Predictive Maintenance<\/em> (PdM) bezeichnet.<\/p>\n\n\n\nDieser 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 erm\u00f6glichen.<\/p>\n\n\n\n
Die vier Entwicklungsstufen der Instandhaltung<\/h3>\n\n\n\n
Um die Bedeutung der pr\u00e4diktiven Wartung zu erfassen, hilft ein Blick auf die evolution\u00e4ren Stufen, die die Instandhaltung in der Industrie durchlaufen hat (und immer noch durchl\u00e4uft).<\/p>\n\n\n\n
1. Reaktive Instandhaltung (Run-to-Failure)<\/strong><\/p>\n\n\n\n\n- Das Prinzip:<\/strong>\u00a0Die Maschine l\u00e4uft so lange, bis sie kaputtgeht. Erst dann wird sie repariert.<\/li>\n\n\n\n
- Die Denkweise:<\/strong>\u00a0„Reparieren, wenn es kaputt ist.“ Oft in kleineren Betrieben oder bei unkritischen Anlagen zu finden.<\/li>\n\n\n\n
- Die Kosten:<\/strong>\u00a0Ungeplante Stillst\u00e4nde sind extrem teuer. Ersatzteile m\u00fcssen oft teuer und unter Zeitdruck beschafft werden. Sekund\u00e4rsch\u00e4den (wenn ein defektes Lager die ganze Welle zerst\u00f6rt) sind h\u00e4ufig.<\/li>\n<\/ul>\n\n\n\n
2. Pr\u00e4ventive Instandhaltung (Time-Based Maintenance)<\/strong><\/p>\n\n\n\n\n- Das Prinzip:<\/strong>\u00a0Wartung wird in festgelegten Zeitintervallen durchgef\u00fchrt, unabh\u00e4ngig vom tats\u00e4chlichen Zustand der Maschine.<\/li>\n\n\n\n
- Die Denkweise:<\/strong>\u00a0„Alle 2000 Betriebsstunden wird das Lager getauscht.“ Das ist der Standard in vielen Industrien.<\/li>\n\n\n\n
- Die Kosten:<\/strong>\u00a0Geplante Stillst\u00e4nde sind besser als ungeplante, aber sie sind oft unn\u00f6tig. Teile werden getauscht, obwohl sie noch lange halten w\u00fcrden (Verschwendung von Material und Arbeitszeit). Oder aber ein Schaden tritt kurz vor dem geplanten Wartungstermin auf.<\/li>\n<\/ul>\n\n\n\n
3. Zustandsbasierte Instandhaltung (Condition-Based Maintenance)<\/strong><\/p>\n\n\n\n\n- Das Prinzip:<\/strong>\u00a0Der Zustand der Maschine wird kontinuierlich oder in regelm\u00e4\u00dfigen Abst\u00e4nden \u00fcberwacht. Wartung wird erst dann durchgef\u00fchrt, wenn ein bestimmter Schwellwert \u00fcberschritten wird (z.B. „Vibrationen erreichen kritischen Wert“).<\/li>\n\n\n\n
- Die Denkweise:<\/strong>\u00a0„Wir reparieren erst, wenn es n\u00f6tig ist, aber wir wissen, wann es n\u00f6tig ist.“<\/li>\n\n\n\n
- Die Kosten:<\/strong>\u00a0Deutliche Reduzierung unn\u00f6tiger Wartung. Aber die Reaktion erfolgt oft erst, wenn die Maschine bereits Schaden nimmt. Der optimale Zeitpunkt wird m\u00f6glicherweise verpasst.<\/li>\n<\/ul>\n\n\n\n
4. Pr\u00e4diktive Instandhaltung (Predictive Maintenance)<\/strong><\/p>\n\n\n\n\n- Das Prinzip:<\/strong>\u00a0Der zuk\u00fcnftige Zustand der Maschine wird auf Basis von Echtzeitdaten und historischen Daten vorhergesagt. Wartung wird genau dann geplant, wenn sie\u00a0voraussichtlich<\/em>\u00a0notwendig sein wird.<\/li>\n\n\n\n
- Die Denkweise:<\/strong>\u00a0„Wir sehen den Verschlei\u00df kommen und wissen ziemlich genau, wann wir eingreifen m\u00fcssen, um den Stillstand zu vermeiden.“ Das ist die K\u00f6nigsdisziplin und das Versprechen des IIoT.<\/li>\n\n\n\n
- Die Kosten:<\/strong>\u00a0Maximal m\u00f6gliche Nutzungsdauer der Komponenten bei gleichzeitiger Minimierung ungeplanter Stillst\u00e4nde. Wartung wird zu einem planbaren, optimierbaren Prozess.<\/li>\n<\/ul>\n\n\n\n
Wie funktioniert pr\u00e4diktive Wartung? Der Datenkreislauf<\/h3>\n\n\n\n
Der \u00dcbergang von der zustandsbasierten zur pr\u00e4diktiven Wartung ist flie\u00dfend und wird vor allem durch den Einsatz von Datenanalyse und Algorithmen<\/strong> erm\u00f6glicht. Der Prozess folgt einem klaren Muster:<\/p>\n\n\n\n\n- Datenerfassung (wie in Teil 4 beschrieben):<\/strong>\u00a0Sensoren an der Maschine erfassen kontinuierlich relevante Zustandsgr\u00f6\u00dfen. Die wichtigsten sind:\n
\n- Vibrationen:<\/strong>\u00a0Der Klassiker f\u00fcr rotierende Maschinen. Ver\u00e4nderungen im Schwingungsspektrum deuten auf Unwucht, Lager- oder Zahnradsch\u00e4den hin.<\/li>\n\n\n\n
- Temperatur:<\/strong>\u00a0Ein Anstieg der Lagertemperatur ist ein sicheres Zeichen f\u00fcr beginnenden Verschlei\u00df oder Schmierstoffmangel.<\/li>\n\n\n\n
- Stromaufnahme:<\/strong>\u00a0Ein Motor, der mehr Strom zieht als \u00fcblich, k\u00e4mpft m\u00f6glicherweise mit erh\u00f6hter Reibung.<\/li>\n\n\n\n
- Druck, Durchfluss, etc.:<\/strong>\u00a0Abweichungen in Prozessgr\u00f6\u00dfen k\u00f6nnen auf Verschmutzungen oder Undichtigkeiten hindeuten.<\/li>\n<\/ul>\n<\/li>\n\n\n\n
- Merkmalsextraktion (Feature Engineering):<\/strong>\u00a0Aus den Rohdaten werden charakteristische Merkmale berechnet. Aus einem Vibrationssignal wird z.B. der\u00a0Effektivwert<\/strong>\u00a0(RMS \u2013 ein Ma\u00df f\u00fcr die Gesamtenergie der Schwingung) oder ein\u00a0Frequenzspektrum<\/strong>\u00a0(welche Frequenzen sind besonders stark vertreten?) berechnet. Diese Merkmale sind die eigentlichen Indikatoren f\u00fcr den Maschinenzustand.<\/li>\n\n\n\n
- Modellbildung (das „pr\u00e4diktive“ Herzst\u00fcck):<\/strong>\u00a0Hier kommen Algorithmen ins Spiel. Es gibt zwei grunds\u00e4tzliche Ans\u00e4tze:\n
\n- Schwellwertbasierte Modelle:<\/strong>\u00a0F\u00fcr einfache Merkmale werden Grenzwerte definiert (z.B. „RMS > 10 mm\/s ist kritisch“). Das ist noch zustandsbasierte Wartung, aber mit etwas Intelligenz.<\/li>\n\n\n\n
- Machine-Learning-Modelle:<\/strong>\u00a0Komplexere Algorithmen lernen aus historischen Daten. Man f\u00fcttert das Modell mit den Daten, die zu einem vergangenen Maschinenausfall gef\u00fchrt haben, und mit den Daten von intakten Maschinen. Das Modell lernt, die Muster zu erkennen, die einem Ausfall\u00a0vorausgehen<\/em>. So kann es eine Wahrscheinlichkeit daf\u00fcr berechnen, dass eine Maschine in den n\u00e4chsten Tagen oder Wochen ausfallen wird.<\/li>\n<\/ul>\n<\/li>\n\n\n\n
- Entscheidung und Handlung:<\/strong>\u00a0Das Modell generiert eine Handlungsempfehlung: „Pumpe 3 hat eine Ausfallwahrscheinlichkeit von 80 % in den n\u00e4chsten 14 Tagen.“ Diese Information flie\u00dft in ein Wartungsmanagementsystem (CMMS). Ein Disponent plant daraufhin einen Wartungseinsatz f\u00fcr Pumpe 3 in 10 Tagen, bestellt rechtzeitig ein Ersatzlager und informiert die Produktion \u00fcber eine geplante, kurze Unterbrechung.<\/li>\n<\/ol>\n\n\n\n
Ein einfaches Beispiel: Der Ventilator<\/h3>\n\n\n\n
Stellen Sie sich einen Ventilator vor, der Luft durch eine Filteranlage saugt. Ein Vibrationssensor sitzt am Geh\u00e4use.<\/p>\n\n\n\n
\n- Im Normalzustand<\/strong>\u00a0zeigt das Frequenzspektrum eine klare Spitze bei der Drehfrequenz (z.B. 1500 U\/min = 25 Hz).<\/li>\n\n\n\n
- Nach einiger Zeit<\/strong>\u00a0bildet sich eine leichte Unwucht durch Staubablagerungen auf den Rotorbl\u00e4ttern. Das Spektrum zeigt eine h\u00f6here Spitze bei 25 Hz. Ein einfaches Modell k\u00f6nnte hier bereits warnen: „Unwucht nimmt zu.“<\/li>\n\n\n\n
- Wenig sp\u00e4ter<\/strong>\u00a0beginnt das Lager Schaden zu nehmen. Im Spektrum tauchen neue Spitzen bei h\u00f6heren 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.“<\/li>\n<\/ul>\n\n\n\n
Die pr\u00e4diktive Wartung h\u00e4tte in diesem Fall nicht nur einen Alarm ausgel\u00f6st („Vibration zu hoch“), sondern eine spezifische Diagnose geliefert („Lagerschaden beginnt“) und eine Prognose erstellt („Austausch in ca. 3 Wochen empfohlen“).<\/p>\n\n\n\n
Im n\u00e4chsten Artikel werden wir uns mit einem Konzept besch\u00e4ftigen, das diese Daten und Prognosen auf eine neue Ebene hebt und zur perfekten Symbiose von realer und digitaler Welt f\u00fchrt: Der Digitale Zwilling<\/strong>. Wir werden erkunden, wie aus einem Haufen Sensordaten ein lebendiges Abbild einer Maschine entsteht.<\/p>","protected":false},"excerpt":{"rendered":"Von Daten zu Entscheidungen: Die Grundlagen der pr\u00e4diktiven Wartung (Predictive Maintenance). Von DerSchneider Wir haben in den vergangenen Artikeln eine komplexe technische Infrastruktur aufgebaut: Sensoren erfassen unerm\u00fcdlich Daten, Protokolle transportieren sie zuverl\u00e4ssig, Edge-Ger\u00e4te filtern und verdichten sie, und drahtlose Netze sorgen f\u00fcr die n\u00f6tige Flexibilit\u00e4t. Doch all dieser Aufwand ist nur Mittel zum Zweck. Er […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,26],"tags":[3230],"class_list":["post-2070","post","type-post","status-publish","format-standard","hentry","category-industrie-4-0","category-mit-den-handen","tag-iiot"],"_links":{"self":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/2070","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/comments?post=2070"}],"version-history":[{"count":0,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/2070\/revisions"}],"wp:attachment":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/media?parent=2070"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/categories?post=2070"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/tags?post=2070"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}