Ungeplante Maschinenausfälle zählen zu den teuersten Ereignissen in der Produktion. Neben dem direkten Reparaturaufwand entstehen Kosten durch Produktionsausfall, Lieferverzögerungen und Folgeschäden an anderen Anlagenteilen. Predictive Maintenance, also vorausschauende Wartung, setzt genau hier an: Sie erkennt Verschleiß und aufkommende Fehler, bevor der Ausfall eintritt.
Die drei Stufen der Instandhaltungsstrategie
Reaktive Wartung bedeutet: reparieren, wenn etwas kaputtgeht. Das maximiert die Nutzung von Verschleißteilen, aber die Konsequenz ungeplanter Ausfälle ist oft teuer. Diese Strategie ist nur dann akzeptabel, wenn der Ausfall keine kritischen Konsequenzen hat und Ersatz schnell verfügbar ist.
Präventive Wartung folgt festen Zeitplänen oder Betriebsstundenintervallen. Alle 500 Betriebsstunden wird gewechselt, unabhängig vom tatsächlichen Zustand. Das ist planbarer als reaktive Wartung, führt aber zu unnötigem Austausch von noch intakten Teilen und zu Wartungskosten, die nichts verhindern.
Predictive Maintenance basiert auf dem tatsächlichen Zustand der Anlage. Sensordaten werden kontinuierlich erfasst und ausgewertet. Wenn Anzeichen für aufkommenden Verschleiß erkannt werden, wird die Wartung geplant – rechtzeitig, um einen Ausfall zu vermeiden, aber ohne unnötig frühen Austausch.
Wie Predictive Maintenance funktioniert
Der Prozess lässt sich in drei Phasen beschreiben:
Datenerfassung: Sensoren an der Anlage erfassen kontinuierlich relevante Betriebsparameter. Für rotierende Maschinen wie Elektromotoren, Pumpen und Kompressoren sind Vibration, Temperatur und Stromaufnahme die wichtigsten Messgrößen. Für Hydraulikanlagen kommen Druck und Ölqualität hinzu.
Anomalieerkennung: Die erfassten Daten werden mit einem Referenzzustand verglichen. Abweichungen vom Normalzustand werden als Anomalien markiert. Das kann durch einfache Schwellenwertvergleiche erfolgen oder durch komplexere Methoden wie maschinelles Lernen, die Muster in den Daten erkennen.
Prognose und Handlungsempfehlung: Auf Basis der erkannten Anomalien wird prognostiziert, wann ein Bauteil ausfallen wird oder eine Wartung notwendig wird. Diese Prognose ermöglicht die Planung des Wartungseingriffs zum optimalen Zeitpunkt.
Typische Fehlerbilder und ihre Signaturen
Viele Fehlerarten hinterlassen charakteristische Signaturen in Sensordaten, die vor dem sichtbaren Ausfall erkennbar sind:
Lagerschäden zeigen sich in veränderten Vibrationsspektren. Lager haben charakteristische Fehlerfrequenzen, die sich aus Geometrie und Drehzahl berechnen lassen. Ein schälendes Lager erzeugt erhöhte Amplituden bei diesen Frequenzen, oft Wochen oder Monate vor dem kompletten Ausfall.
Unwuchten an rotierenden Bauteilen erzeugen erhöhte Vibrationen bei der Drehfrequenz und ihren Harmonischen. Eine zunehmende Unwucht durch Materialabrieb oder Materialansatz ist frühzeitig erkennbar.
Elektromotorprobleme wie beginnende Wicklungsschäden oder Stromoberwellen zeigen sich in veränderten Stromsignalen. Die motorstrombasierte Diagnose (MCSA) wertet das Stromsignal aus, ohne zusätzliche Sensoren zu benötigen.
Ventilprobleme in Hydraulik- und Pneumatiksystemen zeigen sich in veränderten Druckverläufen. Ein leckendes Ventil verursacht charakteristische Druckabfälle und -schwankungen.
Kühlungsprobleme werden durch steigende Betriebstemperaturen angezeigt. Wenn die Betriebstemperatur eines Motors im Trend steigt, können Kühlrippen verstopft, der Lüfter defekt oder die Umgebungstemperatur gestiegen sein.
Methoden der Datenanalyse
Schwellenwertbasierte Überwachung ist die einfachste Methode. Wenn ein Messwert einen definierten Schwellenwert überschreitet, wird ein Alarm ausgelöst. Vorteil: einfach einzurichten und zu verstehen. Nachteil: Schwellenwerte müssen manuell definiert werden und berücksichtigen keine komplexen Zusammenhänge zwischen mehreren Messgrößen.
Statistische Methoden erkennen Abweichungen vom statistischen Normalverhalten einer Maschine. Der Vorteil ist die automatische Anpassung an den normalen Betriebsbereich einer spezifischen Maschine.
Machine-Learning-Methoden lernen aus historischen Daten, welche Parametermuster zu Ausfällen geführt haben, und erkennen ähnliche Muster in aktuellen Daten. Sie ermöglichen komplexere Zusammenhänge zu erkennen als regelbasierte Ansätze, erfordern aber ausreichend historische Daten für das Training.
Frequenzanalyse wertet Vibrationssignale im Frequenzbereich aus. Fast Fourier Transformation (FFT) zerlegt ein Vibrationssignal in seine Frequenzanteile und macht charakteristische Fehlerfrequenzen sichtbar.
Aufbau eines Predictive-Maintenance-Systems
Schritt 1: Kritische Anlagen identifizieren
Nicht jede Maschine benötigt Predictive Maintenance. Priorisiert werden Anlagen, deren Ausfall den größten Schaden verursacht: Engpassmaschinen in der Produktion, Anlagen mit langen Lieferzeiten für Ersatzteile und Anlagen mit hohen Reparaturkosten.
Schritt 2: Relevante Messgrößen bestimmen
Welche Fehlermechanismen sind für die priorisierten Anlagen relevant? Welche Sensoren sind notwendig, um diese Fehlermechanismen frühzeitig zu erkennen?
Schritt 3: Referenzdaten erfassen
Für die Anomalieerkennung wird ein Referenzzustand benötigt. Das erfordert die Erfassung von Daten im Normalzustand über einen ausreichend langen Zeitraum unter verschiedenen Betriebsbedingungen.
Schritt 4: Analyse und Schwellenwerte konfigurieren
Auf Basis der Referenzdaten werden Analysemethoden und Schwellenwerte konfiguriert. Dieser Schritt erfordert Domänenwissen über die überwachten Maschinen.
Schritt 5: Prozesse anpassen
Predictive Maintenance erzeugt Handlungsempfehlungen. Diese müssen in bestehende Instandhaltungsprozesse integriert werden. Wer erhält die Alarme? Wer entscheidet über den Wartungseingriff? Wie werden Ersatzteile bereitgestellt?
Wirtschaftlichkeit und Kennzahlen
Der wirtschaftliche Nutzen von Predictive Maintenance lässt sich über mehrere Kennzahlen messen:
Verfügbarkeit (Availability) ist der Anteil der Zeit, in der eine Anlage betriebsbereit ist. Predictive Maintenance erhöht die Verfügbarkeit durch weniger ungeplante Ausfälle.
Mean Time Between Failures (MTBF) misst die durchschnittliche Zeit zwischen Ausfällen. Längere MTBF bedeutet weniger Ausfälle.
Wartungskosten als prozentualer Anteil des Anlagenwertes sind eine weitere Kenngröße. Predictive Maintenance senkt Wartungskosten durch Vermeidung unnötiger Präventivwartungen und kostspieligerer Folgeschäden.
Laut einer Studie von McKinsey senkt Predictive Maintenance Wartungskosten um 10 bis 25 Prozent, reduziert Ausfallzeiten um 30 bis 50 Prozent und verlängert die Maschinenlebensdauer um 20 bis 40 Prozent.
Häufig gestellte Fragen
Für welche Maschinen eignet sich Predictive Maintenance besonders?
Elektromotoren, Pumpen, Kompressoren, Ventilatoren, Getriebe und alle rotierenden Maschinen mit definierten Fehlerfrequenzen sind besonders gut geeignet. Weniger geeignet sind Maschinen mit sehr kurzen Fehlerentwicklungszeiten, bei denen zwischen Erkennung und Ausfall zu wenig Zeit für einen Eingriff bleibt.
Wie viele historische Daten brauche ich für maschinelles Lernen?
Als Faustregel gelten mindestens ein bis zwei Jahre Betriebsdaten, die mehrere saisonale Zyklen und verschiedene Betriebszustände abdecken. Je mehr Ausfälle in den historischen Daten dokumentiert sind, desto besser kann ein Modell trainiert werden.
Kann Predictive Maintenance ohne Cloud funktionieren?
Ja. Edge-Computing-Lösungen verarbeiten Daten lokal, ohne sie in die Cloud zu übertragen. Das ist sinnvoll bei sehr sensiblen Produktionsdaten oder schlechter Internetanbindung.
