Lösung für Ventilatoren
Auch für die Arbeitssicherheit ist die richtige Wartung ein entscheidender Faktor. Rotierende Anlagenteile beispielsweise sind einerseits von erhöhtem Verschleißrisiko geprägt, und bergen zugleich ein hohes Gefahrenpotenzial, wie ein anderer Fall aus der Praxis zeigt: Ein Produktionsunternehmen überwacht unterschiedliche industrielle Ventilatoren in seiner Anlage. Nur wenige Tage, nachdem es ein Predictive-Maintenance-System für seine Ventilatoren implementiert hat, wird eine Unwucht an einer der Anlagen erkannt. Das System löste unmittelbar Alarm aus, das Technikteam vor Ort prüfte und bestätigte den gemeldeten, kritischen Maschinenzustand. Die darauffolgende Inspektion enthüllte eine fortgeschrittene Materialermüdung an der Anlagenkonstruktion, die eine ernsthafte Gefahr für die Sicherheit der Mitarbeiter darstellte. Die Anlage wurde gewartet und alle vergleichbaren Maschinen werden fortlaufend mithilfe von einem Predictive-Maintenance-System überwacht.
Integration in Arbeitsprozesse
Wie beschrieben, bringen IoT-basierte Predictive-Maintenance-Systeme zahlreiche Vorteile mit sich. Die Entwicklung ist allerdings sehr komplex und zeitaufwendig. Die technischen Herausforderungen reichen von der Auswahl der richtigen Sensoren und Technik zur Datenübertragung an die Cloud bis hin zur Implementierung von industriellen KI-Modellen. Ein Aspekt, der meist weniger Beachtung erfährt, ist die Integration der vorausschauenden Wartungssysteme in die bereits existierende Prozesslandschaft eines Unternehmens. Für einen maximalen Nutzen müssen schließlich auch die nachfolgenden Wartungsprozesse proaktiv sein.
Zur Sicherstellung einer erfolgreichen Einführung startet man sinnvollerweise mit einem Pilotprojekt an einem Standort. Die Mitarbeiter können sich mit der neuen Lösung vertraut machen und erleben den Nutzen von Predictive Maintenance im Arbeitsalltag. Während dieser Phase werden Mitarbeiter entwickelt, die von den Vorteilen überzeugt sind und die Umsetzung unterstützen. Wichtig ist es, anfangs klare, messbare Erfolgskriterien festzulegen, anhand derer der Piloterfolg beurteilt wird. Standard-KPIs in der Industrie zur Evaluierung der Effektivität der Maintenance-Programme sind messbare Größen wie die Overall Eqipment Effectiveness (OEE), faktische Downtimes, die Mean Time Between Failures (durchschnittliche Laufzeit einer Maschine zwischen auftretenden Maschinenausfällen) oder die Mean Time to Repair (MTTR), also die durchschnittliche Zeitspanne, die benötigt wird, um eine Maschine nach einem Ausfall wieder in Betrieb zu setzen. Auch die Maintenance Costs per Unit sind für das Management eine relevante Messgröße, denn diese Kennzahl beleuchtet die Kosten der Wartung im Verhältnis zur erzeugten Produktionsmenge. Nach erfolgreich abgeschlossener Pilotphase erfolgt die Skalierung auf größere Ebenen, zunächst innerhalb desselben Standorts und dann auf andere Standorte.
End-to-end-Lösungen reibungslos umsetzen
Die meisten Unternehmen unterschätzen die Komplexität der Entwicklung einer IoT-Lösung. Die technische Seite ist nur ein Aspekt bei der erfolgreichenEinführung eines Predictive-Maintenance-Ansatzes. Der Fokus sollte auf dem Prozess und der Einbindung in die bestehende Organisation liegen. Hierbei ist eine klare Definition der Ziele durch das Management und die konstante Unterstützung bei der Durchführung entscheidend. Ein spezialisierter Partner ermöglicht diesen Fokus.