Ist prädiktive Wartung ein nützliches Konzept?

Prognosen sind schwierig, vor allem, wenn sie die Zukunft betreffen. (Mark Twain)

Einleitung

Aktuell finden sich in der Instandhaltung (IH) häufig Kalender-basierte Prozesse, die von ungeplanten Reparaturen unterbrochen und daher gestört werden. Der Anteil der ungeplanten Ereignisse variiert stark. Er ist ein einigen Industrien so hoch, dass die geplanten IH-Tätigkeiten häufig verschoben werden müssen. Das führt zu ansteigenden Wartungsintervallen und damit zu noch mehr Reparaturbedarf. Dadurch wird der IH-Prozess de facto unplanbar und die Verfügbarkeit der Anlage/Flotte sinkt stark ab.

Als Lösung für diese Herausforderung wird prädiktive Wartung (PDM) propagiert. Der Ansatz verspricht die Vorhersage des Ausfallszeitpunkts, was i.A. mittels KI-Verfahren geschehen soll. In der Realität ist PDM aber aus mehreren Gründen kritisch zu betrachten:

• KI-Verfahren für PDM brauchen für die robuste Charakterisierung des Systemzustands große Datenmengen, die alle zulässigen Betriebsweisen abdecken. Das funktioniert z.B. für Windturbinen nicht, weil das Wetter nicht beeinflussbar ist. Anlagen können generell nicht einfach testweise an alle Arten von Belastbarkeitsgrenzen gefahren werden.

• Die Datensätze müssen beim KI-Ansatz neben dem gesunden Verhalten auch die Abweichungen für alle Arten von geschädigten Zuständen umfassen. Auch das ist unrealistisch, weil ja funktionierende Analgen überwacht werden, die jedenfalls nicht häufig und auch nicht durch alle möglichen Mechanismen ausfallen.

• Abgesehen von den technischen Herausforderungen stellt sich auch die Frage, welchen Business-Case PDM unterstützt. Die Optimierung des Wartungsprozesses ist es nicht, denn dafür benötigt man keine Restlebensdauer-Prognose. 

Für Wartungsoptimierung reicht es, Abweichungen zu detektieren.

Die verdächtige Anlage/ das defekte Fahrzeug wird befundet und – je nach Ergebnis sofort oder auch später bei der geplanten Wartung – repariert. Damit werden ungeplante Ausfälle sehr effizient vermieden. Diese zustandsbasierte Wartung (CBM) stellt also ein vergleichsweise einfaches, günstiges und robustes Konzept dar:

• Einfachheit: Für die Detektion von Abweichungen reicht es, die erwartete Lastantwort des Systems zu kennen. Sie wird im Rahmen der Produktentwicklung bzw. der Abnahme der Anlage ermittelt. Für CBM werden diese Informationen als Referenz genutzt, um Abweichungen zu detektieren. Bevorzug werden dafür Daten herangezogen, die es ohnedies gibt, und zwar aus der Regelung oder von Messungen, die für Kalibrierzwecken, nach der Wartung, u. ä. durchgeführt werden.

• Kosteneffizienz: Abweichungen werden über Soll-Ist-Vergleiche detektiert. Das technische Verständnis der Anlage ist für diese Aufgabe zentral, um fokussiert nach Indikatoren von Schädigung zu suchen. Diese Methoden brauchen kein langwieriges Training. Auch zusätzliche Sensorik ist erfahrungsgemäß nur eingeschränkt notwendig. In der Regelung und Sicherheits-Überwachung steht i.A. viel an relevanter Information für die Sekundärnutzung bereit.

• Robustheit: Indikatoren für Abweichungen werden mit allen relevanten Datenkanälen gegen alle Aspekte der Lastantwort durchgeführt, um die Vielfalt der Fehlermöglichkeiten abzudecken.

In der Praxis ist die Reduktion von ungeplanten Ausfällen über Abweichungserkennung und zustandsbasierte Wartung sehr effizient, rasch und kostengünstig darstellbar. Indikatoren sind häufig aus den vorhandenen Datenquellen bei moderatem Aufwand ableitbar. Die Ergebnisse sind für Wartungstechniker intuitiv verstehbar und für viele Optimierungsschritte im IH-Prozess hinreichend.