Von der Wartung zur Analyse: Predictive Maintenance schafft planbare Verfügbarkeit, weniger Stillstände und bessere Ressourcennutzung – datenbasiert statt kalendergetrieben. ⚙️📈
Was ist Predictive Maintenance?
Predictive Maintenance (vorausschauende Instandhaltung) nutzt Zustandsdaten von Anlagen, um Ausfallwahrscheinlichkeiten und die verbleibende Restnutzungsdauer (Remaining Useful Life, RUL) zu prognostizieren. Im Unterschied zu:
– Reaktiver Wartung (erst handeln, wenn etwas bricht) und
– Zeit- oder Zyklen-basierter präventiver Wartung (fixe Intervalle),
arbeitet Predictive Maintenance zustands- und risikobasiert: Sensorik, Prozessdaten und Historie ergeben ein laufendes Bild des Anlagenzustands und der nächsten sinnvollen Instandhaltungsmaßnahme. Ziel sind planbare Eingriffe mit ausreichender Vorwarnzeit, minimalen Opportunitätskosten und maximaler Verfügbarkeit.
Use-Case: Kreiselpumpen in einer Produktionslinie
Ausfalltreiber: Lager- und Dichtungsschäden, Kavitation, Fehlausrichtung.
Datengrundlage:
– Schwingungen gemäß ISO 20816 (Messpunkte radial/axial, breitbandig und spektral)
– Motorstromsignatur und Leistungsaufnahme
– Temperatur (Lager, Medium), Druckpulsationen, Durchfluss
– Instandhaltungs- und Ersatzteilhistorie aus dem Instandhaltungssystem (Computerized Maintenance Management System, CMMS)
– Betriebsbedingungen (Last, Start/Stopp-Zyklen, Mediumseigenschaften)
Typischer Nutzenhebel:
– Früherkennung von Lagerdefekten (Hüllkurvenanalyse, Kurtosis)
– Kavitationserkennung (charakteristische Frequenzbänder + Druckfluktuationen)
– Erkennung von Fehlausrichtung/Unwucht (1×, 2×, 3× Drehfrequenz im Spektrum)
Metriken und Methodik
Ziel ist Messbarkeit – technisch und wirtschaftlich.
- Technische Zustandsmetriken
- Schwinggeschwindigkeit RMS und Spitzenfaktor; Hüllkurvenamplitude; spektrale Peaks bei Lagerfrequenzen
- Temperaturanstieg-Gradient, Druck- und Durchflussstabilität
- Ölzustand/Partikelzahl nach ISO 4406 (wenn relevant)
- Modellgüte und Vorhersagequalität
- Vorwarnzeit (Lead Time) bis zum Ereignis
- Trefferquote (Recall) und Präzision (Precision) bei Alarmen; Verhältnis von Fehlalarmen zu bestätigten Fällen
- Prognosefehler der Restnutzungsdauer (z.B. mittlerer absoluter Fehler)
- Geschäftsmetriken
- Verfügbarkeitssteigerung und Beitrag zur Gesamtanlageneffektivität (Overall Equipment Effectiveness, OEE)
- Reduktion ungeplanter Stillstandsstunden und Eilaufträge
- Teile- und Fremdleistungskosten je Anlage und je Tonne/Los
- Termintreue und Durchlaufzeitwirkung
Methodisch bewährt (praxisnah und skalierbar):
1) Kritikalitäts- und Risikoanalyse je Aggregat (Sicherheit, Umwelt, Kosten, Liefertermin).
2) Sensorik-Design nach Normempfehlungen (z.B. ISO 20816 Messpunkte, Abtastraten, Montage).
3) Datenarchitektur nach ISO 13374 (Datenerfassung, Vorverarbeitung, Feature-Generierung, Zustandsbewertung, Diagnose/Prognose).
4) Modelle passend zur Datenlage: von Schwellenwertlogik und Trendanalytik bis zu hybriden Verfahren (physikalische Merkmale + maschinelles Lernen).
5) Validierung im Zeitverlauf mit Blindperioden, definierte Entscheidungsregeln (Wann Auftrag im CMMS? Welche Vorwarnzeit?).
6) Visuelle Diagnose: Trendkurven, Spektren, Heatmaps, Asset-Hierarchien.
7) Integration in Prozesse: Arbeitsaufträge, Ersatzteillogistik, Rückmeldung zur Modellverbesserung. 🔄
Konkretes Beispiel mit Zahlen
Ausgangslage:
– 60 Pumpen, 12 ungeplante Stillstände pro Jahr
– Dauer je Stillstand: 8 Stunden
– Stillstandskosten: 3.000 € pro Stunde
Baseline-Kosten ungeplanter Stillstand: 12 × 8 × 3.000 € = 288.000 € pro Jahr
Pilot „Predictive Maintenance“:
– Sensorik + Anbindung: 60.000 € einmalig
– Plattform + Betrieb: 10.000 € pro Jahr
– Nach 9 Monaten: 50 % weniger ungeplante Stillstände, 20 % mehr planbare Fenster (Kombinieren von Maßnahmen)
Einsparung: 144.000 € pro Jahr gegenüber Baseline
Return on Investment im ersten Jahr (vereinfachter Cashflow): 144.000 € − 60.000 € − 10.000 € = 74.000 €
Ab Jahr 2 (ohne Erstinvest): 134.000 € p. a. positiver Effekt, zusätzlich Qualitäts- und Terminsicherheit.
Interpretation:
– Die Reduktion ungeplanter Fälle ist der Haupttreiber. Wichtig ist die ausreichende Vorwarnzeit (z.B. Median 10–14 Tage) und eine niedrige Fehlalarmrate, damit Kapazitäten nicht unnötig gebunden werden.
– Bei zu kurzen Vorwarnzeiten (< 48 h) kippt der Vorteil, weil Ersatzteile/Personal nicht verfügbar sind.
– Normgerechte Messpunkte und stabile Betriebsfenster sind entscheidend für robuste Merkmale.
Typische Fallstricke und wie man sie vermeidet
- Fehlende Ground-Truth: Ohne saubere Rückmeldungen aus dem Instandhaltungssystem (Befund, Ursache, Maßnahme) lernen Modelle falsch. Lösung: Pflichtfelder und klare Codierung.
- Daten-Drift: Änderungen an Anlagen, Sensoren oder Prozessen verschieben Signaturen. Lösung: Versionsmanagement, Re-Training, Monitoring von Verteilungsänderungen.
- Zu komplex starten: Black-Box-Modelle ohne erklärbare Merkmale erschweren Akzeptanz. Lösung: Start mit nachvollziehbaren Features, dann graduell erweitern.
- Insel-Lösungen: Keine Integration in Arbeitsaufträge und Ersatzteilprozesse. Lösung: Ereignis- und Schwellenlogik direkt mit dem Instandhaltungssystem (CMMS) verbinden.
- Cybersecurity vernachlässigt: Sensorik und Gateways sind OT-Systeme. Lösung: Netzwerksegmentierung und Zugriffskontrolle entlang IEC 62443.
Handlungsempfehlung für den Einstieg
1) Use-Case priorisieren: Kritikalität, Ausfallhistorie, Ersatzteil- und Stillstandskosten transparent machen.
2) Messkonzept festlegen: Normgerechte Sensorik, Messpunkte, Sampling und Kalibrierung; Datenqualität vor Modellkomplexität.
3) Metriken vorab definieren: Trefferquote, Fehlalarme, Vorwarnzeit, vermiedene Stillstandsstunden und Euro-Nutzen.
4) Pilot mit klaren Spielregeln: 3–6 Monate, definierte Anlagen, feste Review-Termine mit Technik, Produktion und Instandhaltung.
5) Visualisieren für Entscheidungen: Zustandsindex, Trend, Spektrum, prognostizierte Restnutzungsdauer; wenige, klare Dashboards.
6) Prozessintegration: Automatischer Arbeitsauftrag bei Schwellwerten, Ersatzteilreservierung, Kapazitätsplanung; Lessons Learned zurück ins Modell.
7) Skalieren und standardisieren: Asset-Typen-Bibliothek, wiederverwendbare Features, Governance für Daten und Modelle.
Kurz: Was gehört in ein gutes PdM-Dashboard?
- Asset-Hierarchie mit Ampellogik
- Trend + Spektrum je Aggregat mit Normbezug (z.B. Grenzbereiche gemäß ISO 20816)
- Prognostizierte Restnutzungsdauer mit Konfidenzband
- Ticket-Status aus dem Instandhaltungssystem und dokumentierte Maßnahmen
Klarer nächster Schritt: Starten Sie mit einem fokussierten Pilot für 1–2 kritische Aggregat-Typen. Wir moderieren die Zieldefinition, das Messkonzept und die Metrikvereinbarung, implementieren ein belastbares Datenfundament und schaffen sichtbaren Nutzen innerhalb eines Quartals. Kontaktieren Sie uns für einen praxisnahen Workshop – Ihre Fragen sind ausdrücklich willkommen. 🔍
Quellen
– ISO 17359:2018 – Condition monitoring and diagnostics of machines — General guidelines (iso.org)
– ISO 20816-1:2016 – Mechanical vibration — Measurement and evaluation of machine vibration — Part 1: General guidelines (iso.org)
– ISO 13374-1:2015 – Condition monitoring and diagnostics of machines — Data processing, communication and presentation — Part 1: General guidelines (iso.org)
– Deloitte (2021) – Predictive maintenance and the smart factory (deloitte.com)
#DatenMitDenken #LemconTech #IngenieurbueroLemmerer #PredictiveMaintenance #ConditionMonitoring #IndustrialAnalytics #Instandhaltung #OEE