Die meisten Wartungsteams kennen die Theorie bereits. Sensoren überwachen die Anlagen, ein Algorithmus meldet eine Anomalie, und ein Techniker behebt das Problem, bevor es zu einem Ausfall kommt. Das ist vorausschauende Instandhaltung in einem Satz.
Die Lücke zeigt sich in der Umsetzung. An einem Dienstag wird eine Vibrationsspitze festgestellt, am Mittwoch wird der Arbeitsauftrag erstellt, und dann stellt der Planer fest, dass das Lager, dessen Ausfall das Modell vorhergesagt hatte, nicht im Lager vorrätig ist. Es handelt sich um ein Teil mit einer Lieferzeit von drei Wochen von einem ausländischen Lieferanten. Die Vorhersage war korrekt und hilfreich, konnte den Stillstand jedoch dennoch nicht verhindern.
Dies ist der Aspekt der vorausschauenden Instandhaltung, der in den Vorführungen der Anbieter selten zur Sprache kommt. Eine Vorhersage ist nur so gut wie Ihre Fähigkeit, darauf zu reagieren, und diese Reaktionsfähigkeit hängt fast immer davon ab, ob das richtige Ersatzteil zum richtigen Zeitpunkt im richtigen Werk vorrätig ist.
Dieser Artikel befasst sich mit der vorausschauenden Instandhaltung als umfassende Strategie und nicht lediglich als Thema im Zusammenhang mit Sensoren. Wir werden das gesamte Spektrum der Instandhaltungsstrategien beleuchten, erläutern, wie sich das Asset Performance Management (APM) in dieses Gesamtbild einfügt, wo künstliche Intelligenz (KI) einen echten Mehrwert bietet und welchen Aspekt die meisten Teams zu wenig berücksichtigen: die Verknüpfung von Ausfallprognosen mit der Verfügbarkeit von Ersatzteilen.
Wo sich die vorausschauende Instandhaltung im Strategiespektrum einordnet
Die vorausschauende Instandhaltung ist kein Ersatz für alle anderen Ansätze. Sie ist eine Option innerhalb eines Spektrums, und ausgereifte Zuverlässigkeitsprogramme setzen je nach Anlage mehrere Ansätze parallel ein.
Auf der einen Seite steht die reaktive Instandhaltung, bei der man Anlagen so lange betreibt, bis sie ausfallen. Die Planung ist kostengünstig, der Ausfall jedoch teuer; dennoch ist dieser Ansatz bei Anlagen mit geringer Kritikalität, die leicht zu ersetzen sind, nach wie vor sinnvoll.
Die vorbeugende Wartung erfolgt nach einem festen Zeitplan. Sie führen alle 90 Tage eine Wartung der Pumpe durch, unabhängig davon, ob dies erforderlich ist oder nicht. Dies ist vorhersehbar und leicht zu planen, verschwendet jedoch Aufwand für einwandfrei funktionierende Anlagen und lässt dennoch Ausfälle unentdeckt, die sich nicht nach einem festen Zeitplan richten. Wenn Sie einen detaillierteren Vergleich dieser beiden Ansätze wünschen, finden Sie in unserer Aufschlüsselung von Vorbeugende vs. vorausschauende Wartung behandelt die Vor- und Nachteile ausführlich.
Reparieren Sie es, wenn es kaputtgeht
Kein Planungsaufwand. Hohe Kosten im Falle eines Ausfalls. Eignet sich für nicht kritische Anlagen mit geringen Folgen.
- Keine Anforderungen an Sensoren oder Daten
- Unvorhersehbare Reparaturzeitpunkte und -kosten
- Nur dann zulässig, wenn ein Ausfall tolerierbar ist
Planmäßiger Service
Feste Zeit- oder Nutzungsintervalle. Vorhersehbar und planbar, dienen jedoch der Wartung einwandfreier Anlagen und lassen Ausfälle außerhalb des Wartungszyklus außer Acht.
- Einfach zu planen und mit Ressourcen auszustatten
- Verschwendet Aufwand für einwandfreie Geräte
- Zuverlässig für Anlagen mit bekannten Verschleißmustern
Unter bestimmten Voraussetzungen eingreifen
Ist-Zustandsdaten und Fehlermodellierung. Höchste Genauigkeit, geringster Ausschuss, erfordert jedoch saubere Daten und die Verfügbarkeit von Ersatzteilen.
- Keine unnötigen Maßnahmen bei soliden Vermögenswerten
- Erfordert eine ausreichende Sensorabdeckung und Datenqualität
- Am besten geeignet für kritische Anlagen mit weitreichenden Folgen
Bei der vorausschauenden Instandhaltung wird der tatsächliche Zustand der Anlage herangezogen, um zu entscheiden, wann Maßnahmen ergriffen werden müssen. Anstelle eines Zeitplans werden Schwingungen, Temperatur, Ölqualität und andere Signale ausgewertet, um Verschleißerscheinungen frühzeitig zu erkennen. Bei korrekter Umsetzung bedeutet dies, dass Sie die Anlagen erst kurz vor einem Ausfall warten, anstatt zu einem willkürlichen Zeitpunkt.
Entscheidend ist, dass die Wahl der richtigen Strategie für jede einzelne Anlage an sich schon eine Disziplin darstellt. Diese Entscheidung ergibt sich in der Regel aus einem umfassenderen, auf Zuverlässigkeit ausgerichteten Instandhaltungskonzept, das Sie dazu zwingt, sich zu fragen, welche Funktion jede Anlage erfüllt, wie sie ausfallen kann und welche Kosten ein Ausfall tatsächlich verursacht, bevor Sie einen Instandhaltungsansatz dafür festlegen.
Betreiben Sie die Anlage so lange, bis sie ausfällt, und reparieren Sie sie anschließend. Geringer Planungsaufwand, hohe Ausfallkosten. Sinnvoll nur bei unkritischen, kostengünstigen und leicht ersetzbaren Anlagen, bei denen ein Ausfall keine Auswirkungen auf die Sicherheit oder die Produktion hat.
Wartung in festen Zeit- oder Nutzungsintervallen. Vorhersehbar und einfach zu planen, doch werden dabei einwandfreie Anlagen unnötigerweise gewartet, während Störungen, die nicht dem Zeitplan folgen, dennoch übersehen werden. Eine sinnvolle Standardvorgehensweise für Anlagen mittlerer Kritikalität mit gut bekannten Verschleißmustern.
Maßnahmen auf der Grundlage von Echtzeit-Zustandsdaten und Fehlermodellierung. Höchste Genauigkeit und minimaler Aufwand, jedoch sind hierfür eine flächendeckende Sensorabdeckung, Datenqualität und – vor allem – die Verfügbarkeit von Ersatzteilen erforderlich. Am besten geeignet für kritische Anlagen und Anlagen mit weitreichenden Folgen, bei denen Ausfallzeiten kostspielig sind.
Wie APM Prognosen mit Maßnahmen verknüpft
Das Asset Performance Management ist die Ebene, auf der Zustandsdaten in Entscheidungen umgesetzt werden. Wenn ein einzelner Sensor anzeigt, dass ein Lager überhitzt ist, führt das APM Daten zur Zustandsüberwachung, zur Ausfallhistorie, zur Kritikalität und zu Wartungsaufzeichnungen zusammen, um Ihnen einen umfassenden Überblick über den Zustand der Anlagen im gesamten Werk zu verschaffen.
Der Grund, warum APM für die vorausschauende Instandhaltung von Bedeutung ist, liegt darin, dass eine Vorhersage für sich genommen lediglich ein Signal darstellt. APM verleiht diesem Signal erst den Kontext. Es beantwortet die Fragen, die darüber entscheiden, ob die Vorhersage zu einem positiven Ergebnis oder zu einem Chaos führt. Wie wichtig ist diese Anlage für die Produktion? Wie sieht die wahrscheinliche Ausfallart aus? Welche Ersatzteile sind bei diesem Ausfall erforderlich? Verfügen wir über diese, und wo befinden sie sich?
Gerade bei dieser letzten Gruppe von Fragen scheitern die meisten APM-Implementierungen stillschweigend. Sie sind stark in der Erkennung und Diagnose, aber schwach darin, die Diagnose mit dem physischen Bestand zu verknüpfen, der erforderlich ist, um darauf zu reagieren. Ein Modell kann Ihnen mit hoher Sicherheit sagen, dass ein Getriebe in zwei Wochen ausfallen wird, doch wenn niemand dieses Getriebe seiner Stückliste zugeordnet und den Lagerbestand über alle Werke hinweg überprüft hat, ändert die Vorhersage nichts daran, was als Nächstes geschieht.
Ein effektives APM schließt diesen Kreislauf. Es verknüpft die Anlage, ihre Ausfallarten, ihre Ersatzteile und ihren Lagerbestand in einer einzigen Übersicht, sodass automatisch eine Prognose angezeigt wird, ob Sie auf einen Vorfall reagieren können. Genau hier müssen Anlagenintelligenz und Ersatzteilintelligenz als ein einziges System zusammenwirken und dürfen nicht als zwei voneinander getrennte Werkzeuge betrachtet werden.
Erkennen und Diagnostizieren
APM erfasst Zustandsdaten von Schwingungs-, Temperatur- und IIoT-Sensoren, um Verschleißerscheinungen frühzeitig zu erkennen und die wahrscheinliche Ausfallart zu bestimmen. Dies ist der Teil von APM, den die meisten Tools gut beherrschen.
Bereit sein und reagieren
Die schwierigere Hälfte. APM muss jeden prognostizierten Ausfall mit den erforderlichen Ersatzteilen und dem aktuellen Lagerbestand verknüpfen, damit eine Warnmeldung eine Bereitschaftsprüfung auslöst und nicht erst eine Suche in letzter Minute in den Lagerräumen erforderlich wird.
Wo sich KI tatsächlich ihren Platz verdient
KI wird mittlerweile mit fast jedem Wartungsprodukt in Verbindung gebracht, weshalb es sich lohnt, genau zu unterscheiden, wo sie tatsächlich zu Ergebnissen führt und wo sie lediglich als Augenwischerei dient.
Um es ganz offen zu sagen: KI schafft an drei Stellen innerhalb eines Arbeitsablaufs zur vorausschauenden Instandhaltung einen Mehrwert. Die erste ist die Anomalieerkennung in großem Maßstab. Ein Mensch kann eine Handvoll kritischer Anlagen überwachen. Ein Modell hingegen kann Tausende von Sensorströmen überwachen und die subtilen, von mehreren Variablen geprägten Muster erkennen, die einem Ausfall vorausgehen – jene, die keinen einfachen Schwellenwertalarm auslösen.
Der zweite Punkt ist die Klassifizierung von Fehlerarten. Es reicht nicht aus, zu wissen, dass etwas nicht in Ordnung ist. Man muss wissen, um welche Art von Störung es sich handelt, denn die Fehlerart bestimmt, welche Teile benötigt werden und wie die Reparatur durchgeführt werden muss. Ein Modell, das anhand industrieller Fehlerdaten trainiert wurde, kann von der Feststellung „Diese Anlage weist Verschleißerscheinungen auf“ zu der Schlussfolgerung „Dies sieht nach einem spezifischen Lagerausfall aus, für dessen Behebung diese Teile benötigt werden“ gelangen – was ein weitaus umsetzbareres Ergebnis darstellt.
Der dritte und am meisten unterschätzte Aspekt ist die Generierung von Nachfragesignalen für Ersatzteile. Wenn ein Modell einen Ausfall vorhersagt, stellt diese Vorhersage gleichzeitig ein Nachfragesignal dar. Sie besagt, dass ein bestimmtes Teil wahrscheinlich bald verbraucht sein wird. Wenn Sie genügend dieser Signale in die Bestandsplanung einfließen lassen, wechseln Sie von einer Prognose der Ersatzteile auf Basis historischer Durchschnittswerte zu einer Prognose auf Basis tatsächlich vorhergesagter Ausfälle. Dies stellt einen bedeutenden Gewinn an Genauigkeit dar und ist nur möglich, wenn die Prognose- und die Bestandsmanagement-Engine miteinander kommunizieren.
Zwei Vorbehalte sorgen dafür, dass dies realistisch bleibt. KI-Prognosen sind probabilistisch und nicht sicher, weshalb eine Überprüfung von Entscheidungen mit weitreichenden Folgen durch einen Menschen nach wie vor unerlässlich ist. Und jede dieser Funktionen hängt von der zugrunde liegenden Datenqualität ab. Ein Modell, das auf doppelten, falsch kategorisierten oder unvollständigen Ersatzteil-Datensätzen basiert, liefert zwar sichere, aber falsche Ergebnisse – was schlimmer ist als gar keine Antwort.
Das Ersatzteilproblem, für das niemand die Verantwortung übernehmen will
Hier entscheidet sich in der Praxis über Erfolg oder Misserfolg von Strategien zur vorausschauenden Instandhaltung. Selbst wenn Sie über perfekte Sensoren, ein gut abgestimmtes Modell und eine ausgereifte APM-Plattform verfügen, kann das Ergebnis bereits im Lagerraum zunichte gemacht werden.
Der Fehler sieht folgendermaßen aus: Die Prognose wird korrekt ausgelöst. Der Arbeitsauftrag wird erstellt. Und dann stellt jemand fest, dass das Teil nicht vorrätig ist, oder dass es in einem Lagerraum in einem anderen Werk liegt, das dreihundert Meilen entfernt ist, oder dass die Daten dazu so schlecht gepflegt sind, dass niemand bestätigen kann, ob die beiden ähnlich aussehenden Teilenummern tatsächlich dasselbe Bauteil bezeichnen.
Es gibt drei grundlegende Probleme, die dazu führen, und keines davon lässt sich durch bessere Sensoren lösen.
Der erste Punkt betrifft die Kritikalität von Ersatzteilen. Teams gehen routinemäßig davon aus, dass jedes Teil, das an einer kritischen Anlage angebracht ist, selbst kritisch ist – doch das trifft schlichtweg nicht zu. Nur einige Teile einer kritischen Anlage sind kritisch, während manche Teile an nicht-kritischen Anlagen eine größere Bedeutung haben als erwartet. Wenn Sie hier einen Fehler machen, führen Sie zu hohe Bestände an den falschen Artikeln und haben die richtigen nicht mehr vorrätig. Eine ordnungsgemäße Bewertung der Kritikalität von Vermögenswerten muss sich bis auf die Teilebene erstrecken und darf nicht bei der Anlage enden.
Der zweite Punkt ist die Datenqualität. Die vorausschauende Instandhaltung ist auf saubere Ersatzteildaten angewiesen, doch industrielle Ersatzteildaten sind bekanntermaßen unübersichtlich. Doppelte Datensätze, inkonsistente Beschreibungen, fehlende Spezifikationen und keine verlässliche Verknüpfung zwischen den Teilen und den Anlagen, zu denen sie gehören. Wenn die Verknüpfung zwischen Teil und Anlage nicht vorhanden ist, kann eine Ausfallprognose Ihnen nicht automatisch sagen, welches Teil Sie aus dem Lager holen müssen.
Der dritte Punkt ist die Lagerplatzierung. Selbst bei fehlerfreien Daten und korrekter Einstufung muss sich das Teil am richtigen Ort befinden. Ein kritisches Ersatzteil, das im falschen Werk gelagert wird, ist praktisch ein Fehlbestand. Aus diesem Grund Ersatzteilmanagement benötigt eine werksübergreifende Übersicht anstelle einer standortbezogenen, sodass ein prognostizierter Ausfall eine werksübergreifende Umverteilung auslösen kann, bevor daraus ein Eilauftrag wird.
Die tatsächlichen Kosten, wenn man hier einen Fehler macht
Mehr als die Hälfte der Maschinenstillstandszeiten ist darauf zurückzuführen, dass Ersatzteile nicht verfügbar sind oder den Technikern das Notwendige zur Durchführung einer Reparatur fehlt. Gleichzeitig liegt etwa ein Viertel des Wartungsbestands als ungenutzter Lagerbestand herum – veraltete Artikel, die über Jahre hinweg Lagerfläche und Betriebskapital beanspruchen. Beide Probleme haben dieselbe Ursache: Entscheidungen bezüglich Ersatzteilen, die nicht auf den tatsächlichen Anlagen- und Ausfalldaten basieren.
Mit MRO360 den Kreislauf schließen
Genau diese Lücke soll MRO360 schließen. Die Lösung betrachtet die vorausschauende Instandhaltung nicht als reines Erkennungsproblem, sondern als durchgängigen Prozess – vom Ausfallsignal bis hin zum richtigen Ersatzteil im richtigen Regal. Das Bindeglied zwischen Vorhersage und Maßnahme ist das, was den meisten Systemen fehlt, und genau darin liegt der Kern des Produkts.
Ausgangspunkt ist die Kritikalität auf Teileebene, nicht nur auf Anlagenebene. MRO360 führt eine Bewertung mit mehreren Variablen durch, bei der Ausfallmodi, Auswirkungen auf die Produktion, Lieferzeiten der Zulieferer, Substituierbarkeit und Sicherheitsfolgen gewichtet werden, um jedes Teil mit einer Punktzahl von 1 bis 10 zu bewerten, wobei für jede Punktzahl eine schriftliche Begründung vorliegt. Ein Fachexperte kann jede Bewertung außer Kraft setzen, und diese Korrektur wird erfasst und auf alle Werke übertragen, sodass eine an einem Standort getroffene Entscheidung die Genauigkeit überall verbessert.
Es verknüpft Teile automatisch mit Anlagen. Durch das Einlesen der Anlagienstückliste aus Ihrem ERP-System erstellt MRO360 die Verknüpfungen zwischen Teilen und Anlagen, die eine Prognose umsetzbar machen. Wenn für eine bestimmte Anlage ein Ausfall prognostiziert wird, weiß das System bereits, welche Teile für diesen Ausfall benötigt werden, da die Verknüpfung bereits vorhanden ist und nicht erst im Moment des Ausfalls ermittelt werden muss.
Es speist Prognosen in die Bedarfsplanung ein. Das Modul zur vorausschauenden Instandhaltung nutzt IIoT-Sensordaten als zusätzliche Informationsebene und ermittelt, welche Anlagen voraussichtlich ausfallen werden, warum dies geschieht und welche Ersatzteile dadurch benötigt werden. Diese Informationen fließen direkt in die Bedarfsplanung ein, sodass ein erwarteter Ausfall zu einem geplanten Lagerbedarf wird und nicht zu einem ungeplanten Spitzenbedarf.
Zudem verwaltet es Nachbestellpunkte und die Bestandspositionierung dynamisch. MRO360 berechnet Nachbestellpunkte anhand des durchschnittlichen Tagesverbrauchs, der Vorlaufzeit und des Sicherheitsbestands und empfiehlt für kritische Teile einen großzügigen Pufferbestand, für nicht kritische Teile hingegen einen konservativen. Wenn der Bestand eines kritischen Teils an einem beliebigen Standort unter den Schwellenwert fällt, meldet das System den Engpass und schlägt entweder eine Beschaffungsanforderung oder einen Werksumschlag vor, bevor der Engpass zu Ausfallzeiten führt.
Multivariable Bewertung unter Berücksichtigung von Ausfallarten, Vorlaufzeit, Substituierbarkeit und Sicherheit, mit der Möglichkeit einer manuellen Übersteuerung, durch die das System Anlage für Anlage trainiert wird.
Es liest die Stücklisten für Anlagen aus dem ERP-System aus, um jedes Bauteil mit der entsprechenden Anlage zu verknüpfen, sodass bei einem prognostizierten Ausfall sofort ersichtlich wird, welche Bauteile benötigt werden.
Wandelt IIoT-Ausfallprognosen in vorausschauende Bestandsanforderungen um und verteilt die Lagerbestände auf die verschiedenen Werke, sodass das richtige Ersatzteil genau dort bereitsteht, wo die Reparatur durchgeführt wird.
Erfahren Sie, wie MRO360 Ausfallprognosen mit der Ersatzteilverfügbarkeit in allen Werken verknüpft, sodass Ausfallzeiten verhindert werden, anstatt sie lediglich vorherzusagen.
Vertraut von Fortune 500 & Global 2000 Unternehmen
Ein praktischer Leitfaden für den Einstieg
Eine ordnungsgemäß durchgeführte vorausschauende Instandhaltung ist ein Prozess und kein Schalter, den man einfach umlegt. Teams, die versuchen, alles auf einmal zu implementieren, geraten häufig unter der Last schlechter Daten und unklarer Prioritäten ins Stocken. Ein zuverlässigerer Weg besteht darin, zunächst das Fundament zu legen.
Beginnen Sie damit, die Daten und die Kritikalität zu bereinigen. Bevor Sie auch nur einen einzigen Sensor hinzufügen, sollten Sie die Ersatzteilaufzeichnungen bereinigen und die Kritikalität auf Teileebene bewerten lassen. Dies ist zwar keine glanzvolle Aufgabe, stellt jedoch die Arbeit mit der größten Hebelwirkung dar, die Sie leisten werden, da alle nachgelagerten Prozesse auf dieser Grundlage basieren. Sind die Daten fehlerhaft, liefern bessere Sensoren lediglich schneller falsche Ergebnisse.
Stellen Sie anschließend die Verknüpfungen zwischen Bauteilen und Anlagen her. Stellen Sie sicher, dass jede Anlage mit ihrer Stückliste verknüpft ist und jeder Ausfallmodus den Bauteilen zugeordnet ist, die darin verbaut sind. Auf diese Weise wird aus einer Vorhersage automatisch eine Maßnahme im Lagerbestand und nicht erst nach einer manuellen Untersuchung.
Führen Sie als Nächstes eine Zustandsüberwachung Ihrer wichtigsten Anlagenkomponenten ein. Sie müssen nicht gleich vom ersten Tag an die gesamte Anlage mit Sensoren ausstatten. Konzentrieren Sie Ihre Investitionen in Sensoren auf jene Bereiche, in denen ein Ausfall die höchsten Kosten verursacht und in denen Sie bereits die Kritikalitätsanalyse durchgeführt haben, um dies zu wissen.
Verbinden Sie schließlich die Prognosen mit der Bestandsplanung. Binden Sie die Fehlersignale in die Nachfrageprognose und die Nachbestelllogik ein, sodass eine Prognose Einfluss darauf nimmt, was Sie wo auf Lager halten. Dies ist der Schritt, der die vorausschauende Instandhaltung von einem interessanten Dashboard in weniger Lieferengpässe und weniger Lagerüberhänge verwandelt. Für einen umfassenderen Überblick darüber, wie sich dies in ein Anlagenmanagementprogramm einfügt, lesen Sie unsere Übersicht über MRO-Bestandsverwaltung ist eine nützliche Begleitlektüre.
Ersetzen Sie doppelte Einträge in Ersatzteildatensätzen, ergänzen Sie diese und bewerten Sie die Kritikalität auf Teileebene. Die Grundlage, auf der alles andere aufbaut.
Verknüpfen Sie jedes Asset mit seiner Stückliste und ordnen Sie Ausfallmodi den Bauteilen zu, aus denen es besteht, damit Vorhersagen in konkrete Maßnahmen umgesetzt werden können.
Führen Sie eine Zustandsüberwachung dort ein, wo Ausfälle die höchsten Kosten verursachen, und orientieren Sie sich dabei an den bereits durchgeführten Kritikalitätsanalysen.
Beziehen Sie Prognosen in die Bedarfsplanung und die Nachbestelllogik ein, damit erwartete Ausfälle Einfluss darauf nehmen, welche Artikel Sie wo auf Lager halten.
Das Fazit
Vorausschauende Instandhaltung wird oft als eine Frage von Sensoren und Algorithmen dargestellt, und genau in diesem Ansatzbereich bleiben viele Programme stillschweigend hinter den Erwartungen zurück. Die Erkennungstechnologie ist ausgereift und wird zunehmend zur Massenware. Der entscheidende Unterschied liegt darin, was geschieht, nachdem die Vorhersage ausgelöst wurde.
Eine Ausfallvorhersage ist nur dann von Nutzen, wenn Sie darauf reagieren können – und dies bedeutet fast immer, dass das richtige Ersatzteil, korrekt identifiziert, am richtigen Ort und zur richtigen Zeit bereitsteht. Dabei handelt es sich weitaus mehr um ein Datenproblem und ein Ersatzteilproblem als um ein Sensorproblem.
Die Teams, die den größten Nutzen aus der vorausschauenden Instandhaltung ziehen, sind diejenigen, die die Prognose und die Bauteile als ein einziges, miteinander verbundenes System betrachten. Sorgen Sie für saubere Daten, legen Sie die Kritikalität auf Bauteilebene richtig fest, verknüpfen Sie Bauteile mit Anlagen und integrieren Sie die Prognosen in die Bestandsplanung. Wenn Sie dies tun, ist die vorausschauende Instandhaltung nicht mehr nur ein Dashboard, das Ihnen anzeigt, was bald ausfallen wird, sondern wird zu einer operativen Fähigkeit, die still und leise dafür sorgt, dass ein Ausfall niemals zu einer Betriebsunterbrechung führt.
Häufig gestellte Fragen zur vorausschauenden Instandhaltung
Häufig gestellte Fragen zur Strategie der vorausschauenden Instandhaltung, zu deren Zusammenhang mit APM und Ersatzteilen sowie dazu, wo KI tatsächlich einen Beitrag leistet.
Was ist der Unterschied zwischen vorausschauender und vorbeugender Instandhaltung?
Die vorbeugende Instandhaltung folgt einem festen Zeitplan, bei dem eine Anlage zu festgelegten Zeit- oder Nutzungsintervallen gewartet wird, unabhängig von ihrem tatsächlichen Zustand. Die vorausschauende Instandhaltung nutzt reale Zustandsdaten wie Schwingungen und Temperatur sowie Ausfallmodellierung, um erst dann einzugreifen, wenn sich der Zustand der Anlage tatsächlich verschlechtert. Die vorausschauende Instandhaltung ist präziser und verursacht weniger Aufwand, erfordert jedoch eine flächendeckende Sensorausstattung, saubere Daten und die Verfügbarkeit von Ersatzteilen, um effektiv zu funktionieren.
Inwiefern hängt das Asset Performance Management mit der vorausschauenden Instandhaltung zusammen?
APM ist die Ebene, die Zustandssignale in Entscheidungen umwandelt. Ein einzelner Sensor zeigt Ihnen an, dass eine Anlage überhitzt ist, während APM Daten zur Zustandsüberwachung, zur Ausfallhistorie, zur Kritikalität und zu Ersatzteilen zusammenführt, um einen umfassenden Überblick über den Zustand der Anlage zu liefern. Ein leistungsfähiges APM verknüpft eine Vorhersage mit den Teilen und dem Lagerbestand, die erforderlich sind, um darauf zu reagieren, anstatt sich auf die bloße Erkennung zu beschränken.
Warum spielen Ersatzteile bei der vorausschauenden Instandhaltung eine so wichtige Rolle?
Eine Vorhersage verhindert Ausfallzeiten nur dann, wenn das erforderliche Ersatzteil verfügbar ist. Viele Programme sagen einen Ausfall zwar korrekt voraus, stellen dann jedoch fest, dass das Ersatzteil nicht vorrätig ist oder sich in einem anderen Werk befindet. Erst durch die Verknüpfung von Ausfallvorhersagen mit der Kritikalität auf Ersatzteilebene, sauberen Daten zur Zuordnung von Ersatzteilen zu Anlagen sowie der Bestandslage über mehrere Werke hinweg wird aus einer Vorhersage ein verhinderter Ausfall.
In welchen Bereichen bietet KI bei der vorausschauenden Instandhaltung einen echten Mehrwert?
An drei wesentlichen Stellen: beim Erkennen von Anomalien in Tausenden von Sensorströmen, die von Schwellenwertalarmen übersehen werden; bei der Klassifizierung des spezifischen Ausfallmodus, damit Sie wissen, welche Teile benötigt werden; und bei der Generierung von Bedarfssignalen für Ersatzteile, indem jeder vorhergesagte Ausfall als zukünftiger Lagerbedarf behandelt wird. Alle drei Schritte hängen von sauberen Basisdaten ab, und Vorhersagen mit schwerwiegenden Folgen erfordern nach wie vor eine Überprüfung durch den Menschen.
Sind alle Ersatzteile für eine kritische Anlage ebenfalls kritisch?
Nein, und dies anzunehmen, ist ein häufiger und kostspieliger Fehler. Nur einige Teile einer kritischen Anlage sind selbst kritisch, und manche Teile an nicht kritischen Anlagen sind wichtiger als erwartet. Die Kritikalität muss auf Komponentenebene bewertet werden, wobei Ausfallarten, Vorlaufzeiten, Ersetzbarkeit und Sicherheitsauswirkungen abgewogen werden müssen, damit Sie die richtigen Artikel vorrätig halten, anstatt die falschen übermäßig zu lagern.
Verdantis ist stolz darauf, der vertrauenswürdige Partner von führenden Organisationen auf der ganzen Welt zu sein.
Von Fortune 500-Unternehmen bis hin zu Branchenpionieren vertrauen unsere Kunden auf unsere MDM-Lösungen
