Tabletnutzung
Digitalisierung

Das Ende des Zufalls?

29.08.2018

Das Ende des Zufalls?

Ungeplante Ausfälle von Maschinen. Unerwartete Kursstürze an den Börsen. Der plötzliche Herzinfarkt. Überall suchen Menschen nach Möglichkeiten, solche Risiken frühzeitig zu erkennen, sie zu verhindern oder sich wenigstens optimal darauf vorzubereiten. Predictive, also vorausschauend, lautet das Schlagwort, auf das Unternehmen aller Branchen und Privatpersonen setzen. Die Grundlage dafür: Daten.
Nostradamus, der Predictive-Superstar unter den Hellsehern, sagte für 2018 voraus, dass ungewöhnliche Wetterphänomene, Überschwemmungen, Dürre und schwere Orkane mit verheerenden Auswirkungen auf uns zukommen werden. Weiteres soll ein großer Krieg bevorstehen, der die Supermächte spalten wird.
Man kann diesen Prophezeiungen glauben oder auch nicht. Eine große Anzahl an Menschen interessiert es sehr, was Hellseher, Wahrsager und Sterndeuter voraussagen. Sie streben danach sich vorzubereiten oder sich gegen das, was in naher Zukunft kommen könnte, zu wappnen. Um so richtig überzeugend zu sein fehlt es aber an Fakten, Daten und Zahlen.
Davon gibt es heute wiederum genug und es werden immer mehr. Vorausschauendes Wissen, was auf uns, unsere Unternehmen, unsere Maschinen zukommen wird, beruht auf Fakten. Jeden Tag liefern uns Sensoren neue Daten, welche uns verglichen mit zurückliegenden Informationen zukünftige Veränderungen immer genauer voraussagen.

Hellseher im Maschinenraum

Beispiel Wettervorhersage: Heute ist die Genauigkeit der Prognose für die nächsten sechs Tage, dank Daten von Satelliten, hunderten schwimmenden Messbojen und nationalen Wetterdiensten, Handelsschiffen, Verkehrsflugzeugen und Wetterstationen, so gut wie vor 50 Jahren die Vorhersage für den nächsten Tag. Hochleistungsrechner verarbeiten diese Datenflut und aktualisieren alle paar Stunden die Wetterprognose.
Kurzfristige Vorhersagen sind in der Industrie neu, hier mussten die technologischen Voraussetzungen erst geschaffen werden. Zusätzlich übermitteln weitere Sensoren Daten in die jeweilige Cloud, in der spezielle Algorithmen diese mit historischen Daten verarbeiten, aggregieren und für jeden Maschinisten verständlich darstellen. Wenn gewünscht sogar in Echtzeit.
„Mit selbstlernenden Algorithmen werden Muster und Abhängigkeiten verschiedener Parameter erkannt. Mit deren Hilfe lassen sich Vorhersagen zu Ausfällen und deren Ursachen treffen. Unternehmen könnten Stillstände von Robotern oder Maschinen Tage im Voraus bestimmen, die Instandhaltung ressourcenoptimiert einplanen und den Produktionsprozess anpassen“, erklärt Georg Rätker, T-Systems-Experte für Automotive- und Manufacturing-Lösungen.

Ungeplanten Stillstand verringern

Prävention ist besser als heilen. Unternehmen die für ihren Maschinenpark auf vorausschauende Wartung setzen wollen die ungeplanten Stillstandzeiten minimieren und damit ihre Kosten senken. Stillstehende Maschinen kosten allein die Automobilindustrie rund eine Milliarde Euro pro Jahr. Die Kosten für den Betrieb und die Instandhaltung verschlingen 80 Prozent der „Total Cost of Ownership“ von Investitionsgütern. Die Anschaffungskosten dagegen machen nur jeden fünften Euro aus.
Je nach Branche betragen die Ausgaben für die Instandhaltung bis zu sechs Prozent der Gesamtkosten eines Industrieunternehmens. „Die Unternehmen in Europa sind im Hinblick auf die Effizienz der Instandhaltungsprozesse ihrer Industrieanlagen oder Fahrzeuge nicht allzu optimistisch. Ein deutliches Gros der Unternehmen bewertet seine Wartungsprozesse als nicht sehr effizient“, bestätigt Miloš Milojević, Industrieanalyst bei PAC.
Laut einer Frenus-Umfrage zum Status quo der Maschinenbaubranche in Westeuropa vom November 2017 nutzen mehr als drei Viertel der Unternehmen bisher noch keine Predictive-Maintenance-Lösung. „Gleichzeitig glaubt eine deutliche Mehrheit, dass der Einsatz solcher für das vitale Leben von Maschinenbauunternehmen essentiell ist, da sie dazu beitragen, gegen den Wettbewerb aus Billiglohnländern bestehen zu können“, schildert Rätker.

Aktuelle Instandhaltungskonzepte überholt

Während sich 84 Prozent der Befragten schon mit Predictive Maintenance in ihrem Unternehmen auseinandergesetzt haben, startete nur jedes vierte die ersten Projekte. Obwohl herkömmliche Instandhaltungskonzepte den heutigen Anforderungen nicht mehr entsprechen würden. Sie binden Kapital und verbrauchen zu viele Ressourcen. Mit Predictive Maintenance wollen vier von fünf Unternehmen die Anlagenverfügbarkeit erhöhen und die Wartungskosten um 60 Prozent senken.
Die Zurückhaltung erklärt sich über die vermeintlich hohen Kosten bei Lösungen und Sensorik. Darüber hinaus hat BearingPoint herausgefunden: Deutlich mehr als die Hälfte der Unternehmen (57 Prozent) sieht IT-Sicherheit als größte technische Hürde. Und 61 Prozent fürchten den hohen Implementierungsaufwand sowie bei diesen Fehler zu machen. „Das hemmt die Unternehmen und blockiert die Potenziale von Predictive Maintenance“ so Donald Wachs.
Fehlende Daten sind laut Britta Hilt, Co-Founder and Managing Director von IS Predict, ein weiterer Grund, weshalb sich die Unternehmen mit vorausschauender Wartung schwertun. „Viele Maschinen laufen schon seit zehn oder mehr Jahren und sind also auf die Analysemöglichkeiten von heute nicht vorbereitet dies sind typische Probleme unterschiedlicher Innovationszyklen“ erklärt Hilt. Zwar erfassen die meisten Maschinen Prozess- und Produktdaten. Diese Daten lassen sich aber oft nicht für Predictive-Zwecke auslesen. „Neue Maschinen dagegen haben immer häufiger ein IoT-Modul, mit dem Zustandsdaten erfasst und übertragen werden können. Es wird also noch eine gewisse Zeit dauern, bis alle Maschinen und Geräte von vornherein für die vorausschauende Wartung ausgestattet sind.“
Die Potenziale jedoch sind groß. So hat IS Predict den ungeplanten Ausfall von Lokomotiven eines internationalen Logistikunternehmens verringert. Für die Analyse der Maschinendaten zapft IS Predict bei jeder der gut 4.000 Lokomotiven bis zu 900 Datenpunkte an. Mit acht Parametern konnten die Spezialisten ein charakteristisches Muster entwickeln, das anzeigt, wenn sich Störungen am Motor ankündigen. Heute erkennt das Logistikunternehmen Ausfälle bis zu drei Wochen im Voraus und wartet die betroffenen Lokomotiven proaktiv und ohne Ausfälle. Das spart Geld, denn pro Motorwechsel entstanden bisher Kosten von rund 200.000 Euro.

Next Generation Maintenance

Ein anderes Beispiel: T-Systems hat mit IS Predict ein Verfahren in der Automobilproduktion entwickelt, mit der sich die Wartung von Schweißrobotern optimieren lässt. Fällt ein Roboter ungeplant aus, steht die komplette Fertigungslinie still. Dies kann einem Unternehmen bis zu 22.000 US-Dollar pro Minute kosten. Heute identifiziert der T-Systems-Kunde schwächelnde Schweißroboter bis zu sechs Tage im Voraus und erkennt zudem die Ursachen für den drohenden Defekt. Ersatzteile stehen dem OEM passend zur Verfügung und die Wartung erfolgt geplant in einer produktionsfreien Zeit.
Einen Schritt weiter als Predictive Maintenance geht T-Systems mit dem Ansatz „Next Generation Maintenance“. „Hierbei fließen Maschinendaten aus der Wartung in das Engineering zurück“ erklärt Rätker den neuen Ansatz. „Die Analyse der Wartungshistorie liefert die dafür nötigen Rückschlüsse um Probleme in zukünftigen Produkten entgegenzuwirken.“ So lässt sich die Qualität der Erzeugnisse optimieren und die Lebensdauer einer Maschine oder ganzen Produktionsanlage verlängern. Rätker: „Dies kann die Total Cost of Ownership deutlich reduzieren.“ Zeigt sich etwa, dass eine Maschine bei bestimmten Temperaturen häufiger ausfällt, kann der Produzent die Materialzusammensetzung an den entscheidenden Schwachstellen verändern. Oder das Unternehmen sorgt dafür, dass die Temperatur in einer Produktionshalle optimal eingestellt ist.