart mit Predictive Maintenance lassen sich mit den smarten Sensoren mögliche Defekte voraussagen und Störungen beheben, bevor sie auftreten.

Quelle Titelbild: iStock / NanoStockk

Diesen Beitrag teilen:

Weitere Beiträge

Axians Horizon 2021 – The New Normal mit Managed Services gestalten

Die Arbeitswelt wird immer dezentraler und digitaler. Damit gehen aber auch neue Herausforderungen im ... »

08.06.2021 | Jens Beier

Vorteile mit Digital Workspace: So steigern Unternehmen ihre Resilienz

Das Homeoffice ist aus der Unternehmenslandschaft nicht mehr wegzudenken. Es ist das „New Normal“ ... »

07.06.2021 | Holger Bewart