Predictive Maintenance

Die Wartung und Instandhaltung von Anlagen ist ein integraler Bestandteil einer funktionierenden Produktion und ein nicht zu unterschätzender Faktor hinsichtlich Kosten- und Zeitaufwand. Um die Wartungskosten in Zeiten globaler Just-in-Time-Lieferketten auf ein notwendiges Minimum zu begrenzen und daraus sogar neue Geschäftsmodelle zu entwickeln, setzen Unternehmen im Rahmen von Industrie 4.0 zunehmend auf eine prädiktive Instandhaltung (engl. Predictive Maintenance), Big Data – und auf SAP Predictive Asset Insights.

Prädiktive Instandhaltung – 5 Stadien der Vernetzung

Technologische Voraussetzung für eine prädiktive Instandhaltung ist eine Vernetzung der Produktionsanlagen. Nur wenn die Maschinen miteinander kommunizieren und das System die erhobenen Daten in einem Gesamtkontext analysieren kann, spielt Predictive Maintenance (egal, ob mit SAP-Lösungen oder ohne) seine Vorteile komplett aus. Der Umfang der Vernetzung wird in mehrere Entwicklungsstadien bzw. Reifegrade eingeteilt:

Offline

Alle Maschinen laufen autonom und unvernetzt; eine Vernetzung evtl. erhobener Daten findet nicht statt. Potenzielle Synergien bleiben ungenutzt und die Wartung basiert auf intuitiven Erfahrungswerten.

Connected Assets

Die Maschinen sind miteinander verbunden, erhobene Betriebsdaten werden aber kaum genutzt und prozessbezogene Daten, die auf den nächsten Ausfall hindeuten könnten, nicht erhoben.

Asset Monitoring

Das System liefert Maschinendaten in Echtzeit. Das gibt Aufschluss über den Zustand der Anlage, jedoch noch nicht über die benötigten Wartungsfälle.

Condition-based Maintenance

Anhand fest definierter Regeln lässt sich nicht nur der aktuelle Zustand ablesen, sondern auch der Zeitpunkt der nächsten fälligen Wartung aufgrund von Informationen über Laufzeit, Verschleiß etc.

Fully Data-driven Maintenance

Ein voll integriertes System sagt nicht nur die nächste anstehende Wartung vorher, sondern nimmt auch eigenständig die nächsten Schritte (z. B. Bestellen der entsprechenden Ersatzteile) vor.

Die Vorteile von Predictive Maintenance mit SAP Predictive Asset Insights

Viele Unternehmen setzen beim Thema prädiktive Instandhaltung auf Lösungen von SAP, genauer gesagt auf SAP Predictive Asset Insights. Die Lösung geht aus dem Vorgänger SAP Predictive Maintenance and Service hervor und bietet Anwendern eine Reihe von Vorteilen:

009 - BA_Blue

Effizienzsteigerung

Datenbasiert geplante und maschinendurchgeführte Maßnahmen zur Instandhaltung, kombiniert mit der zeitgerechten Bereitstellung der notwendigen Wartungsressourcen (wie Ersatzteile und Betriebsmittel) minimieren die Downtime und erhöhen so die Effizienz.

007 - BA_Blue

Weniger Produktionskosten

Maschinen, die vor dem Überschreiten von Thresholds gewartet werden, laufen zuverlässiger und produzieren weniger Ausschuss. Das reduziert nicht nur die Verluste, sondern sorgt zudem für eine nachhaltige Optimierung der Gesamtproduktionskosten.

018 - BC_Blue

Weniger Transportkosten

Wer rechtzeitig wartet, wird nicht unangenehm überrascht: Predictive Maintenance reduziert ungeplante Ausfälle und damit auch die Frachtkosten für Sonderlieferungen, die durch den Verzug im Terminplan notwendig werden können.

005 - BC_Blue

Höhere Kosteneffizienz

Statt vermeidbarer Kosten durch Ausfälle oder präventive Wartung können Unternehmen mit SAP Asset Insights datenbasiert den idealen Zeitpunkt für eine Instandhaltung ermitteln. Alle Maschinenteile werden genau so lange eingesetzt, bis sie durch zunehmenden Verschleiß zum Ausfallrisiko werden.

001 - BM_Blue

Verbesserte Supply Chain

Gerade logistikorientierte Just-in-time-Produktionen sind auf eine maximale Uptime dank Predictive Maintenance angewiesen.

020 - BC_Blue

Wartung Just-in-Time

Wer im Vorhinein schon weiß, welches Teil oder welcher Mitarbeiter demnächst benötigt wird, kann entsprechend vorausplanen.

Anwendungsbeispiele für Predictive Maintenance

Die Vorteile prädiktiver Instandhaltung kommen in ganz unterschiedlich ausgerichteten Fertigungsbranchen zum Tragen. Zwei Anwendungsbeispiele:

Quantitative Produktion

In der Verpackungsindustrie werden große Chargen produziert, die Marge des Einzelprodukts ist allerdings relativ gering. Um wirtschaftlich arbeiten zu können, muss pro Schicht also eine große Menge produziert werden, jeder Ausfall kostet bares Geld. Um die Unterbrechungen durch Wartung innerhalb der weitgehend automatisierten Fertigung effizienter zu gestalten, implementierte der Kunde zusammen mit Syntax SAP Predictive Asset Insights. Unter Verwendung historischer Daten wurden so neue Insights generiert und die Laufzeitunterbrechungen minimiert.

Neue Geschäftsmodelle

In Verbindung mit vernetzten Maschinen können Unternehmen Predictive Maintenance auch dank SAP zur Basis neuer Geschäftsmodelle machen. Gemäß modernen Anforderungen verkaufen sie dem Endkunden keine Maschine, sondern deren Laufzeit im Sinne von Uptime-as-a-Service. Eine vorausschauende Wartung ist in diesem Fall die notwendige Basis für einen gesicherten und stetigen Umsatz.

Syntax: Ihr Partner für Predictive Maintenance – nicht nur mit SAP

Wer alle Vorteile von Predictive Maintenance nutzen möchte, muss zunächst alle technologischen Voraussetzungen dafür kennen und schaffen. Syntax hat als IT-Dienstleister zahlreiche Projekte mit Kunden verschiedener Branchen konzipiert und umgesetzt. Dass sich Unternehmen für uns entscheiden, hat viele gute Gründe, allen voran unsere umfassende Kenntnis von Prozessen, Besonderheiten und Anforderungen in der Produktion. Wir verstehen, worauf es Unternehmen ankommt, die den Mehrwert von Predictive Maintenance voll ausschöpfen möchten. Als SAP-Partner der ersten Stunde kümmern wir uns etwa schnell und unkompliziert um eine Integration von SAP Predictive Asset Insights mit bestehenden SAP-Systemen, und mit unserer ausgewiesenen Cloud-Expertise entwickeln und implementieren wir problemlos individuelle Architekturen und Bereitstellungsmodelle. Die Cloud ist zudem auch die Basis für das Syntax IIoT-Portal, über das Unternehmen maßgeschneiderte Lösungen und Apps einsetzen können, um sämtliche Anlagen und deren Wartungszyklen immer vorausschauend im Blick zu haben. Von Prozessberatung über IT, OT und die Cloud – bei Syntax bekommen Unternehmen alle Services direkt aus einer Hand.

Sprechen Sie mit unserem Experten!
Dr. Dominik Schäfer
Senior Consultant IoT, Analytics & AI
E-Mail schreiben
+49 173 305 4112

FAQ: Predictive Maintenance

Was ist Predictive Maintenance?

Predictive Maintenance, zu Deutsch prädiktive Instandhaltung, beschreibt die Möglichkeit, anstehende Wartungsfälle bereits frühzeitig erkennen zu können, um entsprechende Maßnahmen einzuleiten und einer ungeplanten Wartung zuvorzukommen. Die Vorhersagen basieren auf der Erhebung und Sammlung von Maschinendaten. Durch deren Analyse, z. B. mit KI- und Maschine Learning-Algorithmen, lassen sich Muster erkennen, die auf einen baldigen Ausfall hindeuten. Dieses Wissen gibt Unternehmen die Möglichkeit, eine fällige Wartung optimal effizient, also während eines ohnehin planmäßigen Stillstands, durchzuführen. Das erhöht die Effizienz der gesamten Anlage im Hinblick auf Personal und Material, außerdem erhöht sich durch die Abnahme der ungeplanten Maschinenausfälle der Produktionsdurchsatz und damit der Gesamtumsatz.

Was ist der Unterschied zwischen Predictive Maintenance und Preventive Maintenance?

Predictive Maintenance nutzt Maschinendaten, um zu erkennen, wann das nächste Mal eine Maschinenwartung nötig wird. Dabei stützt sich das System auf historische und aktuell erhobene Daten, um den Zeitpunkt des zu erwartenden Maschinenausfalls möglichst exakt zu prognostizieren. Das gibt Unternehmen die Möglichkeit, den Austausch betroffener Ersatzteile und ähnliche Maßnahmen im Hinblick auf Zeit- und Materialaufwand optimal abzustimmen. Auch mit Preventive Maintenance sollen Maschinenausfälle vermieden werden, allerdings erfolgen der Austausch und die Wartung hier in festgelegten Zyklen. So werden bestimmte Teile zum Beispiel ungeachtet ihres Zustands immer im gleichen zeitlichen Abstand getauscht, auch wenn sie noch einwandfrei funktionieren. Das minimiert zwar auch die Anzahl der Ausfälle – ist im Vergleich zur datenbasierten Predictive Maintenance jedoch wesentlich material- und kostenaufwendiger.