Aus der Industrie 4.0 stammt der Begriff Predictive Maintenance. Übersetzt bedeutet dies so viel wie vorausschauende Instandhaltung. Dabei werden die Zustandsdaten von Maschinen wie beispielsweise von Aufzügen gewonnen, um daraus Rückschlüsse ziehen zu können. Alle Daten werden in Echtzeit bearbeitet und dienen als Prognose, wann zum Beispiel Wartungen konkret erfolgen müssen. Es handelt sich also um einen Wartungsvorgang, dessen Grundlage die Prozess- und Maschinendaten sind.

Durch die Verarbeitung von Echtzeitdaten kann folglich vorhergesagt werden, wann eine bedarfsgerechte Wartung einer Maschine erfolgen muss. Dadurch kann sich ein Techniker um die Behebung eines Problems kümmern, bevor es überhaupt entsteht. Predictive Maintenance macht eine Voraussage darüber möglich, wann eine Maschine wirklich gewartet werden muss. Das spart Kosten, denn ein zeitabhängiges und routinemäßiges Wartungsintervall ist dann nicht mehr notwendig. Eine Wartung wird nur dann ausgeführt, wenn sie tatsächlich erforderlich ist.

Durch Vorausplanung Ausfallzeiten reduzieren.

Das Ziel von Predictive Maintenance ist es, eine genaue Vorausplanung zu erstellen, damit es nicht zu unerwarteten Ausfällen kommt. Denn wirtschaftliche Ziele lassen sich nur dann erreichen, wenn die Maschinen, Anlagen und die Prozesse einwandfrei arbeiten. Das verbessert die Planung und erhöht die Verfügbarkeit der Anlage deutlich. Denn geplante Stopps sind besser als ungeplante Ausfälle. Außerdem wird die Lebensdauer der Anlage erhöht. Auch werden Unfälle reduziert, weil sich die Anlagensicherheit verbessert. Die vorausschauende Instandhaltung überprüft und katalogisiert den Zustand der Anlage. Das kann periodisch oder kontinuierlich geschehen. Eine anstehende Wartung kann so kosteneffizient und vor allem leistungseffizient erfolgen, also noch bevor ein Leistungsverlust eintritt. Unterbrechungen des Betriebs werden so auf ein Minimum beschränkt. Um den Zustand einschätzen zu können, können Infrarotgeräte, Schallpegelmessungen und andere Verfahren zum Einsatz kommen. Das zu prüfende Gerät darf natürlich nicht in seiner Funktion beeinträchtigt werden oder sogar zu Schaden kommen.

Große Datenmengen werden verarbeitet

Der einzige Nachteil von Predictive Maintenance sind die riesigen Datenmengen, die zu verarbeiten sind. Die Erhebung großer Datenmengen ist notwendig, um sich ein Bild über den Zustand der Maschinen machen zu können. Nur so können zu erwartende Ausfälle und Störungen vorausschauend erkannt werden. Es ist deshalb notwendig, diese großen Datenmengen zu speichern, zu verarbeiten und zu analysieren. Bei der Datenerfassung werden nicht nur die reinen Daten ermittelt, sondern auch das Umfeld der Anlage, wie zum Beispiel die Temperatur sowie die Luftfeuchtigkeit. Aufgrund der umfangreichen Datenmengen müssen riesige Kapazitäten bereitgestellt werden. Je größer die Menge der gespeicherten Daten, umso mehr ist auf sie Verlass. Nach der Datenerfassung werden die Ergebnisse an zentrale Rechenzentren übermittelt. Erforderlich ist es außerdem, dass die gewonnenen Datenmengen ständig aktualisiert werden, damit eine zeitnahe Verarbeitung stattfinden kann.

Die Vorteile von Predictive Maintenance

Das System kann bei sachgerechter Anwendung sehr viele Vorteile mit sich bringen und insgesamt die Wirtschaftlichkeit verbessern. Die Kosten werden minimiert, da ungeplante Ausfälle vermieden werden. Obendrein kann der optimale Zeitpunkt für eine Wartung festgestellt werden. Werden die Daten permanent analysiert, kann die Leistung der Maschine nicht nur verbessert, sondern auch die Produktivität erhöhen werden. Die besten Beispiele sind die Wartung von Fahrzeugen und Baumaschinen, jedoch auch der Einsatz im Schienenverkehr und in der Luftfahrt. Grundsätzlich ist der Einsatz von Predictive Maintenance zu empfehlen, wobei jedoch die Voraussetzungen für eine Verwendung erfüllt sein müssen. Denn nicht in jedem Unternehmen ist das der Fall, wie beispielsweise in Unternehmen mit 100 unterschiedlichen Maschinen mit einer jährlichen Ausfallquote von 10 Prozent. Es wäre in diesem Fall eine Historie von zehn Jahren erforderlich, um für jede Maschine einen Ausfall vorhersagen zu können. Für solche Unternehmen wäre der Einsatz von Predictive Maintenance nicht lohnenswert.