Donald Wachs ist überzeugt, dass es der Industrie vor allem an einem mangelt: dem Mut, Fehler zu machen und daraus zu lernen.
Interview

Mit Leuchtturmprojekten starten

Gemäß einer Umfrage von BearingPoint wird Predictive Maintenance in der Industrie bisher eher diskutiert als umgesetzt. Während sich 84 Prozent der Befragten aus den Bereichen Maschinenbau, Chemie/Pharma und der Automobilindustrie mit dem Thema Predictive Maintenance in ihrem Unternehmen auseinandersetzen, hat nur jedes vierte Unternehmen bereits erste Projekte durchgeführt. Es mangele am Mut, Fehler zu machen und aus diesen zu lernen, sagt Donald Wachs, Globaler Leiter Industrial Manufacturing und Industry 4.0 bei BearingPoint.
Autor: Roger Homrich
Foto: Bearing Point

Was sind die grössten Hemmschuhe, Predictive Maintenance zu nutzen?

Neben IT-Sicherheit sind laut unserer Studie der hohe Implementierungsaufwand sowie die Verfügbarkeit von Daten die wesentlichen Gründe, warum sich die vorausschauende Wartung erst allmählich durchsetzt. Vor allem fehlen oftmals wirklich relevante Daten aus intelligenten Produkten und Anlagen, um die Vorhersage von Zuständen zu beurteilen. Zudem spielt die Komplexität der Lösungen eine Rolle. Es gibt kaum Fertiglösungen. Daher müssen die Unternehmen mit entsprechenden Partnern individuelle Lösung erarbeiten. Und nicht zuletzt fehlt oft das Commitment des Managements.

Wann rentiert sich denn Predictive Maintenance?

Zumeist sind Use Cases nur auf kleine Projekte ausgelegt, man erhofft sich aber zugleich eine frühzeitige Amortisation. Ein Predictive-Maintenance-Projekt rentiert sich jedoch häufig erst im Rahmen größerer Rollouts oder bei einer hohen Anzahl eingebundener intelligenter Anlagen. Zudem sollten Predictive Maintenance Cases zur Stützung der Wirtschaftlichkeit mit zusätzlichen Digital Products angereichert werden.

Was raten Sie Unternehmen: Wie sollen sie Predictive-Maintenance-Projekte angehen?

Sie sollten einen echten Use Case ausarbeiten, um der Gefahr einer Bildung von Datensümpfen ohne Mehrwert vorzubeugen. Je nach Ziel sollte also der Startpunkt ein gut definierter und relevanter Anwendungsfall sein. Zum Beispiel der Wunsch, die Anlagenverfügbarkeit zu erhöhen oder die Kosten zu senken. Dazu eignen sich virtuelle Inspektionen oder Fernwartung. Laufen die ersten Tests erfolgreich, lässt sich das dann sukzessive ausbauen. Oder sie wollen die Kundenzufriedenheit verbessern. Dann stellen sie den Kunden über ein Internetportal Zustandsinformationen oder Incident-Historien der von ihnen genutzten Maschinen zur Verfügung. Dies bedeutet also: Starten Sie mit einem Pilotprojekt, um zu lernen und zu testen. Betrachten Sie Aspekte wie Datenverbindung, Datenanalyse und Integration in das Instandhaltungsmanagement ganzheitlich und wirtschaftlich. Und nicht zuletzt: Lernen Sie von Fehlern, anstatt jedes Detail im Voraus zu planen.

Zu hohe Komplexität ist ein weiterer Grund für den verhaltenen Umgang mit Predictive-Ansätzen. Sind die Lösungen wirklich so komplex?

Jede Lösung muss auf die individuellen Belange des Unternehmens zugeschnitten werden. Es stehen zwar Blueprints zu bestimmten Komponenten zur Verfügung, allerdings sind das Verhalten und der Verschleiß innerhalb eines spezifischen Systems immer unterschiedlich. Insbesondere die Algorithmen bedürfen der besonderen Betrachtung und stetigen Verbesserung. Gerade die Verprobung von deren jeweiligen Kenngrößen unter Berücksichtigung individueller Wirkfaktoren zur Aufdeckung von Anomalien stellt im Kontext einer überlegenen Prognose aktuell noch eine methodische Herausforderung dar.

Weitere Artikel

Weitere Informationen