Von Predictive Maintenance zur vorausschauenden Ersatzteilplanung

In dieser Serie haben wir den Weg von der frühzeitigen Erkennung möglicher Anlagenausfälle bis zur konkreten Vorbereitung auf einen Instandhaltungseinsatz verfolgt:

• Teil 1 – Von Wartungsplänen zu KI: Wir haben betrachtet, wie sich Predictive Maintenance von klassischen Zuverlässigkeitsmethoden und Condition Monitoring hin zu KI-gestützten Prognosen entwickelt hat.
• Teil 2 – Predictive Maintenance gibt Ihnen 30 Tage. Und jetzt?: Wir haben gezeigt, was nach einer Frühwarnung passieren muss – von der Identifikation des richtigen Ersatzteils über die Prüfung der Verfügbarkeit bis hin zu aktuellen Lieferzeiten.
• Teil 3 – Woher weiß eine Maschine, dass sie kurz vor dem Ausfall steht?: Wir haben untersucht, wie Sensoren, Zustandsdaten und KI Veränderungen im Maschinenverhalten erkennen und daraus relevante Informationen für die Instandhaltung ableiten können.
• Teil 4 – Roboterhunde, Drohnen und smarte Sensoren: Wir haben uns angesehen, wie mobile Inspektionstechnologien die Möglichkeiten erweitern, Zustandsdaten über eine größere Zahl von Anlagen hinweg zu erfassen.

All diese Entwicklungen helfen Instandhaltungsteams dabei, besser einzuschätzen, welche Anlagen oder Komponenten wann Aufmerksamkeit benötigen könnten. Doch zu wissen, dass ein Eingriff wahrscheinlich wird, löst nur einen Teil des Problems. Das passende Ersatzteil muss zum richtigen Zeitpunkt ebenfalls verfügbar sein.

Damit kommen wir zum nächsten Schritt: Können die Informationen aus Predictive Maintenance auch die Ersatzteilplanung vorausschauender machen?

Ersatzteilplanung blickt traditionell in die Vergangenheit

Die Planung von Ersatzteilen ist anspruchsvoll, weil der Bedarf bei vielen MRO-Komponenten unregelmäßig auftritt. Ein Teil kann jahrelang unberührt im Lager liegen und plötzlich unverzichtbar werden, wenn eine kritische Anlage gewartet oder repariert werden muss.

Planungsentscheidungen basieren deshalb häufig auf Informationen wie historischen Verbräuchen, vorhandenen Beständen, Lieferzeiten, Kritikalität und definierten Bestandsparametern. Diese Faktoren bleiben wichtig. Historische Bedarfsdaten haben jedoch eine offensichtliche Grenze: Sie zeigen, was in der Vergangenheit benötigt wurde – nicht unbedingt, was eine Anlage als Nächstes benötigen wird.

Predictive Maintenance bringt eine weitere Informationsquelle ins Spiel. Wenn Condition Monitoring darauf hindeutet, dass sich der Zustand einer Komponente verschlechtert und ein Eingriff wahrscheinlicher wird, verfügt das Unternehmen potenziell bereits über Informationen zu einem künftigen Ersatzteilbedarf, bevor das Teil tatsächlich verbraucht wird.

Damit stellt sich eine interessante Frage: Könnten Informationen aus der Instandhaltung selbst zu einem zusätzlichen Bedarfssignal für die Ersatzteilplanung werden?

Was wäre, wenn Instandhaltung zum Bedarfssignal wird?

Diese Idee haben wir bereits in Teil 2 angesprochen. Eine Studie von Sha Zhu, Willem van Jaarsveld und Rommert Dekker untersucht, ob geplante zustandsbasierte Instandhaltungsmaßnahmen als sogenannte „Advance Demand Information“ für die Ersatzteilplanung genutzt werden können.

Statt den zukünftigen Ersatzteilbedarf ausschließlich aus historischen Verbräuchen abzuleiten, bezieht ihr Ansatz Informationen über bevorstehende Instandhaltungsmaßnahmen in die Bestandsentscheidungen ein. Anhand von Daten zweier großer Instandhaltungsorganisationen zeigen die Autoren, dass diese zusätzlichen Informationen die Bestandssteuerung gegenüber den in der Studie betrachteten Vergleichsansätzen verbessern können.

Für Hersteller, die in Predictive Maintenance investieren, ist vor allem das dahinterliegende Prinzip interessant: Wenn die Instandhaltung bereits Hinweise darauf hat, dass ein Eingriff wahrscheinlich bevorsteht, muss die Bestandsplanung nicht zwangsläufig warten, bis das Ersatzteil tatsächlich verbraucht wurde, bevor diese Information relevant wird.

Historische Verbrauchsdaten werden dadurch nicht ersetzt. Sie können vielmehr um etwas ergänzt werden, das klassischen Prognosemodellen häufig fehlt: einen Hinweis darauf, was als Nächstes benötigt werden könnte.

Auch aus OEM-Perspektive ist diese Entwicklung bereits sichtbar. In unserer Expert Series mit Sanne Egholm Klit, Head of Parts Solutions & Warranty bei BEUMER, beschreibt sie eine Zukunft, in der Maschinenbauer Daten aus Sensoren und Instandhaltungssystemen nutzen, um den Ersatzteilbedarf frühzeitig zu erkennen, anstatt erst auf eine Störungsmeldung des Kunden zu reagieren.

Wie sie es formuliert: „We would like to deliver spare parts on site before the customer knows that they need them.“

Ob aus Sicht des Betreibers oder des OEMs: Der Grundgedanke ist derselbe. Je besser Unternehmen verstehen, was voraussichtlich mit ihren Anlagen passieren wird, desto früher kann auch die Ersatzteilorganisation erkennen, was wahrscheinlich benötigt wird.

Wie eine 30-Tage-Warnung die Bestandsentscheidung verändert

Kehren wir zu dem Lager zurück, das uns bereits durch mehrere Teile dieser Serie begleitet hat. Die Zustandsdaten deuten darauf hin, dass innerhalb der nächsten 30 Tage voraussichtlich ein Eingriff erforderlich sein wird. Das passende Ersatzteil ist aktuell auf Lager.

Auf den ersten Blick gibt es also kein Verfügbarkeitsproblem. Nehmen wir jedoch an, dass dasselbe Lager auch in mehreren anderen kritischen Anlagen verbaut ist, nur noch ein Exemplar verfügbar ist und die aktuelle Lieferzeit des Lieferanten 60 Tage beträgt. Aufgrund des historisch niedrigen Verbrauchs konnte ein Bestand von einem Stück bislang durchaus sinnvoll erscheinen.

Durch die neuen Zustandsinformationen verändert sich diese Bewertung. Das Unternehmen hat nun einen konkreten Hinweis darauf, dass das letzte verfügbare Ersatzteil wahrscheinlich innerhalb des nächsten Monats benötigt wird, während die Wiederbeschaffung doppelt so lange dauern könnte.

Weder das physische Bauteil noch sein historischer Verbrauch haben sich verändert. Verändert hat sich vielmehr das Wissen des Unternehmens über den wahrscheinlichen zukünftigen Bedarf.

Und genau diese Information kann eine bessere Bestandsentscheidung ermöglichen.

Predictive bedeutet nicht, die Zukunft mit Sicherheit zu kennen

Dabei ist es wichtig, zwischen der Antizipation eines Bedarfs und der sicheren Vorhersage eines Ereignisses zu unterscheiden.

Eine Komponente, die erste Verschleißerscheinungen zeigt, kann möglicherweise länger als erwartet weiterbetrieben werden. Eine weitere Analyse kann zu einer anderen Einschätzung führen oder die Instandhaltung entscheidet, dass ein sofortiger Eingriff noch nicht notwendig ist. Eine Predictive-Maintenance-Warnung sollte deshalb nicht automatisch zu einer Bestellung oder einer Erhöhung des Lagerbestands führen.

Genau darin liegt eine der Herausforderungen von Predictive Spare Parts Planning. Es reicht nicht aus, zwei Systeme miteinander zu verbinden und eine Prognose weiterzugeben. Unternehmen müssen bessere Informationen über wahrscheinliche zukünftige Instandhaltungsbedarfe nutzen können, ohne dabei die bestehende Unsicherheit auszublenden.

Auch die Forschung zu Condition-Based Maintenance beschäftigt sich zunehmend mit dieser Verbindung zwischen Prognosen und operativen Entscheidungen, einschließlich des Ersatzteilmanagements. Das Ziel besteht nicht darin, aus einer Prognose eine Gewissheit zu machen, sondern zusätzliche Informationen für fundiertere Entscheidungen zu nutzen.

Auch Lieferzeiten verändern die Ausgangslage

Zustandsinformationen sind allerdings nur ein Teil der Planungsgrundlage. Wie wir bereits in Teil 2 gezeigt haben, können auch Lieferzeiten entscheidend dafür sein, ob und in welcher Menge eine Komponente auf Lager gehalten werden sollte.

Nehmen wir an, ein Ersatzteil konnte bisher zuverlässig innerhalb von 15 Tagen beschafft werden. Ein zusätzlicher Sicherheitsbestand war unter diesen Bedingungen möglicherweise wirtschaftlich nicht sinnvoll. Steigt die tatsächliche Lieferzeit jedoch auf 60 Tage, während Condition Monitoring typischerweise etwa 30 Tage Vorlauf vor einem notwendigen Eingriff ermöglicht, verändert sich das Risiko deutlich.

Das ist insbesondere deshalb relevant, weil Lieferzeiten häufig weniger statisch sind, als es die im ERP hinterlegten Werte vermuten lassen. Lieferantenkapazitäten, Bezugsquellen und Marktverfügbarkeiten können sich verändern, während einmal hinterlegte Planungsparameter über lange Zeit unverändert bleiben.

Eine fundierte Ersatzteilplanung muss deshalb das Zusammenspiel von Zuverlässigkeit, Kritikalität, erwartetem Bedarf, verfügbaren Beständen und aktueller Wiederbeschaffungszeit berücksichtigen. Ändern sich diese Faktoren, kann sich auch die optimale Bestandsentscheidung verändern.

Predictive Maintenance wird zunehmend dynamisch. Die Ersatzteilplanung muss mit diesen Veränderungen Schritt halten können.

Von statischen Parametern zu dynamischen Empfehlungen

Genau hier setzt SPARROW.Plan an.

SPARROW.Plan kombiniert zuverlässigkeitsbasierte Methoden mit operativen Ersatzteildaten, um zu bestimmen, welche Komponenten in welcher Menge bevorratet werden sollten. Faktoren wie historische Verbräuche, Kritikalität und Lieferzeiten können in die Berechnung einfließen, sodass Empfehlungen neu berechnet werden können, wenn sich die zugrunde liegenden Bedingungen verändern.

Das ist relevant, weil eine Bestandsempfehlung nicht unverändert bleiben sollte, nur weil vor Jahren einmal ein Min-/Max-Wert im ERP hinterlegt wurde. Eine längere Lieferzeit, bereits vorhandene Bestände an anderen Standorten oder eine veränderte betriebliche Bedeutung einer Komponente können die optimale Bevorratungsstrategie beeinflussen.

Informationen aus Instandhaltungs- und Asset-Condition-Systemen könnten diesen Ansatz künftig um eine weitere Dimension ergänzen. Wenn ein Unternehmen mit zunehmender Sicherheit davon ausgehen kann, dass eine bestimmte Komponente innerhalb eines absehbaren Zeitraums benötigt wird, könnte auch diese Information zu einem zusätzlichen Input für die Bestandsplanung werden.

Dabei geht es ausdrücklich nicht darum, Predictive Maintenance als Begründung für höhere Lagerbestände zu nutzen. Im Gegenteil: Bessere Informationen sollten Herstellern helfen, präziser zwischen Beständen, die die Anlagenverfügbarkeit absichern, und Beständen, die lediglich Kapital binden, zu unterscheiden.

Der Wert einer Prognose steigt, wenn Systeme miteinander verbunden sind

Damit kommen wir zurück zu einem zentralen Gedanken dieser Serie: Predictive Maintenance stellt Informationen früher zur Verfügung. Ihr tatsächlicher Wert hängt jedoch davon ab, ob andere Bereiche im Unternehmen diese Informationen auch nutzen können.

Eine prognostizierte Instandhaltungsmaßnahme kann in die Wartungsplanung einfließen und gleichzeitig Anlass geben, die zugehörigen Materialdaten, standortübergreifende Bestände sowie aktuelle Beschaffungsoptionen zu prüfen. Perspektivisch könnten diese Informationen auch dabei helfen zu beurteilen, ob bestehende Bestandsparameter weiterhin zur aktuellen Risikosituation passen.

In vielen Industrieunternehmen sind diese Prozesse jedoch noch voneinander getrennt. Reliability-Teams überwachen den Anlagenzustand, die Instandhaltung plant Maßnahmen, das Bestandsmanagement verwaltet Ersatzteile und der Einkauf kümmert sich um die Beschaffung. Jeder Bereich kann auf Basis der jeweils verfügbaren Informationen sinnvolle Entscheidungen treffen – während relevante Signale aus anderen Teilen der Organisation ungenutzt bleiben.

Diese Bereiche stärker miteinander zu verbinden bedeutet nicht, dass jede Entscheidung automatisiert werden muss. Vielmehr geht es darum, Informationen, die an einer Stelle im Instandhaltungsprozess entstehen, auch für bessere Entscheidungen an anderer Stelle nutzbar zu machen.

Für die Ersatzteilplanung eröffnet das die Möglichkeit, zwei Fragen miteinander zu verbinden, die traditionell häufig getrennt betrachtet werden: Was wird die Anlage voraussichtlich benötigen – und was sollten wir verfügbar haben, wenn es so weit ist?

Von Predictive zu Proactive

Predictive Maintenance verändert bereits heute, wie Hersteller über Anlagenzuverlässigkeit nachdenken können. Statt sich ausschließlich auf historische Ausfallmuster und fest definierte Wartungsintervalle zu verlassen, können Teams zunehmend Informationen über den aktuellen Zustand einer konkreten Anlage in ihre Entscheidungen einbeziehen.

Die Ersatzteilplanung kann sich in eine ähnliche Richtung entwickeln. Historische Verbräuche, Zuverlässigkeit, Kritikalität, Bestände und Lieferzeiten werden weiterhin eine wichtige Rolle spielen. Bessere Informationen über erwartete Instandhaltungsbedarfe können jedoch ein zusätzliches Signal für die Planung liefern.

Predictive Spare Parts Planning bedeutet deshalb nicht, exakt vorherzusagen, welche Komponente an welchem Tag ausfallen wird. Es bedeutet vielmehr, die heute verfügbaren Informationen zu nutzen, um besser zu entscheiden, was morgen verfügbar sein sollte.

Damit kommen wir zur letzten Frage unserer Serie.

Wenn Condition Monitoring Verschleiß frühzeitig erkennen kann, Instandhaltungssysteme einen bevorstehenden Eingriff antizipieren, das benötigte Ersatzteil identifiziert werden kann und die Bestandsplanung sich auf diesen Bedarf vorbereitet – wie viel davon könnte künftig automatisch ablaufen?

Als Nächstes in unserer Serie: Die autonome Fabrik – kann eine Maschine ihr eigenes Ersatzteil bestellen?