Fraunhofer-Institut für Naturwissenschaftlich-Technische Trendanalysen INTPredictive Maintenance
Mithilfe von fest definierten intervall- und zeitbasierten Plänen werden heutzutage Instandhaltungsarbeiten und Wartungen durchgeführt. Bedingt durch einen notwendigen Eingriff in die Anlage oder Maschine zur Instandsetzung von Komponenten sind Stillstandzeiten grundsätzlich nicht vermeidbar, die sich in Kosten sowohl im operativen Bereich als auch bei den Wartungen bemerkbar machen. Zur Vermeidung solcher unerwünschten Kosten ist daher die vorausschauende Instandhaltung, bekannt als Predictive Maintenance, ein Strategiewechsel mit sehr hohem Potenzial.
Für einen Einsatz der Predictive Maintenance ist die Sammlung großer Datenmengen über Betriebszustände wie z. B. Informationen über Druckverteilung, Leistungsveränderung oder Abkühlraten usw. nötig, mit der u. a. eine Risikobewertung für den weiteren Betrieb durchgeführt wird. Die Betriebszustände werden durch Messwerte und Daten des Ist-Zustands charakterisiert, die durch Sensoren wie z. B. Druck- oder Temperaturmessung erfasst und digitalisiert zur Speicherung für eine erstellte Datenbank transformiert werden. Die digitale Infrastruktur mit den notwendigen Datenbanken und den großen Speicherkapazitäten ist vergleichbar mit einem Big Data Umfeld. Weitere bedeutende Daten bzw. Informationen können zusätzlich durch externe Sensoren diagnostischer Geräte gewonnen werden, die ebenfalls bei der Risikobewertung berücksichtigt werden. Mittels eines zugeschnittenen Algorithmus werden die Daten analysiert und evaluiert, um so den genauen Zeitpunkt einer Instandhaltung oder Wartung vorhersagen zu können. Eine hohe Datensammlung über die Anlage oder die Maschine und ein starker mathematischer Algorithmus prognostizieren die potenzielle Ausfallwahrscheinlichkeit und definieren einen festen Zeitpunkt einer Instandsetzung oder Wartung.
Auch wenn ein störungsfreier Ablauf durch Predictive Maintenance nicht vollkommen möglich ist, da z. B. eingebaute Komponenten nach dem Einbau oder im Betriebszustand durch unvorhersehbare Umstände nicht mehr funktionieren können, so sind mindestens außerplanmäßige Ausfallzeiten der Anlagen oder Maschinen auf ein Minimum reduzierbar. Schlussendlich sind keine definierten Serviceintervalle mehr nötig, da der Austausch oder die Reparatur von Komponenten nur nach Bedarf ausgeführt wird und somit die effiziente Leistung beibehalten sowie die Lebensdauer der Anlage oder Maschine erhöht werden kann. Auch die Betriebssicherheit kann mithilfe von Predictive Maintenance durch die Optimierungsschritte gesteigert werden.
Der Einsatz von Predictive Maintenance ist für Branchen wie Automobil, Luftfahrt, Fertigungs- und Produktionstechnik oder auch den Windradeinsatz denkbar. Eine Datenerfassung unterschiedlicher Parameter wie z. B. am Rotor oder Getriebe eines Windrads könnten Unregelmäßigkeiten wie Temperaturschwankungen oder untypische Vibrationseffekte offenbaren und ein Indiz für den zeitnahen Austausch einer Komponente sein. Eine permanente Überwachung der Betriebsdaten und somit des Lebenszyklus der Komponenten kann unnötige Reparaturen und potenzielle Ausfälle unterbinden. Hiermit würden kostenintensive Wartungsintervalle wegfallen, die grundsätzlich für eine Kontrolle sensibler Bereiche des Windrads genutzt werden. Auch in der Automobilbranche wäre Predictive Maintenance vorteilhaft, da ein Werkstattbesuch erst durch Auffälligkeiten z. B. am Motor oder Getriebe notwendig wäre und nicht durch vorgeschriebene Inspektionsintervalle abhängig von Reichweite und Fahrzeugalter. Im Bereich der Luftfahrt, vor allem bei Flugtriebwerken ist der Einsatz von Predictive Maintenance teilweise vollzogen und führt hierbei schon zu optimierten Wartungsplänen, einer besseren Planung der Mitarbeiterressourcen und damit verbunden zu einer Kostenersparnis.
Der Begriff „Predictive Maintenance“ ist derzeit ein aktueller Trend im Betrieb von Anlagen oder Maschinen, der oft mit Themengebieten wie Big Data oder Internet of Things (IoT) in Zusammenhang gebracht wird. Trotz der positiven Aspekte wie der Minimierung des Anlagen- oder Maschinenausfalls und der Erhöhung der Nachhaltigkeit, darf der gewaltige Aufwand zur Sammlung, Speicherung, Analyse und der Bewertung der gewonnenen Informationen nicht unterschätzt werden.