Goldgrube „Predictive Maintenance“

Kennen Sie den Unterschied zwischen vorsorglicher und vorausschauender Instandhaltung – also zwischen „Preventive“ und „Predictive Maintenance“?

Die erste Variante ist vergleichbar mit dem turnusmäßigen Ölwechsel bei unseren Autos, den wir rund alle 20 000 Kilometer machen, um Schäden am Motor zu vermeiden. Die Angabe 20 000 Kilometer stammt vom Autohersteller und basiert auf Erfahrungswerten und Daten, die während Entwicklung und Testphase des Motors gemessen werden. Bei „Predictive Maintenance“ hingegen liefern Sensoren im Motor zum Beispiel Daten über die Dichte und Viskosität des Öls. Dazu kommen Umgebungsparameter wie Außentemperatur, gefahrene Kilometer, Belastungsarten des Motors sowie Werte von anderen Motoren ähnlicher Größe, ähnlicher Laufleistung und vieles andere mehr. All diese Daten werden zusammengeführt und analysiert, um möglichst genau den Zeitpunkt eines drohenden Ausfalls des Motors vorherzusagen. So lässt sich das bestmögliche Datum für einen Ölwechsel bestimmen – quasi als Relation zwischen drohendem Schaden und größtmöglichem Nutzen, der sich aus einer Ölfüllung erzielen lässt. Je weiter ein Auto, ein Lkw zumal, ohne Ölwechsel fahren kann, desto geringer sind die Betriebskosten.

Der wichtigste Unterschied zwischen „Preventive“ und „Predictive Maintenance“ ist also die Vermeidung von Geldverschwendung.

Alle Maschinen und Systeme profitieren

Der Ölwechsel ist nur ein leicht verständliches Beispiel. Die Vorteile von Predictive Maintenance mithilfe von Echtzeit-Sensordaten, die zum Beispiel in einer Cloud gesammelt und analysiert werden, treffen auf alle Maschinen und Anlagen zu – auch für IT-Systeme und -Services. Je komplexer ein Gesamtsystem, desto mehr Messpunkte müssen eingerichtet werden, um genügend aussagekräftige Daten zu erhalten, mit deren Hilfe das richtige Austausch- oder Wartungsdatum für eine Komponente bestimmt wird.

Doch mithilfe der Daten und ihrer Analyse können nicht nur Wartungsarbeiten vorausgesagt werden, sondern auch Maßnahmen eingeleitet werden, die die Wartung weiter hinausschieben, indem zum Beispiel die Leistung einer Maschine der angestrebten Lebensdauer einer Komponente angeglichen wird. In einer IT-Landschaft lassen sich Sensoren und Agenten für das Monitoring des Gesamtsystems und verschiedener Services nutzen: zum einen, um zu wissen, wie sie beim Endanwender funktionieren. Zum anderen lassen sich so aber auch die Leistungen von Service- und Infrastruktur-Providern überprüfen und verbessern.

Predictive Maintenance nutzt auch KI

Inzwischen bieten verschiedene Unternehmen Tools und Plattformen für die vorausschauende Wartung von Maschinen, Anlagen, IT-Systemen und Netzwerken an. Zum Teil sind das einfache Monitoring-Systeme, zum Teil sind das sehr ausgereifte Plattformen, die auch schon Machine-Learning-Algorithmen einsetzen, um in bestimmten Situationen die jeweils am besten geeigneten Maßnahmen vorzuschlagen.

Eine sehr große Herausforderung in diesem Zusammenhang ist das Sammeln, Aufbereiten und Analysieren der Daten. Sie werden häufig in verschiedenen Geschäftsbereichen, unterschiedlichen Fertigungsstätten und von zum Teil sehr verschiedenen Sensoren gesammelt. Das heißt, es kommen unzählige Datenformate zusammen, die an unterschiedlichen Standorten nach verschiedenen Kriterien und in unterschiedlichen Systemen gespeichert werden. Deshalb setzt eine funktionierende Predictive-Maintenance-Strategie vor allem den bewussten Umgang mit Daten und eine gewisse Daten-Architektur voraus. Die Daten dürfen nicht mehr in einzelnen Silos gespeichert werden, sondern müssen den Zugriff aller Berechtigten ermöglichen. Hier spielen Cloud- und Big-Data-Services eine wichtige Rolle. Cloud-Speicher bieten die nötige Infrastruktur und Big-Data-Services sorgen dafür, dass Daten unterschiedlicher Formate verarbeitet werden können, ohne sie zuvor zu normalisieren. Machine-Learning-Algorithmen erleichtern bzw. automatisieren im Endausbau den Umgang mit gewonnenen Ergebnissen.