Die Predictive Maintenance ist das neueste und modernste Modell der Organisation von Wartungsaktivitäten, entsprechend den Anforderungen von Industrie 4.0. Es hilft unnötige Arbeiten zu vermeiden und sich nur auf zu einem bestimmten Zeitpunkt wirklich benötigtes zu konzentrieren. Es ist ein großer Fortschritt im Vergleich zu älteren Modellen, wie reaktive oder planbasierte Instandhaltung. Das Ergebnis der Implementierung einer Predictive Maintenance sollte eine effizientere Nutzung der Ressourcen der technischen Instandhaltung und eine verbesserte Verfügbarkeit sein (insbesondere auch die Vermeidung von Fehlern).
Die Predictive Maintenance wird durch eine komplexe Umgebung realisiert, die aus Organisationslösungen, kollaborativen Sensoren, Messgeräten und IT-Systemen besteht. Unter den letzteren ist das MES (Manufacturing Execution System) eines von den Wichtigeren. , Innerhalb von MES ist es genauer gesagt die CMMS-Komponente (Computerised Maintenance Management Systems). Eine Schlüsselrolle spielen auch Systeme, die den Zustand von Maschinen und den Ablauf von SCADA- (Supervisory Control And Data Acquisition) Prozessen überwachen.
Trotz der Vorteile der Predictive Maintenance werden einige Unternehmen durch die Investitionskosten und einigen praktischen Problemen abgeschreckt, die bei der Implementierung auftreten können. Es lohnt sich, die häufigsten Schwierigkeiten genau zu untersuchen, um sich im Vorfeld darauf vorzubereiten.
Ein zu großer Umfang der Implementierung
Das Ziel ist die Erkennung von Anomalien im Betrieb von Maschinen, die einen bevorstehenden Ausfall oder eine Fehlfunktion zur Folge haben können. Hierzu kommen Geräte zur Messung von Stromaufnahme, Temperatur, Vibrationen und Flüssigkeitsständen zum Einsatz. Natürlich sind die Kosten für die sensorische Überwachung aller Maschinen in der Produktion hoch und nicht unbedingt zielführend. Um die Investitionskosten zu rationalisieren, lohnt es sich daher die Implementierung der Predictive Maintenance nur auf diejenigen Anlagen zu beschränken, die Engpässe im Produktionsprozess darstellen. Die Zuverlässigkeitsanalyse RCM (Reliability Centered Maintenance) erleichtert die Bestimmung, welche Ressourcen in die Messung einbezogen werden sollen. Die eingeschränkte Implementierung kann einen störungsfreien Betrieb von Maschinen gewährleisten, die für die Auftragsausführung von entscheidender Bedeutung sind. Die Predictive Maintenance könnte somit auch einer breiteren Gruppe von Unternehmen zugänglich sein.
Erwartung sofortiger Ergebnisse
Aus mindestens zwei Gründen ist die Predictive Maintenance ein zeitaufwändiger Prozess. Um Anomalien zu identifizieren, die zu Fehlern führen können, müssen die Betriebsdaten über einen ausreichend langen Zeitraum gesammelt werden. Nur eine hinreichend reichhaltige Basis zur Datenanalyse gibt die Möglichkeit einzelne Ereignisse zu identifizieren und geeignete Verfahren zu entwickeln. Wichtige Zusammenhänge und Trends können nur durch die Analyse großer Datenmengen ermittelt werden.
Zweitens, da jede Produktionshalle bis zu einem gewissen Grad einzigartig ist, ist auch jede Implementierung der Predictive Maintenance individuell. Es ist nicht möglich, ein an einem Standort getestete Modell direkt an einen anderen Standort zu übertragen. Die Notwendigkeit Lösungen individuell anzupassen, ihre Auswirkungen zu verfolgen und sie kontinuierlich zu verbessern, erfordert eine entsprechend lange Zeit der Umsetzung.
Inkonsequentes Handeln
Investitionen in Hard- und Software zur Unterstützung der Predictive Maintenance sind ein notwendiger, aber nicht ausreichender Schritt zur Erreichung der Implementationsziele. Auch hier gilt die Regel, dass selbst die besten technischen Lösungen ihre Aufgaben nicht erfüllen, wenn sie nicht richtig eingesetzt werden.
Die Predictive Maintenance ist eine Reihe eng miteinander verbundener Prozesse ist und es darf nicht ein einzelner Link fehlen. Das alleinige Vorhandensein eines Systems, das Daten über den Zustand von Maschinen sammelt und archiviert ist nicht zielführend, wenn eine der folgenden Phasen wie Datenanalyse, korrekte Schlussfolgerung und geeignete Maßnahmen fehlt. Somit ist bei Realisierung nur partieller Lösungen der gesamte Aufwand vergebens.
Trotz der Unterstützung durch Instandhaltungsmanagementsystemen (CMMS) zur Automatisierung bestimmter Prozesse und Entscheidungen, hängt der Erfolg einer Predictive Maintenance auch von der Wahrnehmung der Mitarbeiter und der konsequenten Einhaltung der Verfahren ab.
Mangelnde Datenintegration
Im Falle einer optimalen Implementierung der Predictive Maintenance sollte der Informationsaustausch zwischen den Komponenten automatisch stattfinden. In der Praxis bedeutet das, die Integration des SCADA-Systems (Supervisory Control And Data Acquisition System) mit dem CMMS-System (Computerised Maintenance Management System) für die Analyse und das Delegieren von Aufgaben. Durch die Integration wird vermieden, dass wertvolle Wartungszeit verschwendet wird. Somit gewährleistet die Integration der Systeme Konsistenz und eine hohe Datenqualität.
Die möglicherweise bei der Implementierung der Predictive Maintenance auftretenden Hindernisse, sollten der Anwendung dieser Methode nicht im Wege stehen. Der hohe Aufwand wird durch eine beispiellose Effizienz der Instandhaltung mehr als wett gemacht, sowohl in Bezug auf das Personal- als auch auf die technischen Ressourcen.
