Reihe: Industrial IoT – Die smarte Fabrik verstehen (Teil 8)

Von Daten zu Entscheidungen: Die Grundlagen der prädiktiven Wartung (Predictive Maintenance).

Von DerSchneider

Wir haben in den vergangenen Artikeln eine komplexe technische Infrastruktur aufgebaut: Sensoren erfassen unermüdlich Daten, Protokolle transportieren sie zuverlässig, Edge-Geräte filtern und verdichten sie, und drahtlose Netze sorgen für die nötige Flexibilität.

Doch all dieser Aufwand ist nur Mittel zum Zweck. Er dient einem einzigen Ziel: aus Daten bessere Entscheidungen zu machen. Im industriellen Kontext ist die wohl wichtigste und am weitesten verbreitete Anwendung dieser Kunst die prädiktive Wartung, oft auch mit dem englischen Begriff Predictive Maintenance (PdM) bezeichnet.

Dieser Artikel widmet sich den Grundlagen dieser Disziplin. Wir werden die verschiedenen Strategien der Instandhaltung kennenlernen, verstehen, warum der Wechsel von reaktivem zu vorausschauendem Handeln eine Revolution darstellt, und einen ersten Blick auf die Methoden werfen, die dies ermöglichen.

Die vier Entwicklungsstufen der Instandhaltung

Um die Bedeutung der prädiktiven Wartung zu erfassen, hilft ein Blick auf die evolutionären Stufen, die die Instandhaltung in der Industrie durchlaufen hat (und immer noch durchläuft).

1. Reaktive Instandhaltung (Run-to-Failure)

• Das Prinzip: Die Maschine läuft so lange, bis sie kaputtgeht. Erst dann wird sie repariert.
• Die Denkweise: „Reparieren, wenn es kaputt ist.“ Oft in kleineren Betrieben oder bei unkritischen Anlagen zu finden.
• Die Kosten: Ungeplante Stillstände sind extrem teuer. Ersatzteile müssen oft teuer und unter Zeitdruck beschafft werden. Sekundärschäden (wenn ein defektes Lager die ganze Welle zerstört) sind häufig.

2. Präventive Instandhaltung (Time-Based Maintenance)

• Das Prinzip: Wartung wird in festgelegten Zeitintervallen durchgeführt, unabhängig vom tatsächlichen Zustand der Maschine.
• Die Denkweise: „Alle 2000 Betriebsstunden wird das Lager getauscht.“ Das ist der Standard in vielen Industrien.
• Die Kosten: Geplante Stillstände sind besser als ungeplante, aber sie sind oft unnötig. Teile werden getauscht, obwohl sie noch lange halten würden (Verschwendung von Material und Arbeitszeit). Oder aber ein Schaden tritt kurz vor dem geplanten Wartungstermin auf.

3. Zustandsbasierte Instandhaltung (Condition-Based Maintenance)

• Das Prinzip: Der Zustand der Maschine wird kontinuierlich oder in regelmäßigen Abständen überwacht. Wartung wird erst dann durchgeführt, wenn ein bestimmter Schwellwert überschritten wird (z.B. „Vibrationen erreichen kritischen Wert“).
• Die Denkweise: „Wir reparieren erst, wenn es nötig ist, aber wir wissen, wann es nötig ist.“
• Die Kosten: Deutliche Reduzierung unnötiger Wartung. Aber die Reaktion erfolgt oft erst, wenn die Maschine bereits Schaden nimmt. Der optimale Zeitpunkt wird möglicherweise verpasst.

4. Prädiktive Instandhaltung (Predictive Maintenance)

• Das Prinzip: Der zukünftige Zustand der Maschine wird auf Basis von Echtzeitdaten und historischen Daten vorhergesagt. Wartung wird genau dann geplant, wenn sie voraussichtlich notwendig sein wird.
• Die Denkweise: „Wir sehen den Verschleiß kommen und wissen ziemlich genau, wann wir eingreifen müssen, um den Stillstand zu vermeiden.“ Das ist die Königsdisziplin und das Versprechen des IIoT.
• Die Kosten: Maximal mögliche Nutzungsdauer der Komponenten bei gleichzeitiger Minimierung ungeplanter Stillstände. Wartung wird zu einem planbaren, optimierbaren Prozess.

Wie funktioniert prädiktive Wartung? Der Datenkreislauf

Der Übergang von der zustandsbasierten zur prädiktiven Wartung ist fließend und wird vor allem durch den Einsatz von Datenanalyse und Algorithmen ermöglicht. Der Prozess folgt einem klaren Muster:

1. Datenerfassung (wie in Teil 4 beschrieben): Sensoren an der Maschine erfassen kontinuierlich relevante Zustandsgrößen. Die wichtigsten sind:
   • Vibrationen: Der Klassiker für rotierende Maschinen. Veränderungen im Schwingungsspektrum deuten auf Unwucht, Lager- oder Zahnradschäden hin.
   • Temperatur: Ein Anstieg der Lagertemperatur ist ein sicheres Zeichen für beginnenden Verschleiß oder Schmierstoffmangel.
   • Stromaufnahme: Ein Motor, der mehr Strom zieht als üblich, kämpft möglicherweise mit erhöhter Reibung.
   • Druck, Durchfluss, etc.: Abweichungen in Prozessgrößen können auf Verschmutzungen oder Undichtigkeiten hindeuten.
2. Merkmalsextraktion (Feature Engineering): Aus den Rohdaten werden charakteristische Merkmale berechnet. Aus einem Vibrationssignal wird z.B. der Effektivwert (RMS – ein Maß für die Gesamtenergie der Schwingung) oder ein Frequenzspektrum (welche Frequenzen sind besonders stark vertreten?) berechnet. Diese Merkmale sind die eigentlichen Indikatoren für den Maschinenzustand.
3. Modellbildung (das „prädiktive“ Herzstück): Hier kommen Algorithmen ins Spiel. Es gibt zwei grundsätzliche Ansätze:
   • Schwellwertbasierte Modelle: Für einfache Merkmale werden Grenzwerte definiert (z.B. „RMS > 10 mm/s ist kritisch“). Das ist noch zustandsbasierte Wartung, aber mit etwas Intelligenz.
   • Machine-Learning-Modelle: Komplexere Algorithmen lernen aus historischen Daten. Man füttert das Modell mit den Daten, die zu einem vergangenen Maschinenausfall geführt haben, und mit den Daten von intakten Maschinen. Das Modell lernt, die Muster zu erkennen, die einem Ausfall vorausgehen. So kann es eine Wahrscheinlichkeit dafür berechnen, dass eine Maschine in den nächsten Tagen oder Wochen ausfallen wird.
4. Entscheidung und Handlung: Das Modell generiert eine Handlungsempfehlung: „Pumpe 3 hat eine Ausfallwahrscheinlichkeit von 80 % in den nächsten 14 Tagen.“ Diese Information fließt in ein Wartungsmanagementsystem (CMMS). Ein Disponent plant daraufhin einen Wartungseinsatz für Pumpe 3 in 10 Tagen, bestellt rechtzeitig ein Ersatzlager und informiert die Produktion über eine geplante, kurze Unterbrechung.

Ein einfaches Beispiel: Der Ventilator

Stellen Sie sich einen Ventilator vor, der Luft durch eine Filteranlage saugt. Ein Vibrationssensor sitzt am Gehäuse.

• Im Normalzustand zeigt das Frequenzspektrum eine klare Spitze bei der Drehfrequenz (z.B. 1500 U/min = 25 Hz).
• Nach einiger Zeit bildet sich eine leichte Unwucht durch Staubablagerungen auf den Rotorblättern. Das Spektrum zeigt eine höhere Spitze bei 25 Hz. Ein einfaches Modell könnte hier bereits warnen: „Unwucht nimmt zu.“
• Wenig später beginnt das Lager Schaden zu nehmen. Im Spektrum tauchen neue Spitzen bei höheren Frequenzen auf (z.B. 100 Hz, 200 Hz). Ein trainiertes KI-Modell erkennt dieses Muster sofort: „Das ist ein typisches Lagerschadensmuster. Die Wahrscheinlichkeit eines Totalausfalls steigt exponentiell.“

Die prädiktive Wartung hätte in diesem Fall nicht nur einen Alarm ausgelöst („Vibration zu hoch“), sondern eine spezifische Diagnose geliefert („Lagerschaden beginnt“) und eine Prognose erstellt („Austausch in ca. 3 Wochen empfohlen“).

Im nächsten Artikel werden wir uns mit einem Konzept beschäftigen, das diese Daten und Prognosen auf eine neue Ebene hebt und zur perfekten Symbiose von realer und digitaler Welt führt: Der Digitale Zwilling. Wir werden erkunden, wie aus einem Haufen Sensordaten ein lebendiges Abbild einer Maschine entsteht.