Vorausschauende Wartungsanalyse: Wie PdM-Vorhersagen tatsächlich erstellt werden
Vorausschauende Wartung soll Wartungsteams dabei helfen, sich anbahnende Probleme an Anlagen zu erkennen, bevor es zu ungeplanten Ausfallzeiten kommt. Doch von einer Sensormessung zu einer sinnvollen Wartungsentscheidung reicht es nicht aus, einfach zu sagen: „KI sagt den Ausfall voraus.“ Die Daten müssen eine signifikante Veränderung aufzeigen, die Analysen müssen diese erkennen, und die Erkenntnis muss das Wartungsteam erreichen, damit dieses über die erforderlichen Maßnahmen entscheiden kann.
Dies ist der Analyseprozess, der der vorausschauenden Wartung zugrunde liegt. Die spezifischen Erkennungsmethoden, die die zugrunde liegenden Sensordaten generieren, finden Sie in unserer [Link zu den spezifischen Erkennungsmethoden]. Leitfaden zu Techniken der vorausschauenden Instandhaltung.
Die dreistufige Pipeline: Überwachen, Analysieren, Handeln
Für ein Instandhaltungsteam lässt sich vorausschauende Instandhaltung auf drei grundlegende Schritte reduzieren: Daten der Anlagen erfassen, Veränderungen feststellen und entsprechende Maßnahmen ergreifen. Die zugrundeliegende Analysetechnologie kann komplex sein, das Instandhaltungsziel ist jedoch klar: ein sich anbahnendes Problem frühzeitig erkennen, um darauf reagieren zu können.
1Überwachen
Sensoren erfassen Informationen wie Temperatur, Vibration, Druck, Durchfluss oder elektrischen Strom. Ziel ist es, den Normalbetrieb zu ermitteln und Abweichungen zu erkennen, die möglicherweise Aufmerksamkeit erfordern.
2Analysieren
Die Analysen vergleichen aktuelle Messwerte der Geräte mit normalen Betriebsbedingungen, historischen Daten oder bekannten Ausfallmustern. Das Ergebnis kann eine Anomalie, eine Warnung vor einer Verschlechterung des Zustands oder eine Schätzung der verbleibenden Nutzungsdauer sein.
3Handlung
Hier kommt die vorausschauende Instandhaltung ins Spiel. Jemand muss die Ergebnisse prüfen, entscheiden, ob Handlungsbedarf besteht, und die durchgeführten Maßnahmen dokumentieren. Dies kann eine Inspektion, eine Reparatur, eine Teilebestellung, eine geplante Stilllegung oder einfach die fortlaufende Überwachung umfassen.
Wichtig ist, dass die Vorhersage nicht das Ende des Prozesses darstellt. Sie liefert dem Wartungsteam Informationen, die ihm helfen, die nächsten Schritte festzulegen.
Von Rohsensordaten zu etwas, das ein Wartungsteam nutzen kann
Eine Reihe von Rohdaten zu Temperatur oder Vibrationen reicht allein nicht aus, um einem Wartungsteam zu signalisieren, dass eine Maschine gewartet werden muss. Die Daten müssen zunächst in sinnvolle Messwerte umgewandelt werden – ein Prozess, der häufig als Feature Engineering bezeichnet wird.
In der Praxis kann dies bedeuten, eine gleitende Durchschnittstemperatur zu berechnen, um einen allmählichen Anstieg zu erkennen, die maximale Vibration innerhalb eines festgelegten Zeitraums zu betrachten oder einen gleitenden Durchschnitt zu verwenden, um normales Rauschen zu reduzieren und einen sich entwickelnden Trend besser sichtbar zu machen.
Diese berechneten Messwerte liefern den Analysemethoden nützliche Daten. Bevor man sich jedoch auf die Ergebnisse verlässt, muss eine weitere Frage beantwortet werden: Zeigen die Daten tatsächlich ein aussagekräftiges Muster der Verschlechterung auf?
Ein Modell kann einen Ausfallmodus nicht zuverlässig vorhersagen, wenn die verfügbaren Daten keine aussagekräftigen Hinweise auf diesen Ausfall liefern. Zeigen die Gerätedaten kein erkennbares Muster, liegt die Lösung möglicherweise eher in besseren Sensoren, besseren Daten oder einem anderen Überwachungsansatz als in einem komplexeren Algorithmus.
Wartungshinweise. Mehr Daten bedeuten nicht automatisch bessere Wartungsentscheidungen. Die Daten müssen einen nützlichen Einblick in den Zustand der Ausrüstung geben.
Drei Methoden zur Schätzung der verbleibenden Nutzungsdauer
Die Restnutzungsdauer (RUL) ist eine Schätzung, wie lange ein Anlagenteil voraussichtlich noch in Betrieb bleiben kann, bevor Wartungsarbeiten erforderlich werden. Für einen Instandhaltungsmanager liegt der Nutzen nicht in einem exakten Datum, sondern in besseren Informationen, um zu entscheiden, wann Inspektionen, Reparaturen, Ersatzteile bestellt oder Arbeiten geplant werden müssen.
Es gibt drei etablierte Ansätze zur Schätzung der Restnutzungsdauer. Welcher Ansatz sinnvoll ist, hängt von den für das Gerät verfügbaren Daten ab.
| Ansatz | Welche Daten benötigt es | So funktioniert’s |
|---|---|---|
| Überlebensmodelle | Aggregierte Ausfallstatistiken von ähnlichen Maschinen | Es werden Wahrscheinlichkeitsverteilungen vergangener Ausfallzeiten, angepasst an die Betriebsbedingungen, verwendet, um die Ausfallwahrscheinlichkeit bis zu einem bestimmten Zeitpunkt abzuschätzen. Es handelt sich um eine Wahrscheinlichkeitsschätzung, nicht um ein exaktes Datum. |
| Ähnlichkeitsmodelle | Eine Bibliothek mit historischen Ausfalldaten | Vergleicht das aktuelle Verschleißmuster des Vermögenswerts mit historischen Vermögenswerten, die bis zum Ausfall genutzt wurden, und schätzt die Restlebensdauer anhand der ähnlichsten Werte. |
| Degradationsmodelle | Sensordaten plus eine definierte Ausfallschwelle | Erfasst einen Zustandsindikator wie Vibration oder Temperatur und prognostiziert, wann der Trend den definierten Ausfallschwellenwert überschreiten könnte. |
Viele Instandhaltungsprogramme verfügen nur über begrenzte historische Daten zum Ausfallverhalten einzelner Anlagentypen. Daher können zustands- und alterungsbasierte Ansätze sinnvolle Ausgangspunkte sein, sofern zuverlässige Sensordaten und aussagekräftige Schwellenwerte verfügbar sind.
Was steckt eigentlich hinter der Vorhersage?
Sie müssen kein Machine-Learning-Modell entwickeln, um ein vorausschauendes Wartungsprogramm zu verwalten. Das Verständnis der grundlegenden Analysemethoden kann Ihnen jedoch bei der Auswahl eines Anbieters oder beim Verständnis der Bedeutung einer Vorhersage helfen.
| Ansatz | Wartungsfrage | Gängige Methoden |
|---|---|---|
| Klassifikation | Gibt es bei diesem Vermögenswert Anzeichen dafür, dass er bald ausfallen könnte? | Random Forests, Gradient Boosting, Support Vector Machines |
| Regression | Wie viel Nutzungsdauer bleibt möglicherweise noch übrig? | Modelle, die darauf trainiert wurden, einen numerischen Wert anstatt eines Ja/Nein-Ergebnisses zu schätzen |
| Erkennung von Anomalien | Verhält sich dieses Gerät anders als im normalen Betriebszustand? | Methoden wie Autoencoder, die Messwerte oder Muster identifizieren, die nicht dem erlernten Normalzustand entsprechen. |
Bei Geräten, bei denen sich ein Problem allmählich über viele Messungen hinweg entwickelt, können Modelle, die für die Verarbeitung von Datensequenzen ausgelegt sind, hilfreich sein. LSTM-Modelle beispielsweise sind darauf ausgelegt, Muster in einer Reihe von Messungen zu erkennen, anstatt nur die letzte Messung zu betrachten.
Für ein Instandhaltungsteam ist die praktische Schlussfolgerung einfach: Es gibt keinen allgemeingültigen Algorithmus für die vorausschauende Instandhaltung, der für alle Anlagen geeignet ist. Der richtige Ansatz hängt von der Art des Fehlers, den verfügbaren Daten und der Veränderung des Anlagenzustands im Laufe der Zeit ab.
Warum Sie mit einer Genauigkeit von „85 %“ trotzdem Geld verlieren können
Wenn Sie für ein Instandhaltungsbudget verantwortlich sind, reicht der Genauigkeitsprozentsatz allein nicht aus, um zu entscheiden, ob sich der Einsatz eines vorausschauenden Instandhaltungssystems lohnt. Sie müssen auch wissen, was passiert, wenn das System einen Fehler meldet.
McKinsey dokumentierte einen realen Fall eines Technologieunternehmens, das ein Modell für vorausschauende Wartung entwickelt hatte. Das Modell sagte etwa ein Viertel der Betriebsstörungen korrekt voraus und erreichte eine Gesamtgenauigkeit von 85 %. Das klingt nach einem vielversprechenden Ergebnis. Allerdings wies das Modell auch eine Fehlalarmrate von 10 % auf.
Bei einem Unternehmen dieser Größenordnung bedeutete diese Fehlalarmrate von 10 % jährlich etwa 1,000 zusätzliche Fälle von „vorhergesagten Ausfällen“, die sich letztendlich als unbegründet erwiesen. Jeder dieser Fälle konnte eine Inspektion, eine Teilebestellung oder den Einsatz eines Technikers auslösen, die eigentlich nicht erforderlich waren.
Das Unternehmen hatte mit jährlichen Einsparungen von über einer Million Dollar durch das vorausschauende Wartungsprogramm gerechnet. Die Kosten für Personal und Ersatzteile, die durch die Behebung der Fehlalarme entstanden, fraßen die durch die korrekten Vorhersagen erzielten Einsparungen jedoch wieder auf.
Für einen Instandhaltungsleiter ist das ein wichtiger Unterschied. Eine Genauigkeitsrate von 85 % mag in einer Anbieterpräsentation gut aussehen, sagt aber nichts darüber aus, welche Kosten das System Ihrem Instandhaltungsteam entstehen, wenn es einen Fehler meldet.
Welche Fragen sollten Sie sich stellen, bevor Sie ein Vorhersagesystem in Produktion nehmen? Wie häufig werden Fehlalarme ausgelöst? Was muss Ihr Team tun, wenn eine Warnung eingeht? Welche Kosten entstehen durch Inspektionen, Technikereinsätze oder unnötige Ersatzteilbestellungen? Und wie viele Warnungen kann Ihr Team realistischerweise bearbeiten, ohne dass es zu einer Warnungsmüdigkeit kommt?
Die Lehre daraus ist nicht, dass prädiktive Analysen nicht funktionieren. Sie ist vielmehr, dass die Genauigkeit zusammen mit der Rate falsch positiver Ergebnisse und den tatsächlichen Kosten der Reaktion auf eine Fehlalarmmeldung betrachtet werden muss.
McKinsey dokumentierte auch Fälle, in denen einfachere zustandsbasierte Überwachung und fortschrittliche Fehlerbehebungsansätze ohne ein vollständiges prädiktives ML-Modell reale, messbare Einsparungen ermöglichten – beispielsweise eine Reduzierung der Arbeits-, Ausfall-, Ersatzteil- und Nebenkosten um 30 % bei einem Technologiehersteller und eine Senkung der Wartungskosten um 18–25 % bei einem Hersteller von Medizinprodukten. Bei manchen Geräten kann das Eingreifen bei Überschreiten eines definierten Schwellenwerts eine nützliche Warnung mit weniger Komplexität und weniger Fehlalarmen als ein vollständiges prädiktives Modell liefern.
Deshalb lautet die Frage bei der Instandhaltung nicht einfach: „Wie genau ist das Modell?“, sondern: „Helfen uns diese Informationen, bessere Instandhaltungsentscheidungen zu angemessenen Kosten zu treffen?“
Sie finden weitere Information in der Produktübersicht für Leitfaden zur zustandsorientierten Instandhaltung Weitere Informationen darüber, wie sich dieser Ansatz mit der vorausschauenden Wartung vergleichen lässt.
Wo ein CMMS in die vorausschauende Instandhaltung passt
Die Analyseplattform oder das Sensorsystem kann ein sich anbahnendes Geräteproblem erkennen. Das Wartungsteam muss jedoch noch entscheiden, wie mit diesen Informationen umzugehen ist.
Hier kommt ein CMMS ins Spiel.
Ein CMMS bietet dem Wartungsteam die Möglichkeit, einen Befund in einen nachverfolgbaren Arbeitsauftrag umzuwandeln, die Arbeit zuzuweisen, den Befund zu dokumentieren, die Reparatur zu erfassen, Teile und Arbeitsstunden zu verfolgen und die Anlagenhistorie zu pflegen.
Diese Vorgeschichte ist wichtig. Wenn dasselbe Gerät sechs Monate später ein ähnliches Problem aufweist, kann das Wartungsteam auf die damaligen Geschehnisse zurückblicken, anstatt das Problem als völlig neu zu behandeln.
Das CMMS ermöglicht zudem den Vergleich der vom vorausschauenden Programm generierten Wartungsarbeiten mit den tatsächlichen Ergebnissen. Wurden Probleme vor einem Ausfall erkannt? Wie viel geplante Arbeit wurde erstellt? Wie viele Warnmeldungen erwiesen sich als Fehlalarme? Wie hoch waren die Reparaturkosten?
Anhand dieser Zahlen lässt sich feststellen, ob die vorausschauende Wartung dem Betrieb tatsächlich hilft.
Sie finden weitere Information in der Produktübersicht für Leitfaden zur Rentabilität der vorausschauenden Wartung Weitere Informationen zur Bewertung des Business Case und unserer Leitfaden zu Techniken der vorausschauenden Instandhaltung für die Detektionsmethoden, die die Sensordaten erzeugen, die diese Analysen verwenden.
Eine vorausschauende Erkenntnis in Wartungsarbeiten umwandeln
Mithilfe von Predictive Analytics lassen sich potenzielle Geräteprobleme erkennen, aber jemand muss das Gerät trotzdem inspizieren, entscheiden, welche Maßnahmen erforderlich sind, die Arbeiten durchführen und das Ergebnis dokumentieren. eWorkOrders Bietet den Wartungsteams eine zentrale Anlaufstelle, um aus diesem Befund einen Arbeitsauftrag zu erstellen, das Ergebnis zu verfolgen und die Anlagenhistorie aufzubauen, die zur Bewertung des Programms im Laufe der Zeit erforderlich ist.
Ziel ist es nicht einfach, mehr Warnmeldungen zu generieren. Vielmehr sollen die Wartungsteams nützliche Informationen erhalten, auf deren Grundlage sie handeln können, sowie eine Dokumentation der anschließenden Ereignisse.
Häufig gestellte Fragen
Wie genau sagt die vorausschauende Wartungsanalyse einen Ausfall voraus?
Sensoren erfassen Messwerte wie Temperatur, Vibration, Druck oder Stromstärke. Diese Messwerte lassen sich in nützliche Kennzahlen wie gleitende Mittelwerte oder andere Zustandsindikatoren umrechnen. Anschließend vergleicht die Analyse den aktuellen Anlagenzustand mit historischen Daten, normalen Betriebsbedingungen oder definierten Schwellenwerten. Das Ergebnis kann eine Warnung, eine Anomalie, eine Ausfallprognose oder eine Schätzung der verbleibenden Nutzungsdauer sein.
Was ist die verbleibende Nutzungsdauer (RUL)?
Die Restnutzungsdauer ist eine Schätzung, wie lange ein Anlagenteil voraussichtlich noch in Betrieb bleiben kann, bevor Wartungsarbeiten erforderlich werden. Je nach verfügbaren Daten kann diese Schätzung auf Ausfallstatistiken, vergleichbaren historischen Anlagen oder einem gemessenen Verschleißtrend basieren.
Lohnt sich der Einsatz eines Modells mit einer Genauigkeit von 90 % oder höher immer?
Nein. Die Genauigkeit allein gibt keine Auskunft darüber, wie viele Fehlalarme das System auslöst oder welche Kosten diese Fehlalarme für Ihren Wartungsbetrieb verursachen. Ein Modell kann eine hohe Gesamtgenauigkeit aufweisen und dennoch so viele unnötige Inspektionen oder Reparaturen auslösen, dass der finanzielle Nutzen des Programms sinkt.
Benötige ich maschinelles Lernen für die vorausschauende Wartung?
Nein. Zustandsbasierte Ansätze können zwar nützliche Warnungen liefern, indem sie Wartungsmaßnahmen auslösen, sobald ein Messwert eines Geräts einen definierten Schwellenwert überschreitet. Einige Wartungsprogramme nutzen diesen Ansatz möglicherweise, bevor sie fortgeschrittenere prädiktive Analysen für ausgewählte Anlagen einführen.
Kann ein CMMS vorausschauende Wartungsmodelle erstellen?
Das Erstellen und Trainieren von Modellen des maschinellen Lernens ist eine spezialisierte Tätigkeit im Bereich Data Science. Ein CMMS wie beispielsweise eWorkOrders Es erfüllt eine andere Funktion: Es hilft dem Wartungsteam dabei, die weiteren Schritte nach der Feststellung eines Problems zu steuern, indem es dieses in einen nachverfolgbaren Arbeitsauftrag umwandelt, die durchgeführten Arbeiten dokumentiert und die Anlagenhistorie pflegt.
Quellen
2. MathWorks – Drei Methoden zur Schätzung der verbleibenden Nutzungsdauer für die vorausschauende Instandhaltung ·
3. Google Cloud – Ein Prozess zur Implementierung der industriellen vorausschauenden Instandhaltung, Teil II ·
4. McKinsey & Company – Die richtige datenbasierte Wartungsstrategie entwickeln
Umfang: Dies ist eine allgemeine Einführung in die Funktionsweise von Predictive Maintenance Analytics. Sie stellt keine Implementierungsanleitung für die Entwicklung eigener Machine-Learning-Modelle dar. Die geeignete Vorgehensweise hängt von der Ausrüstung, den verfügbaren Daten, den Betriebsbedingungen und den Wartungsanforderungen ab.
