Predictive Maintenance: Mustergültige Instandhaltung mit vorausschauender Aussagekraft

Die Zielvorgabe der Instandhaltung, einen Produktionsbetrieb vorausschauend vor ungeplanten Stillständen zu bewahren, orientiert sich an Predictive Maintenance. Hierbei resultieren aus gesicherten Daten hinlänglich verlässliche Prognosen, die auf entsprechende, terminlich zugeordnete Aktivitäten schliessen lassen. Wir befragen hierzu Erich Weggler, wie die Aussagekraft von Datenmustern genutzt wird, um die Verfügbarkeit technischer Systeme vorausschauend zu gewährleisten. Erich Weggler ist Project Executive & Director Think Tank, IBM Global Technology Services, der IBM Deutschland GmbH, Stuttgart.

Herr Weggler, inwieweit beruht Predictive Maintenance auf „Fuzzylogik“ – bekannt als Methode zur Beschreibung unbestimmter Systemzustände?

Wie in Predictive Maintenance genutzt, werden hier kritische und unkritische Zustände durch Spezialisten definiert und zu sogenannten „Prädiktoren“ zusammengefasst. Hierbei laufen sehr viele Parameter und Faktoren zusammen, die dann wiederum durch entsprechende Tools ausgewertet werden können. Die Vielzahl der Informationen aus den verschiedensten Bereichen werden bewertet. Trendgesteuert kann Fuzzy Logik ebenso Anwendung finden wie auch mathematische und messbare Kriterien Einfluss nehmen können.

Muster nur zu erkennen ist nicht ausreichend – sie sind auch zweifelsfrei zu interpretieren. Wie kann beides trainiert werden?

Predictive Maintenance baut auf bekannten Verhaltensmustern auf und besitzt die Fähigkeiten, auch unbekannte Muster zu erkennen. Stellen wir uns bei Textilien das Hahnentritt-Muster vor: Wir erkennen mit dem Auge sofort eine Fehlfarbe in einer Faser oder eine stärker gespannte Schlinge unter zig Millionen. Um aber dennoch nicht in der dadurch entstehenden Datenflut zu ersticken, nutzen wir bei Predictive Maintenance „data streaming“ und filtern kritische aus unkritischen Informationen heraus. Durch die kontinuierliche Bewertung der Neusituationen und Rückspiegelung in die Datenfilter, werden diese wiederum kontinuierlich trainiert und deren Auswertqualität und Aussagequalität ständig erhöht.

Predictive Maintenance steht also für einen fortlaufenden Vergleich von Prozessmustern – liegt Predictive Maintenance damit primär im Verantwortungsbereich eines „Maschinenbedieners“?

Es sind eher kontinuierliche Statusvergleiche, die über ein Muster die Abweichung zum Vorschein bringen. Wenn es im Verantwortungsbereich von einem Maschinenbediener läge, würden wir unsere Möglichkeiten einschränken, da übergeordnete Bereiche dann nicht mit einbezogen würden.

Wie unterscheidet sich die Aussagekraft von Mustern gegenüber den harten Fakten der Instandhaltung?

Muster haben eine höhere Aussagekraft. Als Beispiel nehmen wir einen anstehenden Ölwechselintervall bei einem PKW, welcher sich durch die verschlechternde Ölqualität nach 22.000 km meldet. Wenn wir nun parallel dazu die Wetterdaten in die Betrachtung nehmen, können wir gegebenenfalls beim Wartungstermin gleich die Winterreifen montieren. Da aber die Pollenbelastung üblicherweise im bevorstehenden Winter geringer ist, kann der Pollenfilterwechsel auf den Wechseltermin von Winter- auf Sommerreifen verschoben werden. Somit sind eigentlich die harten Fakten der Instandhaltung auch „nur“ Prädiktoren.

Prognostiziert werden also möglichst frühzeitig die jeweils erforderlichen Aktivitäten zu kalkulierten Zeitpunkten – kontrolliert ein entsprechendes „Tool“ auch die Durchführung zwingender Vorgaben?

Die Entscheidung des Betreibers wird durch das Tool lediglich unterstützt und übernimmt nicht dessen Verantwortung. Ein solches Tool ist übrigens definiert als „Superior Performing Statistical Software“ (SPSS). Der Analyst integriert beispielsweise in die Datenmodelle des „IBM SPSS Modeler“ ebenso die „harten Fakten“ der Instandhaltung. Sobald auch diese mit variablen Werten ergänzt werden, können sie ebenfalls zu Prädiktoren führen.

Erfordert der Einsatz von Predictive Maintenance „Einfühlungsvermögen“ gegenüber technischen Systemen?

Mit einem Augenzwinkern – ja. Wenn wir nicht in die Psychologie abdriften, bedeutet doch Einfühlungsvermögen ein auf Erfahrungen aufgebautes Verhaltensmuster. Eine rein technische Analyse von Daten wird nie denselben Wert haben wie eine, bei der auch fundiertes Fachwissen eingeflossen ist. Dadurch sind wir hier sicherlich auch bei einer Art „Einfühlungsvermögen“, aber dies beruht bei Predictive Maintenance „nur“ auf harten Fakten – im Nachgang betrachtet.

Würden Sie die gängige zustandsorientierte oder risikobasierte Instandhaltung als überholt bezeichnen?

Hier müssen wir die Entwicklungsgeschichte der Instandhaltung betrachten. Die Entwicklung erstreckt sich von reaktiver Instandhaltung über proaktive Instandhaltung, bis hin zu modernen Konzepten wie Dynamic Maintenance und Predictive Maintenance. Dieser Fortschritt geht einher mit Qualitäts- und Verfügbarkeitssteigerung und steht dabei nicht im Wettbewerb – sondern minimiert den Aufwand in der Instandhaltung.

Herr Weggler, herzlichen Dank für Ihre instruktiven Ausführungen und Einschätzungen zum Umgang mit Predictive Maintenance.

Zusammenfassung
Beitrag
Predictive Maintenance: Mustergültige Instandhaltung mit vorausschauender Aussagekraft
Beschreibung
Predictive Maintenance beruht auf Erfahrungen mit Prozessmustern - und ihrer Interpretation, um die richtigen Schlüsse daraus zu ziehen. Protagonisten der Predictive Maintenance, wie Erich Weggler von IBM Global Technology Services, sehen in ihr einen entscheidenden Entwicklungsschritt in der Geschichte der Instandhaltung.
Autor