Zuverlässigkeitsmetriken wie MTTF wurden für eine einfachere industrielle Ära entwickelt, als die Lieferketten stabil waren, Anlagen standardisiert waren und die Folgen eines Ausfalls sich weitgehend auf die Wartungskosten beschränkten. Heutige Betriebe sind mit einer grundlegend anderen Risikolandschaft konfrontiert.
Was auf dem Papier wie ein unbedeutendes Zuverlässigkeitsproblem aussieht, kann in der Praxis zu Produktionsausfällen, gesetzlichen Auflagen oder Lieferunterbrechungen führen, oder einer Lieferunterbrechung führen. Führungsentscheidungen erfordern daher einen Einblick in den betrieblichen Kontext, nicht nur statistische Durchschnittswerte.
Eine kurze Geschichte und die Notwendigkeit von MTTF
Seit es Industrieanlagen gibt, stehen die Betreiber vor der gleichen grundsätzlichen Frage: Wann wird dieses Teil ausfallen, und werde ich es bereit haben, wenn es ausfällt?
Während des größten Teils der Industriegeschichte bestand die Antwort in Erfahrung, Intuition und Stammeswissen, das von einem Wartungsingenieur an den nächsten weitergegeben wurde.
Als die industriellen Systeme in der Mitte des 20. Jahrhunderts immer komplexer wurden, war dieser Ansatz nicht mehr haltbar. Ingenieure brauchten einen Weg, um die Zuverlässigkeit zu quantifizieren, um die Frage "wann wird es ausfallen" in etwas Messbares und Vergleichbares zu verwandeln.
Die MTTF (Mean Time to Failure) wurde zu dieser Zahl. Sie lieferte eine einfache, standardisierte Kennzahl: die durchschnittliche Zeit, die eine Komponente voraussichtlich funktionieren wird, bevor sie ausfällt.
Bei nicht reparierbaren Komponenten ist dies die MTTF, bei reparierbaren Systemen ist das Äquivalent die Mean Time Between Failures (MTBF). Die beiden Begriffe sind eng miteinander verbunden und werden oft synonym verwendet, obwohl sie sich technisch unterscheiden.
Die Eleganz der Metrik lag in ihrer Einfachheit. Sie verwandelte ein abstraktes Konzept, die erwartete Lebensdauer einer physischen Komponente, in eine brauchbare Zahl, mit der Wartungstechniker, Beschaffungsteams und Betriebsleiter arbeiten konnten.
MTTF hat nicht nur die Wartungspläne geprägt. Sie prägte die Denkweise einer ganzen Generation von Ingenieuren, die Anlagen als Objekte mit vorhersehbarer Lebensdauer betrachteten, die durch statistische Überlegungen verwaltet werden können.
Der Grund, warum die MTTF so wichtig ist, dass sie sorgfältig geprüft werden sollte, ist das Ausmaß dessen, was auf dem Spiel steht, wenn die Wartungsplanung falsch ist.
Anlagenausfälle sind nicht nur eine technische Unannehmlichkeit, sondern führen direkt zu Produktionsausfällen, Kosten für die Beschaffung von Hilfsmitteln und in einigen Fällen zu Sicherheits- und Umweltvorfällen.
Die folgenden Zahlen geben einen Eindruck von der Betriebsumgebung, in der MTTF-basierte Entscheidungen getroffen werden.
Diese Sichtweise besteht auch heute noch. Wenn Sie die Wartungsplanungsabteilung eines großen Industriebetriebs, einer Ölraffinerie, eines Bergbauunternehmens oder eines Chemiewerks betreten, werden Sie feststellen, dass MTTF und MTBF immer noch im Mittelpunkt des Gesprächs stehen.
Sie erscheinen in Studien zur zuverlässigkeitsorientierten Instandhaltung, in Fehlermöglichkeits- und Einflussanalysen, in der SAP PM-Konfiguration und in den Maximo-Präventivwartungsplänen.
Wie MTTF berechnet wird, mit praktischen Beispielen
Im Kern ist MTTF der Erwartungswert der Ausfallzeitverteilung einer Komponente. Die formale Definition lautet:
In der Praxis arbeiten die meisten Wartungsteams nicht direkt mit diesem Integral. Sie verwenden die vereinfachte Version, die sich ergibt, wenn Sie eine konstante Ausfallrate annehmen, nämlich die Exponentialverteilung:
Diese Annahme einer konstanten Rate macht die MTTF einfach zu berechnen und zu verwenden.
Praktisches Beispiel: Drei Komponenten einer Zentrifugalpumpe
Nehmen wir eine Zentrifugalpumpe im Kühlwasserkreislauf einer Raffinerie. Ein Zuverlässigkeitsingenieur möchte die MTTF für drei Schlüsselkomponenten berechnen und diese Zahlen verwenden, um präventive Wartungsintervalle und Sicherheitsbestände festzulegen. Hier sehen Sie, wie die Berechnung in der Praxis funktioniert:
| Komponente | Beobachtete Misserfolge | Betriebsstunden insgesamt | Misserfolgsrate (λ) | MTTF | Vorgeschlagenes PM-Intervall |
|---|---|---|---|---|---|
| Gleitringdichtung | 6 Ausfälle | 12.000 Stunden | 0,0005 /hr | 2.000 Stunden (~12 Monate) | Nach 1.600 Stunden austauschen |
| Lager (radial) | 3 Ausfälle | 18.000 Stunden | 0.000167 /hr | 6.000 Stunden (~36 Monate) | Inspektion nach 4.500 Stunden |
| Laufrad | 1 Ausfall | 15.000 Stunden | 0.0000667 /hr | 15.000 Stunden (~7 Jahre) | Bei größerer Überholung inspizieren |
Die MTTF der Gleitringdichtung von 2.000 Stunden bedeutet, dass das Lager immer mindestens eine Ersatzdichtung vorrätig haben sollte. Die MTTF des Lagers von 6.000 Stunden legt eine niedrigere Priorität für die Lagerhaltung nahe.
Die MTTF von 15.000 Stunden macht das Laufrad für die meisten Betriebe zu einem Bauteil, das auf Abruf bestellt werden kann. MTTF macht genau das, wofür es entwickelt wurde, und das sehr gut.
Die obige einfache Berechnung geht davon aus, dass die Ausfallrate während der gesamten Lebensdauer der Komponente konstant ist. In Wirklichkeit folgen die meisten Komponenten einem Muster, das als Badewannenkurve bekannt ist: höhere Ausfallraten im Neuzustand (Kindersterblichkeit aufgrund von Installationsfehlern), eine stabile mittlere Phase und steigende Ausfallraten, wenn die Komponente altert und sich abnutzt.
Die Weibull-Verteilung bildet diese Realität ab. Ihr Formparameter β sagt Ihnen, in welchem Teil der Kurve sich eine Komponente befindet:
Die meisten EAM-Plattformen gehen von einer konstanten Ausfallrate aus (β = 1, gestrichelte grüne Linie). Reale Industrieanlagen in der Abnutzungsphase haben β > 1, was bedeutet, dass die MTTF das Risiko systematisch unterschätzt, wenn die Anlagen altern. (Quelle: Zuverlässigkeitsmagazin)
| β-Wert | Lebenszyklus-Phase | Was das für die Pumpendichtung bedeutet Beispiel |
|---|---|---|
| β < 1 | Säuglingssterblichkeit | Das Siegel versagt kurz nach der Installation. Wahrscheinliche Ursache: falscher Einbau, falsche Sorte angegeben. Die Standard-MTTF-Berechnung, die auf diesen Daten basiert, unterschätzt die normale Betriebsdauer. |
| β = 1 | Zufällig / Nutzungsdauer | Ausfälle treten mit einer konstanten, unvorhersehbaren Rate auf. MTTF ist hier ein gutes Planungsinstrument. Dies ist die einzige Phase, in der die Standard-MTTF-Annahme mathematisch fundiert ist. |
| β > 1 | Abnutzungserscheinungen | Die Dichtung altert und die Ausfallrate steigt. Ein PM-Intervall von 80% der MTTF, das auf Daten aus der Anfangszeit basiert, ist jetzt zu lang, und es kommt zu Ausfällen vor dem geplanten Austausch. |
Die meisten EAM-Plattformen verwenden standardmäßig Exponentialverteilungen (β = 1). Bei alternden Industrieanlagen ist β > 1 üblich, was die statische MTTF unzuverlässig macht.
A NASA-Studie mit 30 identischen Lagern, die unter kontrollierten Bedingungen bis zum Ausfall gelaufen sinddie im Reliability Magazine zitiert wird, stellte eine so hohe Varianz fest, dass standardmäßige MTTF-basierte Austauschzeitpläne statistisch nicht mehr vertretbar waren.
Die Verbindung zwischen MTTF und Bestandsplanung ist direkt. Die meisten ERP-Systeme berechnen den Sicherheitsbestand anhand einer Formel, die von der Ausfallrate abgeleitet ist:
Für die Pumpendichtung in unserem Beispiel: Wenn die MTTF 2.000 Stunden beträgt, der angestrebte Servicegrad 95% (Z = 1,65) ist und die Vorlaufzeit für die Dichtung von ihrem Lieferanten eine Standardabweichung von 2 Wochen aufweist, ergibt die Berechnung des Sicherheitsbestands eine Empfehlung für die zu haltenden Einheiten.
Entscheidend ist, dass, wenn die MTTF-Eingabe falsch ist, weil sie aus einer heterogenen Population oder unter anderen Betriebsbedingungen berechnet wurde, jede nachgelagerte Inventarentscheidung in gleichem Maße falsch ist.
Die Rolle von MTTF in der Wartung und im MRO-Bestand
Bevor wir uns mit den Einschränkungen befassen, sollten wir direkt sagen, was MTTF richtig macht, denn die Versuchung im Technologiediskurs besteht darin, das Alte zugunsten des Neuen zu verwerfen. Das wäre hier ein Fehler.
Menschen können die Ausfallwahrscheinlichkeit im Laufe der Zeit schlecht einschätzen. Wir überschätzen die Zuverlässigkeit von Geräten, die wir vor kurzem gewartet haben, und unterschätzen die Verschlechterung von Geräten, die schon länger in Betrieb sind.
MTTF zwingt Unternehmen dazu, Intuition durch Berechnung zu ersetzen. Einer Pumpe mit einer MTTF von 18 Monaten ist es egal, ob der Wartungstechniker glaubt, dass sie gut aussieht. Die Statistik ist keine Meinung.
Wartungsingenieure, Beschaffungsteams, Betriebsleiter und Finanzdirektoren müssen alle über das Anlagenrisiko sprechen. MTTF bietet ihnen ein gemeinsames Vokabular.
Seine Standardisierung in ISO 14224, MIL-HDBK-217, und IEC 60812 bedeutet, dass ein Zuverlässigkeitsingenieur, der die Branche wechselt, keinen neuen Rahmen erlernen muss.
Ohne eine Schätzung der zu erwartenden Lebensdauer ist die Planung der Instandhaltung entweder zu konservativ, da Teile mit einer beträchtlichen Restlebensdauer ersetzt werden, oder zu wenig konservativ, da gewartet wird, bis Komponenten ausfallen.
Die MTTF liefert den rationalen Anker. Ein Radiallager mit einer MTTF von 6.000 Stunden sollte nach 4.500 Stunden inspiziert werden, nicht nach 3.000 (verschwenderisch) und nicht nach 8.000 (riskant).
Die Pumpendichtung, die bei einer Flotte von zehn Pumpen alle 2.000 Stunden ausfällt, erzeugt einen vorhersehbaren jährlichen Bedarf an Dichtungen. Diese Bedarfsschätzung, so unvollkommen sie auch sein mag, ist die Grundlage für die Nachschublogik des Lagers.
Jede Bewertung der Kritikalität von Ersatzteilen basiert letztlich auf einer Version dieser Übersetzung von Ausfallrate zu Nachfrage.
MTTF ist nicht falsch. Sie ist unvollständig. Die Unterscheidung ist von enormer Bedeutung, wenn Sie entscheiden, was Sie als nächstes bauen wollen.
Wem gehört die MTTF im industriellen Betrieb
Im Gegensatz zur FMEA, die eine klar definierte, funktionsübergreifende Verantwortungsstruktur hat, wird MTTF eher bruchstückhaft in der gesamten Organisation eingesetzt.
Wenn wir verstehen, wo sie lebt und wo nicht, können wir erklären, warum ihre Grenzen oft nicht beachtet werden.
Zuverlässigkeitsanalyse
Berechnet die MTTF aus den Daten der Fehlerhistorie im CMMS, legt die PM-Intervalle fest, und ist normalerweise die einzige Funktion, die die statistischen Annahmen hinter der Zahl versteht. Oft der einzige Verwalter, der weiß, ob die Weibull-β-Annahme für ein bestimmtes Asset gültig ist.
Wartungsplanung & MRO-Beschaffung
Verwendet von MTTF abgeleitete Bedarfsschätzungen zur Festlegung von Meldepunkten und Sicherheitsbeständen im ERP festzulegen. Stellt selten die Qualität der MTTF-Eingabe in Frage und hat hat nur begrenzte Einblicke in die Frage, ob die verwendete Ausfallrate noch für aktuellen Betriebsbedingungen gültig ist.
Betrieb / Werksleitung
Tragen Sie die Konsequenzen einer falschen MTTF in Form von ungeplanten Ausfallzeiten oder übermäßigen Ausfallzeiten oder übermäßigen Wartungskosten. Liefert den Produktionskontext (wie kritisch ist diese Anlage heute, wie hoch ist ihre tatsächliche Auslastung), den MTTF-Berechnungen selten berücksichtigen.
In den meisten Industrieunternehmen ist die Person, die die MTTF berechnet (Reliability Engineering) und derjenige, der sie für Bestandsentscheidungen nutzt (MRO-Beschaffung) arbeiten in getrennten Systemen, mit getrennten KPIs, und mit begrenzter Interaktion. Die Schätzung der Ausfallrate wird einmal über einmal, bei der EAM-Implementierung oder bei einer jährlichen Überprüfung, und dann verwendet, bis etwas so schwerwiegend ist, dass eine Neuberechnung erforderlich ist. Diese Trennung ist der Grund für einen erheblichen Teil der Überbestände und Stockout-Risiko entsteht.
Wo MTTF strukturell zusammenbricht
In Gesprächen mit Kunden, die MTTF ausgiebig als primären Planungsinput nutzen, tauchen immer wieder die gleichen Einschränkungen auf. Dies sind keine theoretischen Kritiken. Es handelt sich um betriebliche Ausfälle, die sich in den Berichten über Produktionsverluste niederschlagen.
Die statistische Gültigkeit der MTTF beruht auf einer Population identischer Komponenten, die unter identischen Bedingungen arbeiten. Diese Annahme gilt in einem kontrollierten Labor. Sie gilt jedoch nur selten in einem industriellen Umfeld.
Bei zwei nominell identischen Zentrifugalpumpen in derselben Anlage läuft Pumpe A mit einer Nennleistung von 80% mit sauberem Wasser bei 20°C. Pumpe B läuft mit einer Nennleistung von 110% in einer leicht korrosiven Flüssigkeit bei 35°C.
Ihre Gleitringdichtungen haben die gleiche Herstellernummer. Ihre tatsächliche Ausfallverteilung ist jedoch sehr unterschiedlich.
Eine einzelne MTTF, die aus der kombinierten Population beider Pumpen berechnet wird, sagt Ihnen nichts Zuverlässiges über eine der beiden Pumpen.
Forschung veröffentlicht im Reliability Magazine bringt diesen Punkt auf den Punkt: Wenn Unternehmen ihre Zuverlässigkeitspraktiken verbessern und beginnen, Ausfalldaten auf der anlagenspezifischen Ebene statt auf der Komponentenebene zu analysieren, nimmt die Varianz um die MTTF-Werte der Grundgesamtheit in der Regel eher zu als ab, weil tiefere, anlagenspezifische Ausfallmodi sichtbar werden, die zuvor im Durchschnitt nicht berücksichtigt wurden.
Das ist genau der Grund, warum Aufbau eines Kritikalitätsprogramms auf der Ebene der einzelnen Anlagenund nicht auf der Ebene der Komponentenklasse, führt zu deutlich anderen Ergebnissen.
Kunden-Fallstudie
Eine große Raffinerie an der Golfküste stellte fest, dass ihr MTTF-basierter Wartungsplan gleichzeitig 40% ihrer Pumpen überwartete (Austausch von Komponenten mit einer beträchtlichen Restlebensdauer) und 23% unterwartete (fehlende Komponenten, die schneller als der Bevölkerungsdurchschnitt abgenutzt wurden). Die Kosten für die übermäßige Wartung waren in unnötigen Arbeits- und Materialkosten versteckt. Die Kosten für die unzureichende Wartung tauchten im Bericht über den Produktionsverlust auf. In der MTTF-Berechnung tauchten sie nicht auf.
Die MTTF wird aus historischen Daten unter bestimmten Betriebsbedingungen berechnet. In dem Moment, in dem sich diese Bedingungen ändern, beginnt die berechnete Zahl von der Realität abzuweichen.
In der Literatur zur Zuverlässigkeitstechnik werden immer wieder mehrere Variablen als die wichtigsten genannt:
| Variabel | Praktische Auswirkungen auf die Ausfallrate | Was MTTF damit macht |
|---|---|---|
| Betriebslast über der Nennkapazität | Komponenten verschleißen schneller; Dichtungen und Lager reagieren besonders empfindlich auf Überdruck und Hitze | Nicht modelliert. Die bei Nennlast berechnete MTTF bleibt unverändert. |
| Umgebungs- und Prozesstemperatur | Das Arrhenius-Prinzip zeigt, dass sich die Lebensdauer von Lagern und Isolierungen mit jedem Anstieg von ~10°C über die Nenntemperatur halbiert. | Nicht modelliert. Die Temperatur ist keine Variable in den Standard-MTTF-Berechnungen. |
| Änderung der Zusammensetzung der Prozessflüssigkeit | Eine Dichtung, die für Flüssigkeiten mit neutralem pH-Wert ausgelegt ist, verschlechtert sich bei saurem oder hochviskosem Betrieb erheblich schneller. | Nicht modelliert. Es wird weiterhin die MTTF aus den Daten des neutralen Dienstes verwendet. |
| Qualität bei Installation und Wartung | Nach der Wartung kommt es häufig zu Kinderkrankheiten, wenn Dichtungen oder Lager falsch wieder eingebaut werden. | Diese frühen Ausfälle verzerren die MTTF der Bevölkerung nach unten, ohne zu erklären, warum. |
| Luftfeuchtigkeit und korrosive Umgebung | Beschleunigter Oberflächenverschleiß an mechanischen Dichtungen und elektrischen Kontakten in küstennahen oder feuchten Anlagenumgebungen | Nicht modelliert, es sei denn, die standortspezifischen Ausfalldaten werden von der globalen Population getrennt. |
MTTF wird aus historischen Ausfalldaten berechnet. Sie beschreibt, was in der Vergangenheit mit einer Reihe von Komponenten passiert ist. Ein Instandhaltungsplaner trifft jedoch Entscheidungen über die Zukunft: was wird wann ausfallen und was muss auf Lager sein, wenn es ausfällt.
Ein Lager, das derzeit mit der doppelten Frequenz seiner Grundlinie schwingt, gibt diese Information nicht an eine MTTF-Berechnung weiter.
Ein Transformator, der aufgrund eines Installationsproblems vor sechs Monaten fünf Grad heißer als normal läuft, wird in einer Statistik auf Bevölkerungsebene nicht berücksichtigt. Bis das neue Ausfallereignis in den Datensatz eingeht und die MTTF aktualisiert, ist der Schaden bereits angerichtet.
MTTF sagt Ihnen, wann eine Komponente wahrscheinlich ausfallen wird. Sie sagt nichts darüber aus, ob das Ersatzteil verfügbar sein wird, wenn es ausfällt.
Dies ist die folgenreichste Lücke, die in der klassischen Literatur zur Zuverlässigkeitstechnik fast keine Beachtung findet.
Die Dichtung einer Raffineriepumpe hat eine MTTF von 2.000 Stunden. Der Zuverlässigkeitsingenieur legt ein PM-Intervall von 1.600 Stunden fest. Das Beschaffungsteam legt einen Nachbestellungspunkt basierend auf dieser Ausfallrate. Was das Modell nicht weiß: Der einzige qualifizierte Lieferant der Dichtung qualifizierte Lieferant der Dichtung hat aufgrund von Produktionsbeschränkungen eine Vorlaufzeit von 14 Wochen. Der Vorrat geht zur Neige. Das Siegel fällt nach 1.700 Stunden aus. Die Vorlaufzeit bedeutet, dass die Pumpe läuft 6 Wochen lang mit einer defekten Dichtung, bevor ein Ersatzteil eintrifft. Die MTTF war richtig. Das System ist trotzdem ausgefallen.
Wenn von MTTF abgeleitete Bedarfsschätzungen an die Beschaffungsteams weitergegeben werden, stehen diese vor einem statistischen Problem, für das MTTF nie gedacht war.
Eine kritische Pumpendichtung, die einmal alle 14 Monate verbraucht wird, erzeugt kein gleichmäßiges Bedarfssignal. Sie erzeugt eine Reihe von Nullen, die von gelegentlichen Einsen unterbrochen werden.
Ein Laufrad, das drei Jahre lang unangetastet bleibt und dann innerhalb von sechs Wochen zweimal benötigt wird, ist keine Anomalie in der Planung. Es handelt sich um ein normales Muster für Ersatzteile, die in kleinen Stückzahlen hergestellt werden und sehr kritisch sind.
Standardprognosemethoden, gleitende Durchschnitte, exponentielle Glättung, angewandt auf diese intermittierenden Muster, führen systematisch zu einer falschen Antwort.
Sie prognostizieren zu viel für Artikel mit gelegentlichen Nachfragespitzen und zu wenig für Artikel mit seltenem, aber gebündeltem Verbrauch.
Die akademische Literatur zu diesem Thema ist gut etabliert: Die Methode von Croston (1972)die speziell für die intermittierende Nachfrage entwickelt wurde, zeigte, dass die exponentielle Standardglättung für diese Muster statistisch ungeeignet ist, und ihre Varianten wurden anhand von RAF-Bestandsdaten für mehr als 11.000 Ersatzteilserien validiert.
Eine Anlage, die mit 20 Jahre alten Geräten betrieben wird, ist nicht nur den Ausfallrisiken ausgesetzt, die MTTF erfasst. Sie ist mit einem wachsenden Risiko konfrontiert, das MTTF nicht abbilden kann: Die Teile, die zur Reparatur benötigt werden, werden möglicherweise nicht mehr hergestellt.
MTTF berechnet korrekt, dass ein kritischer Ventilaktuator eine durchschnittliche Lebensdauer von 36 Monaten hat, und zwar bis zu dem Tag, an dem der OEM die Komponente aus dem Programm nimmt.
Zu diesem Zeitpunkt hat das Lager möglicherweise nur noch einen Vorrat von drei Monaten, keine qualifizierte Alternative und eine Vorlaufzeit von 12 Monaten, um einen Ersatz zu beschaffen. Das Ausfallrisiko hat sich nicht geändert. Das Lieferrisiko machte den Vermögenswert unkontrollierbar.
In anlagenintensiven Industrien, in denen die Lebensdauer von Geräten regelmäßig 30 bis 40 Jahre übersteigt, ist Veralterung kein Einzelfall. Es handelt sich um eine systematische und wachsende Belastung, die statische Zuverlässigkeitsmetriken strukturell nicht darstellen können.
Eine Standard-MTTF-Analyse unterscheidet nicht zwischen dem Ausfall einer $12-Dichtung, der eine 30-minütige Verzögerung verursacht, und dem Ausfall eines $4.000-Regelventils, das eine Produktionseinheit sechs Tage lang außer Betrieb setzt. Beides sind Ausfälle. Beide tragen zur MTTF-Statistik bei.
Die Folgen sind jedoch nicht im Entferntesten vergleichbar, und eine Wartungsstrategie, die sie als gleichwertig betrachtet, führt zu einer systematischen Fehlallokation von Ressourcen, da zu viel in die Vermeidung von Ausfällen mit geringen Folgen und zu wenig in die Vermeidung von Ausfällen mit hohen Folgen investiert wird.
Die Kosten des Verlassens auf eine statische Ausfallrate
In der MRO-Bestandsverwaltung führt eine ungenaue MTTF zu demselben zweiseitigen Problem, das fehlerhafte FMEA-Kritikalitätsbewertungen verursachen: gleichzeitige Über- und Unterbestände, die jeweils auf unterschiedliche Weise teuer sind.
Eine Anlage, deren tatsächliche Ausfallrate höher ist als die MTTF vermuten lässt, weil sich die Betriebsbedingungen geändert haben, weil sich die Komponente in der Abnutzungsphase befindet oder weil der Bevölkerungsdurchschnitt die standortspezifische Belastung verschleiert, wird vor dem geplanten Austausch ausfallen.
Wenn das Teil nicht auf Lager ist und die Vorlaufzeit des Lieferanten Wochen statt Tage beträgt, führt dies zu ungeplanten Ausfallzeiten.
Im Öl- und Gasgeschäft, ABB-Umfrage zum Wert der Zuverlässigkeit 2025 von 3.600 globalen Entscheidungsträgern ergab, dass 83% ungeplante Ausfallzeiten mindestens $10.000 pro Stunde kosten, wobei die Kosten bei größeren Prozesseinheiten $500.000 pro Stunde erreichen.
Eine Anlage, die weniger häufig ausfällt, als der Bevölkerungsdurchschnitt vermuten lässt, weil sie unter geringer Last, in einer günstigen Umgebung oder mit hervorragender Wartungsqualität läuft, wird Teile im Lager haben, die Kapital verbrauchen.
Jedes Ersatzteil, das auf Lager gehalten wird, verursacht jährliche Kosten in Höhe von schätzungsweise 20 bis 30% seines Wertes, die die Kapitalkosten für den Lagerbestand, die Gemeinkosten für die Lagerverwaltung und die Logistikkosten abdecken.
Die praktische Folge ist ein Wartungsbetrieb, der ständig an zwei Fronten kämpft an zwei Fronten kämpft: Sie versucht, wichtige Teile zu Notpreisen zu beschaffen und und gleichzeitig ein aufgeblähtes Lager mit Teilen zu verwalten, die sich nie bewegen werden. Beide Probleme lassen sich auf dieselbe Ursache zurückführen: eine Ausfallrate, die aus historischen Daten und unter historischen Bedingungen berechnet und nicht an die Realität ändert.
Die von Verdantis durchgeführte Untersuchung mit fast 1.900 Führungskräften aus den Bereichen Bergbau, Öl und Energie, Versorgungsunternehmen und Fertigung ergab, dass 51% nannte Probleme mit der Datenqualität im MRO-Betrieb als eine der größten Herausforderungenund 49% meldeten Unstimmigkeiten in den Lieferantenstammdaten.
Dies sind keine technologischen Lücken. Es sind die Fehler in der Datendisziplin, die jedes Modell, ob MTTF-basiert oder nicht, am Punkt der Entscheidung unzuverlässig machen.
Mehr als MTTF: Wie modernes Asset Management den Ansatz weiterentwickelt
Die MTTF muss nicht ersetzt werden. Sie muss als das verstanden werden, was sie ist: ein Ausgangspunkt, nicht ein Endpunkt.
Die Frage ist, welche zusätzlichen Kontexte, Daten und Analysefähigkeiten darüber gelegt werden können, um genauere, aktuellere und vollständigere Entscheidungen zu treffen.
Die Richtung, in die sich das moderne Enterprise Asset Management bewegt, geht dahin, die Ausfallwahrscheinlichkeit als eine Variable unter vielen zu behandeln und nicht als die primäre Variable, die alle nachgelagerten Entscheidungen bestimmt.
Ein aussagekräftiges Kritikalitätsmodell für ein Ersatzteil fragt nicht nur: "Wann fällt diese Komponente im Durchschnitt aus?", sondern auch: Was sind die Folgen für die Produktion, wenn sie heute ausfällt? Wie lange ist die aktuelle Vorlaufzeit des Lieferanten? Ist ein qualifizierter Ersatz verfügbar? Hat der Hersteller ein Risiko für das Ende der Lebensdauer dieser Komponente angegeben? Gibt es ein Schwesterwerk, das Lagerbestände hält?
MTTF-only Planung fragt
Multivariable Kritikalität fragt
Dies ist die praktische Entwicklung, die Tools wie das MRO 360 Kritikalitätsmodul aufgebaut sind.
Anstatt die von der MTTF abgeleitete Ausfallwahrscheinlichkeit zu ersetzen, integrieren sie diese als einen Input in ein umfassenderes Modell, das auch die Vorlaufzeiten der Lieferanten, die werksübergreifende Sichtbarkeit der Bestände, den Kontext der Produktionsplanung, die Ersetzbarkeit von Teilen und den Veralterungsstatus berücksichtigt.
Die MTTF-Grundlage bleibt bestehen. Was sich ändert, ist die Art der Einspeisung und die Häufigkeit, mit der alle Eingaben erneuert werden.
| Dimension | MTTF-basierte Planung | Multivariable Kritikalität |
|---|---|---|
| Häufigkeit der Aktualisierung | Wird bei der EAM-Einführung festgelegt und selten aktualisiert | Kontinuierlich, neu bewertet, wenn sich die Betriebsbedingungen ändern |
| Umfang | Bevölkerungsdurchschnitt für eine Komponentenklasse | Asset-spezifisch, unter Berücksichtigung des individuellen Betriebskontextes |
| Variablen | Nur Zeit bis zum Versagen | Ausfallwahrscheinlichkeit, Vorlaufzeit des Lieferanten, Kritikalität, Substituierbarkeit, Obsoleszenzstatus |
| Vorhersage der Nachfrage | Standardmäßige exponentielle Glättung; statistisch ungeeignet für intermittierende MRO-Nachfrage | Speziell entwickelte Methoden für intermittierenden Bedarf (Croston und Varianten), die anhand von Ersatzteildaten validiert wurden |
| Lieferantenrisiko | Nicht im Modell | Integriert: Vorlaufzeitverlauf und Liefertreue pro Teile-Lieferanten-Kombination |
| Obsoleszenz | Kein Mechanismus; EOL-Ereignisse sind unsichtbar, bis sie einen Stockout verursachen | Überwacht: Verfolgung des Hersteller-Lebenszyklus-Status; proaktive Identifizierung von Ersatzprodukten |
| Ausgabe | PM-Intervall in Stunden oder Monaten | Arbeitsvorrat mit Risikoeinstufung, finanziellen Auswirkungen und Lieferkettenstatus |
Verwandte Methodologien
MTTF wird von Unternehmen mit ausgereiften Zuverlässigkeitsprogrammen selten isoliert eingesetzt. Sie ist Teil eines umfassenderen Ökosystems von Analysesystemen, die das Problem des Ausfalls von Anlagen jeweils aus einem anderen Blickwinkel betrachten.
| Rahmenwerk | Annäherung | Verhältnis zur MTTF |
|---|---|---|
| FMEA / FMECA | Systematische Identifizierung von Fehlermodi, deren Auswirkungen und Risikoprioritätsbewertungen für alle Komponenten | MTTF fließt in den Occurrence (O) Score der FMEA ein. Die FMEA liefert den Fehlermodus-Kontext, der die MTTF besser interpretierbar macht. |
| Zuverlässigkeitsorientierte Wartung (RCM) | Ganzheitlicher Ansatz zur Bestimmung der notwendigen Wartungsaufgaben auf der Grundlage einer funktionalen Fehleranalyse | RCM verwendet die MTTF als einen Input für die Festlegung von Aufgabenintervallen. Es stellt auch die Frage, ob die zeitbasierte Wartung (MTTF-gesteuert) überhaupt die richtige Strategie für einen bestimmten Ausfallmodus ist. |
| Fehlerbaumanalyse (FTA) | Deduktive Top-Down-Methode, die von einem bekannten Fehler ausgeht und dessen Ursachen verfolgt | Während MTTF die Frage stellt: "Wie oft tritt dieser Fehler auf?", fragt FTA: "Warum ist dieser spezielle Fehler aufgetreten?" Sie ergänzen sich gegenseitig: MTTF quantifiziert die Häufigkeit, FTA erklärt die Ursache. |
| Risikobasierte Inspektion (RBI) | Priorisierung der Inspektionsaktivitäten auf der Grundlage der Folgen und der Wahrscheinlichkeit eines Geräteausfalls | RBI verwendet die Ausfallwahrscheinlichkeit (bezogen auf die MTTF) neben den Folgen eines Ausfalls. Wird in erster Linie für statische Ausrüstung verwendet: Druckbehälter, Rohrleitungen, Tanks. |
| Zuverlässigkeit, Verfügbarkeit und Instandhaltbarkeit (RAM) | Quantitative Analyse, die modelliert, wie oft Geräte ausfallen, wie schnell sie wiederhergestellt werden und wie verfügbar sie für die Produktion sind | MTTF ist ein direkter Input für die RAM-Analyse. RAM übersetzt die Ausfallraten auf Komponentenebene in Vorhersagen zur Verfügbarkeit auf Systemebene. |
