So bauen Sie ein Programm zur vorausschauenden Instandhaltung von Grund auf auf
Wartungsarbeiten nach einem festen Zeitplan sind ein ineffizientes Verfahren, um den reibungslosen Betrieb von Anlagen zu gewährleisten. Der Verschleiß von Maschinen hält sich nicht an einen Zeitplan. Techniker verschwenden möglicherweise Zeit mit der Wartung von Anlagen, die keine Wartung benötigen, und übersehen dabei Fehler an Bauteilen, die bereits vor dem im Kalender vorgesehenen Wartungstermin verschlissen sind. Die Folge sind vermehrte ungeplante Ausfallzeiten und unnötige Kosten.
Untersuchungen von McKinsey zeigen, dass ein vorausschauendes Wartungsprogramm ungeplante Ausfallzeiten um 30 % bis 50 % reduziert [1]. Eine Analyse von Deloitte kommt zudem zu dem Ergebnis, dass diese Strategie die Gesamtwartungskosten um 18 % bis 25 % senkt [2].
Werksleiter müssen überprüfen, wie in ihren Betrieben der Zustand der Maschinen kontrolliert wird, um diese Kosten einzusparen und effizienter zu arbeiten. Einen umfassenden Vergleich der Betriebsstrategien finden Sie im „Kompletten Leitfaden zu Wartungsstrategien in der industriellen Automatisierung“.
Was ist vorausschauende Instandhaltung?
Bei der vorausschauenden Instandhaltung überwachen Techniker den Zustand der Anlagen in Echtzeit, um genau zu bestimmen, wann Wartungsarbeiten erforderlich sind. Diese Strategie sieht Reparaturen vor, bevor Komponenten ausfallen, wodurch unerwartete Produktionsverzögerungen vermieden werden.
Die vorausschauende Instandhaltung funktioniert am besten, wenn ausreichend kontinuierliche Daten erfasst werden. Nach Angaben des US-Energieministeriums kann ein gut umgesetztes Programm zur vorausschauenden Instandhaltung im Vergleich zu einem herkömmlichen Plan zur vorbeugenden Instandhaltung Einsparungen von 8 % bis 12 % erzielen [3].
Voraussetzungen für den Start eines Programms zur vorausschauenden Instandhaltung
Zu den drei Voraussetzungen, die vor dem Start eines Programms zur vorausschauenden Instandhaltung erfüllt sein müssen, gehören die folgenden:
- Das Ingenieurteam benötigt ein vollständiges Anlagenverzeichnis. Jede Industrieanlage sollte in einer zentralen Datenbank mit einer eindeutigen Kennung und einem Standortcode erfasst sein.
- Historische Ausfalldaten müssen leicht zugänglich sein, damit die Teams wissen, welche Teile am häufigsten ausfallen.
- Grundlegende digitale Kompetenzen sind von entscheidender Bedeutung, da Techniker in der Lage sein müssen, auf automatisierte Software-Warnmeldungen zu reagieren.
Phase 1: Analyse der Kritikalität der Anlagen
Betriebe sollten eine Analyse der Kritikalität von Anlagen durchführen, um zu ermitteln, wie Ressourcen am besten eingesetzt werden können. Bei diesem Verfahren werden die Auswirkungen auf die Maschinenproduktion, Sicherheitsrisiken und Ersatzkosten erfasst.
Wenn der Ausfall eines bestimmten Motors die gesamte Produktionslinie zum Stillstand bringt, muss diese Maschine gewartet werden. Die Norm ISO 17359 legt Standardkriterien für die Bewertung von Maschinenrisikoprofilen fest [4]. Anlagen mit niedriger Bewertung sollten weiterhin nach einfacheren Wartungsplänen gewartet werden, um die Kosten niedrig zu halten.
Phase 2: Fehlermodusanalyse
Die Fehlermodus- und Auswirkungsanalyse (FMEA) hilft Teams dabei, spezifische mechanische Risiken einzugrenzen. Dadurch werden Verschleißmuster einer Komponente sowie Anzeichen dafür aufgedeckt, dass Teile bruchanfällig sind.
Die Fehlermodusanalyse sollte durchgeführt werden, bevor Ingenieure Hardware für kritische Anlagen anschaffen. Auf diese Weise wissen sie genau, welche Teile in welcher Stückzahl bestellt werden müssen.
In dieser Phase ist das P-F-Intervall von großer Bedeutung. Es handelt sich dabei um den Zeitraum zwischen dem ersten erkennbaren Fehler (P) und dem Funktionsausfall (F) [3]. Sensoren müssen Daten bereits früh in diesem Intervall erfassen. Ist dieser Zeitraum zu kurz, bleibt keine Zeit, die Anlage proaktiv zu reparieren.
Phase 3: Technologieauswahl
Die Auswahl der Hardware hängt von den identifizierten Ausfallmodi ab. Die moderne Instandhaltung 4.0 stützt sich auf spezielle Sensoren zur Zustandsüberwachung, um Anzeichen von Verschleiß zu erfassen. So sind beispielsweise bei rotierenden Maschinen in der Regel Schwingungsanalyse-Tools erforderlich, um Lagerverschleiß frühzeitig zu erkennen.
Die Dateninfrastruktur muss dieses IIoT-Instandhaltungsnetzwerk unterstützen. Lokale drahtlose Gateways erfassen die Sensordaten und übertragen sie an Cloud-Server oder lokale Netzwerke.
Phase 4: Pilotprojekt
Bevor das vollständige Programm zur vorausschauenden Instandhaltung umgesetzt wird, sollten die Werksleiter ein oder zwei kritische Anlagen für ein gezieltes Pilotprojekt auswählen. Lokale Pilotprojekte tragen dazu bei, die Methoden zur Datenerfassung vor der werksweiten Ausweitung zu verfeinern [5].
Dieser Test begrenzt zudem das anfängliche finanzielle Risiko und dient gleichzeitig dazu, das Betriebskonzept gegenüber den Entscheidungsträgern im Unternehmen zu validieren. Die Testphase sollte 3 bis 6 Monate dauern. Die Teams müssen während dieses Zeitraums klare Basiskennzahlen erfassen, darunter die mittlere Reparaturzeit (MTTR) und die Anzahl der vermiedenen Ausfälle.
Phase 5: Datenverwaltung und –integration
Rohe Sensordaten bieten ohne angemessene Verarbeitung keinen großen Mehrwert. Anlagen müssen Predictive-Plattformen mit dem zentralen CMMS verbinden. Diese Verknüpfung automatisiert Arbeitsaufträge, wenn Sensoren ungewöhnliche Trends erkennen.
Eine Datenverwaltung mit strengen Regeln sorgt dafür, dass die Systemdaten übersichtlich und aussagekräftig bleiben. Zuverlässigkeitsingenieure sollten genaue Alarmschwellenwerte festlegen, die auf historischen Referenzwerten oder einer ISO-Norm basieren. Überschreitet ein Parameter einen Schwellenwert, löst das System einen Alarm aus. So können sich Techniker auf einen Eingriff vorbereiten, bevor es zu einem Funktionsausfall kommt.
Phase 6: Skalieren und iterieren
Sobald sich das Pilotprojekt als erfolgreich erwiesen hat, kann das Management die PdM-Strategie auf weitere kritische Produktionslinien ausweiten. Die Skalierung erfordert eine Aktualisierung der Standardarbeitsanweisungen, um datengesteuerte Arbeitsabläufe abzubilden. Die in den frühen Phasen gewonnenen Erkenntnisse helfen Ingenieuren, die Platzierung von Sensoren an sekundären Anlagen zu optimieren.
Diese betriebliche Ausweitung kann sich auf den Beschaffungsbedarf des Werks auswirken. Da Ausfälle Wochen im Voraus vorhergesagt werden, können Betriebe ihre Lagerhaltungsstrategien entsprechend anpassen. Durch die Beschaffung von Komponenten bei EU Automation können Werke Teile genau dann bestellen, wenn sie benötigt werden.
Häufige Fallstricke bei der Implementierung
Hier sind häufige Fehler bei der Einführung, die Anlagenteams vermeiden können:
- Gleichzeitige Überwachung zu vieler Anlagenkomponenten, wodurch Datenspeichersysteme überlastet werden
- Vernachlässigung der Schulung von Technikern, wodurch das Personal nicht auf Warnmeldungen automatisierter Systeme reagieren kann
- Zu niedrig angesetzte Warnschwellen führen schichtübergreifend zu einer Ermüdung durch Fehlalarme
- Vernachlässigung des Austauschs von Sensorbatterien und der Wartung der Netzwerkhardware
- Versäumnis, den Ersatzteilbestand an den prognostizierten Komponentenbedarf anzupassen
KPIs zur Messung des Erfolgs eines Predictive-Maintenance-Programms
Anlagen sollten diese zentralen Kennzahlen verfolgen, um den Erfolg eines Predictive-Maintenance-Programms genau zu messen:
- Stunden ungeplanter Ausfallzeit - Die gesamte Produktionszeit, die durch unerwartete Anlagenstillstände verloren geht
- Mittlere Reparaturzeit (MTTR) - Die durchschnittliche Dauer, die für die Fehlersuche und Behebung einer Störung erforderlich ist
- Alarmgenauigkeitsrate - Der Prozentsatz der Systemalarme, die tatsächliche mechanische Fehler aufdecken
- Wartungskosten pro Anlage - Gesamtausgaben für Ersatzteile und Arbeitsaufwand für überwachte Maschinen
Wenn vorausschauende Wartung nicht gerechtfertigt ist
Wenn die Kosten für Sensorhardware und Software-Abonnements den Wert der Produktionsverluste übersteigen, ist vorausschauende Wartung nicht gerechtfertigt. Beispielsweise rechtfertigen einfache, nicht kritische Komponenten wie Abluftventilatoren in Büros oder sekundäre Reservepumpen keine hohen Sensorkosten. Diese Komponenten bis zum Ausfall zu betreiben, ist eine wirtschaftlich rationale Entscheidung.
Fazit
Der Aufbau eines vorausschauenden Systems von Grund auf verhindert unerwartete Produktionsausfälle, die Fertigungslinien zum Stillstand bringen. Zunächst die Kritikalität der Maschinen zu prüfen, anstatt alles auf einmal zu überwachen, verhindert unnötige Ausgaben.
Es ist unerlässlich, mit einem kleinen Testlauf zu beginnen und das System vor der vollständigen Einführung zu überprüfen. Dieser Testlauf ermöglicht es den Teams, geeignete Warnmeldungen und klare Arbeitsabläufe festzulegen, ohne die Techniker zu überlasten.
Die frühzeitige Erkennung von Maschinenfehlern reduziert den Stress und die Ausfallzeiten durch Notreparaturen. Wenn Ausfälle im Voraus bekannt sind, können Werke Ersatzteile zudem effizienter lagern. Dadurch werden die Lagerkosten gesenkt, ohne zusätzliche Ausfallzeiten zu riskieren. Die Einhaltung dieser klaren Phasen schützt die Produktionsleistung und hält die Budgets unter Kontrolle.
Werksleiter, die datengestützte Modernisierungen und die laufende Instandhaltung kritischer Produktionslinien unterstützen möchten, können Teile von EU Automation beziehen. Eine zuverlässige Bezugsquelle für industrielle Automatisierungskomponenten kann sicherstellen, dass Strategien zur vorausschauenden Instandhaltung erfolgreich umgesetzt werden.
Referenzen
[1] McKinsey & Company, Digitally Enabled Reliability: Beyond Predictive Maintenance, 2018.
[2] Deloitte, Predictive Maintenance and the Smart Factory.
[5] McKinsey & Company, Prediction at Scale: How Industry Can Get More Value Out of Maintenance, 2021.
