Maschinen und Arbeitsgeräte, Fahrzeuge und andere Einrichtungen müssen im Kontext von Industrie 4.0 zum Leben gläserner werden und ihre Daten preisgeben. Was bisher schon in der Maschine erfasst wurde, wird nun auch zum Betreiber oder zum Hersteller kommuniziert, was bisher nicht gemessen wurde, kann dank immer preiswerterer Sensoren erfasst und weitergegeben werden. Diese riesigen Datenmengen ermöglichen eine ständige Optimierung aller Betriebsabläufe, aber auch die Erkennung ungewöhnlicher Betriebszustände. Damit wird Predictive Maintenance, die vorausschauende Wartung, also möglich.

Eine Maschine geht eigentlich nie schlagartig kaputt. Defekte kündigen sich an, indem die Leistung sinkt, Lager heißlaufen oder Parameter und Genauigkeiten nicht mehr eingehalten werden. Die Abweichungen sind zu Anfang nicht oder kaum bemerkbar, erst später verändern sich die Werte exponentiell, bis die Maschine dann kaputtgeht.

Vorausschauende Wartung dank Big Data

Es ist das Prinzip des Condition Monitoring, möglichst viele Statuswerte der Maschine – Temperaturen, Leistungsaufnahme, Taktzahl und vieles andere – aufzunehmen. Bisher wurden von den Entwicklern der Maschine Grenzwerte gesetzt, bei deren Überschreitung ein Alarm und im besten Fall eine vorausschauende Wartung ausgelöst wurde. Doch das bedingte, dass die Entwickler jede mögliche Versagensursache und den Ablauf des Defekts kennen – was schlicht unmöglich ist. Setzten sie die Grenze zu niedrig an, wurde zu oft und zu früh alarmiert, lag die Grenze zu hoch, erreichte die Maschine den nächsten Wartungstermin vielleicht nicht mehr.

Predicitive Maintenance im Zeitalter von Industrie 4.0 will anders an das Thema herangehen: Es sollen Daten von möglichst vielen Maschinen gesammelt, diese in einer zentralen Plattform konsolidiert und dann mit Big Data Analytics-Methoden ausgewertet werden. Die intelligente Datenanalyse soll die automatische Erkennung ungewöhnlicher Werte möglich machen. Idealerweise werden dabei dann auch die Schlussfolgerungen dargestellt. Je mehr Maschinen in der Auswertung berücksichtigt werden, desto genauer werden die Aussagen der Datenanalyse sein.

Besonderheiten berücksichtigen

So lassen sich auch regionale oder andere Besonderheiten besser berücksichtigen. Was beispielsweise an einem Anlagenstandort in Spanien noch normale Temperaturen sind, kann bei der Schwestermaschine in Schweden schon eine unzulässig hohe Lagertemperatur bedeuten. Big Data Analytics ist geradezu prädestiniert dafür, Zusammenhänge zu erkennen und Daten unter Berücksichtigung anderer Daten zu interpretieren.

Je mehr Maschinendaten vorliegen, desto besser kann die Erkennung ungewöhnlicher Abläufe und Betriebszustände werden und desto besser kann mit Hilfe von Software beurteilt werden, wann ein Alarm angebracht ist. Je mehr Defekte die Datenbank gespeichert hat, desto besser wird die Vorausberechnung des Defektablaufs beim nächsten Mal und desto genauer kann der optimale Zeitpunkt für eine Wartung definiert werden. Dementsprechend verbessert sich die Predictive Maintenance bis zu einem Punkt, an dem der Kunde erstaunt feststellt, dass ein Monteur mit Ersatzteilen vor der Tür steht und er selbst noch gar nicht bemerkt hat, dass eine Maschine ein Problem entwickelt.

Einige Bereiche sind schon heute möglich, in anderen Feldern wird noch entwickelt. Der Trend zu immer besseren Analyseverfahren und intelligenter, vorausschauender Wartung ist aber bereits heute Realität und wird in der modernen „Fabrik der Zukunft“ sicher zum Alltag gehören. Davon kann man, so denke ich, auch heute schon sicher ausgehen.