Blog per Mail folgen

Damit Sie nie wieder Blog Posts von uns versäumen!

Asset Management - Anlagenmanagement ist mehr als Wartung und Instandhaltung

Asset_Management_small_web.jpg

Die Frage, wann oder wie oft die Wartung nötig ist, ist betriebswirtschaftlich sehr heikel. Wird zu häufig gewartet, entstehen unnötig hohe Kosten für Materialverbrauch und Stillstandszeiten. Wird das Wartungsintervall zu lang angesetzt, riskiert das Unternehmen den Ausfall der Maschine – ungeplante Stillstände kosten zusätzliches Geld für Reparaturen, im schlimmsten Fall kommen noch Vertragsstrafen hinzu.

Ein integriertes Manufacturing Execution System (MES) mit seinem grossen Datenpool aus unterschiedlichen Quellen bietet gleich mehrere Ansatzpunkte, das Asset Management zu optimieren. Am Ende kann es sogar den Einstieg in ein neues Geschäftsmodell bedeuten.

Condition Monitoring

Geplante Wartungen der Maschinen basierten früher auf recht eindimensionalen Vorgaben: Schmiermittel altern in bestimmten Zeitzyklen, und auch an anderer Stelle wurde der Austausch von Komponenten nach Tagen, Wochen oder Monaten festgelegt. Mit der zunehmenden Automatisierung und den damit anfallenden Daten konnten die Wartungszyklen besser organsiert werden.

Schneidewerkzeuge verschleissen eben nach Zahl der Einsätze, gleiches gilt für Schaltrelais, Antriebe und Rollen lassen sich nach Laufzeiten bewerten – zumindest in der Theorie. Diese einfache Form der Zustandsüberwachung – des Condition Monitoring – brachte bereits einige Verbesserungen bei der Reduzierung von Wartungskosten.

Schwächen der gängigen Praxis

Tatsächlich lassen sich aber in der Praxis durchaus weitergehende Unterschiede ausmachen. Ein Schmiermittel altert eben nicht nur mit der Zeit, sondern auch in Abhängigkeit von der Temperatur, der es ausgesetzt ist. Motoren und Rollen laufen nicht immer gleich, sie werden mit unterschiedlichen Kräften beschleunigt und abgebremst, und dies führt zu unterschiedlichen Belastungen des Materials.

Wie schnell ein Schneidwerkszeug verschleisst hängt nicht nur an der Zahl der ausgeführten Schneidevorgänge, sondern auch an Materialqualitäten und Geschwindigkeit beziehungsweise Kraftaufwand des Schneidvorgangs. So gibt es noch zahlreiche weitere Beispiele, die zeigen, dass die tatsächliche Abnutzung auch mit einem einfachen Condition Monitoring nicht ausreichend erfasst wird – und damit verliert das Unternehmen Geld.

Produktionsmittel, die weniger belastet waren als im Durchschnitt zu erwarten war, hätten eigentlich eine höhere Lebensdauer. Eine Zeit- oder Zyklen-bezogene Wartung führt dazu, dass sie unnötig früh vor dem möglichen Lebensende ersetzt werden – das Unternehmen verliert Geld, da unnötig hohe Kosten durch den Ersatz entstehen. Es gibt aber auch den umgekehrten Fall. Eine dauerhaft hohe Beanspruchung kann dazu führen, dass ein Maschinenteil bereits vor dem nächsten Wartungszyklus defekt wird. Dann kommt es zu ungeplantem Stillstand, der in der Regel mit höheren Kosten verbunden ist.

Von der vorausschauenden Wartung...

Die Lösung heisst Predictive Maintenance. Das MES erfasst bereits zahlreiche der benötigten Maschinendaten, darüber hinaus können diese um weitere Datenquellen – beispielsweise Umgebungsvariablen wie Lufttemperatur und -feuchte ergänzt werden. Dieser Datenpool wird für Hochrechnungen genutzt, um die voraussichtliche Entwicklung des künftigen Maschinenzustandes vorherzusagen und damit die Planung von Instandhaltungsmassnahmen zu optimieren.

Entsprechende Planungstools schlagen frühzeitig Alarm, wenn ein vorzeitiger Ausfall droht, oder sie schlagen längere Wartungszyklen vor, wenn die Lebensdauer eines Bauteils dies ermöglicht. So kann die Effektivität der Produktion erheblich gesteigert werden. Wie eine Studie von Roland Berger im Auftrag des VDMA und der Deutschen Messe ergab, ist die Reduzierung von Wartungs- und anderen Kosten dabei mit 21 Prozent nur ein kleiner Teil der erwarteten Effekte – 79 Prozent beziehen sich auf Leistungssteigerungen wie höherer Anlagenverfügbarkeit, verbesserter Produktqualität oder längerer Lebensdauer der Anlage.

...über statistische Prozesskontrolle...

Nicht immer ist das Erreichen der Lebenszeit eines Bauteils gleichzusetzen mit einem drohenden Ausfall. In manchen Einsatzszenarien geht es einfach nur darum, dass die Qualität der gefertigten Produkte unter die zulässigen Schwellwerte abzusinken droht. In diesem Fall kann die statistische Prozesskontrolle (Statistical Process Control) hilfreich sein.

Soweit es über Nachjustierungen der Prozessabläufe möglich ist, sorgt sie für die Verbesserung der Qualität und die Einhaltung der Toleranzwerte. Die Erfassung qualitativer Daten verbreitert zudem die Datenbasis im MES und ermöglicht dadurch noch bessere Vorhersagen im Rahmen der Predictive Maintenance oder neuerer Verfahren, die derzeit in der Entwicklung sind.

...bis zur künstlichen Intelligenz

Condition Monitoring, Predictive Maintenance und Statistical Process Control sind Verfahren, die zwar auf immer umfangreicheren Datensammlungen und -analysen beruhen, die aber im Grunde immer noch darauf angewiesen sind, dass menschliches Prozess-Know-how die Daten richtig interpretiert und Lösungsansätze findet. Dies könnte sich schon bald ändern, denn mit Machine Learning, einem Teilbereich der künstlichen Intelligenz, gibt es einen vielversprechenden Ansatz, den MES-Datenpools, die insbesondere in Zeiten des Internets der Dinge immer schneller wachsen, neue Erkenntnisse abzugewinnen, die dem menschlichen Verstand bislang verborgen geblieben sind. Watson von IBM ist ein solches Werkzeug, das bereits hohe Bekanntheit erreicht hat – es ist aber beileibe nicht das einzige.

Umgekehrt sind die Einsatzmöglichkeiten von Machine Learning nicht auf die Berechnung von Wartungszyklen beschränkt. Verbesserungen im Produktionsprozess oder die Entwicklung besserer KPI im Bereich der Overall Equipment Effectiveness sind weitere Einsatzgebiete, in denen die künstliche Intelligenz auf Basis von MES-Daten zu Produktivitätsfortschritten beitragen kann.

Informationsfluss

Grundlage aller Massnahmen ist eine gute Datenbasis – aber die daraus gewonnenen Analysedaten und Informationen müssen auch den Weg zu den relevanten Mitarbeitern finden. Der einfachste Weg dazu sind Dashboards, die sich aus dem MES speisen. Hier lassen sich alle nötigen Informationen übersichtlich visualisieren, beispielsweise die voraussichtliche Restlebensdauer einzelner Komponenten an der Maschine, so dass mit einem Blick erfasst werden kann, wann spätestens die nächste Wartung durchgeführt werden muss und welche Verschleissteile oder Verbrauchsmittel sich bereits dem Ende der Lebenszeit nähern, so dass diese gemeinsam berücksichtigt werden können.

Ebenso wird die Planung der Wartung unterstützt, da benötigte Teile, Schmiermittel und ähnliches rechtzeitig geordert werden können. Neben Dashboards, die beispielsweise auf Displays direkt an der Maschine abrufbar sind, stellt das MES die Informationen aber auch per Web zur Verfügung, so dass die Verantwortlichen diese auch am Arbeitsplatz-PC oder mobil per Smartphone und Tablet darauf zugreifen können. Mit Alarmfunktionen per Mail und SMS sind darüber hinaus zusätzliche Sicherheitsfunktionen möglich, die dazu beitragen, Maschinenstillstände zu verkürzen oder ganz zu vermeiden.

Wartung als Collaboration

Die breitere Datenbasis und die positiven Effekte eines intelligenten Asset Managements haben das Potenzial, über die eigentliche Wartung hinaus das Geschäftsmodell eines Herstellers zu verändern. So lassen sich beispielsweise höherer oder niedrigerer Verschleiss auf Basis unterschiedlicher Materialien oder Fertigungsprozesse leichter identifizieren und quantifizieren.

Das bedeutet, dass diese im Vertrieb und in der Kalkulation Niederschlag finden können. Umgekehrt muss Predictive Maintenance als eigener Teil der Geschäftstätigkeit auf den Prüfstand gestellt werden. Wer hier besondere Kompetenzen hat, kann diese auch vermarkten – kollaborative Geschäftsmodelle können in letzter Konsequenz sogar bedeuten, dass man das Asset Management von Wettbewerbern übernimmt.

Umgekehrt kann ebenso die Entscheidung fallen, dass dieser Teil des Service weder strategische Bedeutung hat noch besonders effektiv zu gestalten ist. Dann kann die Auslagerung auf spezialisierte Anbieter eine gute Alternative sein. In beiden Fällen ist ein unternehmensübergreifender Datenfluss die Basis für eine gute, effektive Zusammenarbeit.

 MES in der Praxis