Von Ralf Keuper

Die vorausschauende Wartung von Maschinen, Predictive Maintenance, kann zu deutlichen Kosteneinsparungen und Effizienzgewinnen führen. Da heutzutage Informationen erhoben und in Echtzeit verarbeitet werden können, die früher mühsam hätten zusammengetragen werden müssen (Vgl. dazu: Wettbewerbsvorteile durch Information (Michael E. Porter und Victor E. Millar)), lässt sich mit großer Treffgenauigkeit vorhersagen, wann ein Teil in einer Maschine ausfällt.

Hierfür werden große Datenmengen (Big Data) ausgewertet (Vgl. dazu: IoT-Basics: Was ist Predictive Maintenance?). Einige Anbieter jedoch, wie Katana oder IS Predict setzen dagegen mehr auf Smart Data. Einen guten Überblick über die gängigen Werkzeuge für die vorausschauende Instandhaltung liefert der Beitrag Predictive Analytics Werkzeuge. Ebenfalls informativ im weiteren Zusammenhang ist der Gartner-Bericht Magic Quadrant for Data Science and Machine Learning Platforms.

Trotz seiner zahlreichen Vorzüge – zumindest auf den ersten Blick – setzt sich Predictive Maintenance in der Industrie nur langsam durch (Vgl. dazu: Predictive Maintenance kommt in der Industrie nicht an).

Thomas Rohrbach, Geschäftsführer der Staufen Digital Neonex GmbH, bringt die Defizite auf den Punkt:

Die überwiegende Mehrheit der Maschinenausfälle lässt sich auf Faktoren zurückführen, die Predictive Maintenance nicht lösen kann, allen voran Bedienungsfehler“, sagt Digitalisierungsexperte Rohrbach, „einen echten Mehrwert kann vorausschauende Wartung erzielen, wenn sie mit anderen Leistungen gekoppelt wird, etwa einer intelligenten Überwachung der Prozessdaten zur Optimierung von Verfahren und Material oder digitalen Assistenzsystemen, die Fehler durch den Menschen verhindern (in: Predictive Maintenance kommt in der Industrie nicht an).