Predictive Maintenance gibt Ihnen 30 Tage Zeit. Was nun?
In Teil 1 unserer Serie zu Predictive Maintenance haben wir beleuchtet, wie sich die industrielle Instandhaltung von historischen Ausfallmodellen und festen Wartungsintervallen hin zu Condition Monitoring und KI-gestützten Prognosen entwickelt hat. Die Technologie hat sich grundlegend verändert, doch das Ziel ist dasselbe geblieben: Probleme so früh zu erkennen, dass gehandelt werden kann, bevor es zum Ausfall kommt.
Was passiert also, wenn Predictive Maintenance genau das leistet?
Stellen Sie sich ein Lager in einer kritischen Produktionsanlage vor.
Das Lager ist noch nicht ausgefallen. Die Produktion läuft weiter. Doch die Zustandsdaten zeichnen ein anderes Bild: Die Vibrationen nehmen zu und die verfügbaren Daten deuten darauf hin, dass sich der Zustand des Lagers verschlechtert. Die Instandhaltung geht davon aus, dass innerhalb der nächsten 30 Tage ein Eingriff erforderlich sein wird.
Genau das soll Predictive Maintenance leisten.
Statt das Problem erst zu erkennen, wenn die Maschine stillsteht, erhält das Instandhaltungsteam frühzeitig einen Hinweis. Es bleiben 30 Tage, um sich vorzubereiten, den Eingriff zu planen und einen ungeplanten Stillstand zu vermeiden.
30 Tage klingen zunächst nach viel Zeit.
Bis geklärt werden muss, welches Lager genau ersetzt werden muss. Welcher Materialstamm dazu gehört. Ob das Ersatzteil tatsächlich auf Lager ist. Ob es vielleicht an einem anderen Standort verfügbar ist. Ob der Hersteller es überhaupt noch liefern kann. Und wenn es im gesamten Unternehmen nicht vorhanden ist: ob es rechtzeitig beschafft und geliefert werden kann.
Plötzlich wirken 30 Tage gar nicht mehr so lang.
In Teil 2 verfolgen wir die Prognose deshalb über die Maschine hinaus. Denn Predictive Maintenance verschafft Ihnen Zeit. Ihre Ersatzteilprozesse entscheiden darüber, wie viel von diesem Zeitvorsprung tatsächlich erhalten bleibt.
Was genau muss ersetzt werden?
Ein Predictive-Maintenance-System kann Anzeichen für Verschleiß erkennen. Instandhaltungs- und Reliability-Teams können diese Signale bewerten und entscheiden, ob ein Eingriff notwendig ist.
Doch der Einkauf kann keine „zunehmenden Vibrationen“ bestellen.
Irgendwann muss aus den Informationen über den Zustand einer Anlage ein konkreter Materialbedarf werden.
Idealerweise besteht diese Verbindung bereits. Anlagen- und Instandhaltungsstücklisten verknüpfen technische Anlagen mit ihren Komponenten. SAP beispielsweise beschreibt eine Equipment-Stückliste als Struktur, über die Ersatzteile einer Anlage für Instandhaltungszwecke zugeordnet werden können. Materialkomponenten aus einer Stückliste können zudem direkt Instandhaltungsaufgaben und -aufträgen zugewiesen werden.
In der Praxis ist diese Verbindung jedoch nur so zuverlässig wie die zugrunde liegenden Daten.
Die Materialbeschreibung kann unvollständig sein. Die Herstellernummer fehlt möglicherweise. Dasselbe Lager kann unter mehreren Materialnummern geführt werden. Eine Komponente wurde vielleicht durch ein Nachfolgemodell ersetzt, ohne dass diese Information überall konsistent aktualisiert wurde. Oder die Anlage ist seit Jahrzehnten in Betrieb, während ihre Ersatzteildaten über unterschiedliche Systeme, Standorte und Benennungskonventionen gewachsen sind.
Das führt zu einer paradoxen Situation: Das Unternehmen hat in Technologie investiert, die Verschleiß früher erkennen kann, verliert anschließend aber wertvolle Zeit bei der Frage, welches Ersatzteil tatsächlich benötigt wird.
Je früher Sie einen potenziellen Ausfall erkennen, desto wichtiger sind verlässliche Daten, die Anlage und Ersatzteil eindeutig miteinander verknüpfen.
Damit werden saubere Ersatzteilstammdaten zu einer Voraussetzung dafür, den gewonnenen Zeitvorsprung auch zu nutzen. Mit SPARROW.Clean können Hersteller Materialdaten harmonisieren und anreichern, Dubletten identifizieren und so die Informationsbasis verbessern, um das richtige Ersatzteil schnell und eindeutig zu finden.
Die Maschine liefert den Hinweis auf ein mögliches Problem. Ob daraus rechtzeitig eine konkrete Maßnahme wird, hängt auch von den Daten rund um die Maschine ab.
Haben wir das Teil bereits auf Lager?
Aus Sicht des einzelnen Werks fehlt das Ersatzteil. Aus Sicht des gesamten Unternehmens muss das jedoch nicht der Fall sein.
Das ist keine rein theoretische Möglichkeit. Die Forschung zur Ersatzteilbevorratung beschäftigt sich seit Langem mit standortübergreifenden Transfers und der gemeinsamen Nutzung von Beständen als Alternative dazu, jede benötigte Komponente an jedem Standort separat vorzuhalten. Hartanto Wong und seine Co-Autoren haben beispielsweise Modelle für reparierbare Ersatzteile untersucht, bei denen Bestände zwischen Standorten transferiert werden können, wenn an einem Standort ein Engpass entsteht.
Für Hersteller mit Dutzenden oder Hunderten von Standorten verändert das die Frage nach der Verfügbarkeit.
Ein ungenutztes Ersatzteil in einem anderen Werk kann für die anstehende Instandhaltung genauso relevant sein wie der Bestand im eigenen Lager. Voraussetzung ist allerdings, dass bekannt ist, wo das Teil liegt, dass es eindeutig als identisches oder geeignetes Ersatzteil erkannt wird und dass es rechtzeitig zum benötigten Standort gebracht werden kann.
Ein lokaler Ersatzteilmangel bedeutet nicht zwangsläufig, dass das Teil im gesamten Unternehmen fehlt.
Unser Kunde Royal Avebe zeigt sehr anschaulich, warum diese Unterscheidung relevant ist (Fallbeispiel hier lesen). Das Unternehmen betreibt drei zentrale Produktionsstandorte in den Niederlanden, die weniger als 50 km voneinander entfernt liegen. Historisch verfügte jedoch jeder Standort über eine eigene Lagerorganisation, eigene Bestandsrichtlinien und eigene Datenstrukturen. Eine zentrale Planung und standortübergreifende Transparenz fehlten. Trotz der räumlichen Nähe wurden die MRO-Bestände damit weitgehend getrennt voneinander verwaltet.
Gemeinsam mit SPARROW begann Royal Avebe, Ersatzteildaten und Bestandsmanagement über die drei Standorte hinweg zusammenzuführen. SPARROW.Stock wurde eingeführt, um Bestände zu digitalisieren und transparenter zu machen. Gleichzeitig schuf das Projekt die Grundlage für eine gemeinsame Bestandsplanung über mehrere Standorte hinweg.
Das Beispiel zeigt: Mit unternehmensweiter Bestandstransparenz kann ein Ersatzteil, das an einem Standort ungenutzt im Lager liegt, an einem anderen Standort einen Stillstand verhindern. Statt dass jedes Werk sein Verfügbarkeitsproblem für sich löst, kann zunächst geprüft werden, ob das benötigte Teil bereits irgendwo im eigenen Netzwerk vorhanden ist.
Predictive Maintenance kann frühzeitig darauf hinweisen, dass eine Komponente benötigt wird. Standortübergreifende Transparenz kann zeigen, dass die Lösung längst in einem der eigenen Lager liegt.
Ist das Ersatzteil rechtzeitig verfügbar?
Nehmen wir nun an, das Lager ist an keinem Standort vorrätig.
Damit stellt sich die nächste Frage.
Nicht nur: Können wir es beschaffen?
Sondern: Kommt es rechtzeitig an?
Wenn die Instandhaltung etwa 30 Tage Vorlauf hat und das Ersatzteil innerhalb von fünf Tagen geliefert werden kann, bleibt ausreichend Spielraum für die Planung.
Beträgt die aktuelle Lieferzeit 25 Tage, wird dieser Spielraum deutlich kleiner.
Dauert die Lieferung 60 Tage, hat das Predictive-Maintenance-System zwar genau das getan, was es sollte – trotzdem droht ein Anlagenstillstand.
Die Lieferzeit ist damit nicht nur eine Kennzahl für den Einkauf. Sie wird zum Faktor für das Instandhaltungsrisiko.
Untersuchungen zur zuverlässigkeitsorientierten Ersatzteilhaltung machen diesen Zusammenhang deutlich. Entscheidungen über die Lagerhaltung von Ersatzteilen müssen die Kosten für die Lagerhaltung gegen das Risiko und die Kosten für das Warten auf ein Teil abwägen, wenn die Anlage es benötigt – wobei die Lieferzeit eine der Informationen ist, die für diese Entscheidung erforderlich sind.
Es gibt noch eine weitere Komplikation: Die im ERP-System hinterlegte Lieferzeit entspricht möglicherweise nicht der Lieferzeit, die Sie heute tatsächlich erhalten würden.
Lieferzeiten verändern sich – etwa durch Lieferantenkapazitäten, veränderte Beschaffungswege, Materialverfügbarkeit oder Marktbedingungen. Trotzdem arbeiten viele Unternehmen mit Lieferzeiten, die einmal im ERP hinterlegt und anschließend nur sporadisch aktualisiert werden.
Das führt zu einer gefährlichen Diskrepanz.
Das System zur vorausschauenden Wartung arbeitet möglicherweise mit sich ständig ändernden Informationen über die Maschine, während die Entscheidung über Ersatzteile auf einer statischen Annahme darüber beruht, wie schnell der Ersatz beschafft werden kann.
Die relevante Frage lautet daher nicht einfach: Welche Lieferzeit ist in SAP hinterlegt?
Sie lautet: Wie lange würde es tatsächlich dauern, dieses Teil jetzt zu bekommen?
Wo sind Ihre 30 Tage geblieben?
Hier trifft das Versprechen der vorausschauenden Wartung auf die betriebliche Realität.
Sie hatten ursprünglich etwa 30 Tage Vorwarnzeit.
Ein Teil dieser Zeit geht möglicherweise für die Bestätigung verloren, welche Komponente ausgetauscht werden muss. Weitere Zeit kann bei der Klärung unvollständiger oder widersprüchlicher Materialinformationen verstreichen. Dann durchsucht das Unternehmen seine Lager. Der Einkauf kontaktiert den Lieferanten und stellt fest, dass die im ERP-System hinterlegte Lieferzeit nicht mehr der aktuellen Verfügbarkeit entspricht.
Das System zur vorausschauenden Wartung hat nicht versagt.
Es hat seine Arbeit getan.
Doch jede Verzögerung zwischen Vorhersage und Handlung verkürzt den ursprünglich gewonnenen Zeitvorsprung.
Wie es SPARROW-CEO Meir Veisberg ausdrückt:
„Eine Vorwarnzeit von 30 Tagen bringt nur dann etwas, wenn 30 Tage auch ausreichen, um zu handeln. Wenn wir eine Woche brauchen, um das richtige Ersatzteil zu identifizieren, eine weitere Woche, um herauszufinden, ob es irgendwo im Unternehmen vorhanden ist, und der Lieferant anschließend sechs Wochen Lieferzeit nennt, droht trotz erfolgreicher Prognose ein Stillstand. Predictive Maintenance und Ersatzteilverfügbarkeit müssen deshalb zusammengedacht werden.“
Genau deshalb ist das P-F-Intervall, das wir in Teil 1 vorgestellt haben, über die Zustandsüberwachung hinaus von Bedeutung. Der Zeitraum zwischen der Erkennung eines potenziellen Ausfalls und dem tatsächlichen Funktionsausfall ist nicht nur Zeit für die Instandhaltung, um das Problem zu diagnostizieren. Es ist auch Zeit, um den Eingriff vorzubereiten.
Aus Sicht der Ersatzteilhaltung bedeutet das, dass die Vorwarnzeit lang genug sein muss, um die benötigte Komponente zu identifizieren, zu lokalisieren oder zu beschaffen.
Und manchmal reicht sie schlichtweg nicht aus.
Was, wenn 30 Tage von Anfang an nicht ausgereicht hätten?
Nehmen wir an, unser Lager ist kritisch.
Es gibt nirgendwo im Unternehmen einen geeigneten Ersatz. Die aktuelle Lieferzeit des Anbieters beträgt 60 Tage. Die Zustandsdaten liefern der Instandhaltung etwa 30 Tage handlungsrelevante Vorwarnzeit.
Selbst perfekte Materialdaten und ein effizientes Einkaufsteam können diese Zahlen nicht in Einklang bringen.
Die naheliegende Schlussfolgerung wäre, dass das Lager von Anfang an auf Lager hätte gehalten werden müssen.
Doch das schafft ein neues Problem.
Hersteller können nicht jedes Ersatzteil auf Lager halten, das eines Tages benötigt werden könnte. Viele MRO-Komponenten sind teuer und liegen lange im Lager, und manche werden vielleicht nie gebraucht, bevor sie veralten. Die Forschung zur Ersatzteilbevorratung betrachtet die Lagerhaltung daher als Abwägung zwischen Verfügbarkeit und Lagerhaltungskosten, anstatt einfach zu empfehlen, mehr Teile auf Lager zu legen.
Die eigentliche Frage ist, ob das Risiko, das mit dieser Komponente verbunden ist, die Bevorratung dieser Komponente rechtfertigt.
Und diese Berechnung sollte sich nicht auf Informationen stützen, die sich nicht mehr verändert haben, seit sie jemand in SAP eingegeben hat.
Hier setzt SPARROW.Plan überträgt das dynamische Prinzip, das wir bereits bei der vorausschauenden Wartung besprochen haben, auf die Ersatzteilplanung.
SPARROW.Plan nutzt zuverlässigkeitsbasierte Methoden und Betriebsdaten, um zu bestimmen, welche Teile in welchen Mengen auf Lager gehalten werden sollten. Entscheidend ist dabei, dass aktuelle Lieferzeiten berücksichtigt werden, anstatt sich ausschließlich auf statische Werte aus dem ERP-System zu verlassen.
Stellen Sie sich vor, eine Komponente musste nicht auf Lager gehalten werden, solange sie zuverlässig innerhalb von 15 Tagen beschafft werden konnte. Die aktuelle Lieferzeit beträgt nun 60 Tage, während die realistische Vorwarnzeit durch die Zustandsüberwachung der Instandhaltung vielleicht nur 30 Tage zur Vorbereitung lässt.
Die Komponente hat sich nicht verändert.
Das Risiko schon.
Und die Lagerhaltungsempfehlung sollte sich entsprechend anpassen können.
Es gibt fundierte wissenschaftliche Ansätze, die Instandhaltungsinformationen mit dynamischeren Bestandsentscheidungen verknüpfen. Die Forscher Sha Zhu, Willem van Jaarsveld und Rommert Dekker untersuchten den Einsatz geplanter zustandsbasierter Wartung als Vorabinformation für den Ersatzteilbedarf. Ihre Forschung schlägt explizit eine vorausschauendere Bestandssteuerung vor, die auf Informationen über anstehende Wartungsanforderungen basiert.
Wir werden im weiteren Verlauf dieser Serie auf diesen Gedanken zurückkommen, wenn wir untersuchen, was vorausschauende Wartung für eine vorausschauende Ersatzteilplanung bedeuten kann.
Predictive Maintenance endet nicht bei der Prognose
Vorausschauende Wartung wird oft als technologische Herausforderung diskutiert.
Können wir Verschleiß früher erkennen? Können wir eine echte Anomalie von Rauschen unterscheiden? Kann maschinelles Lernen die Schätzungen zur verbleibenden Nutzungsdauer verbessern?
All diese Fragen sind wichtig.
Doch sobald ein sich anbahnender Ausfall erkannt wurde, beginnt eine weitere Kette von Entscheidungen.
Welches Bauteil muss ersetzt werden? Können wir das Ersatzteil zuverlässig identifizieren? Ist es vor Ort verfügbar? Hat ein anderer Standort es auf Lager? Kann es rechtzeitig geliefert werden? Wenn niemand es hat, wie lang ist die tatsächliche aktuelle Beschaffungszeit? Und wenn die Beschaffung länger dauert als die Vorwarnzeit, hätte das Teil dann nicht ohnehin auf Lager sein müssen?
Der Maschine ist es egal, ob diese Fragen in den Zuständigkeitsbereich von Zuverlässigkeitstechnik, Instandhaltung, Stammdatenpflege, Lagerhaltung oder Einkauf fallen.
Aus ihrer Sicht zählt nur ein einziges Ergebnis: ob der Eingriff erfolgen kann, bevor aus dem Verschleiß ein Ausfall wird.
Vorausschauende Wartung wird immer dynamischer. Die Informationen rund um Ersatzteile müssen mit diesem Tempo Schritt halten.
Früher Bescheid zu wissen heißt noch nicht, früher bereit zu sein
Unsere Prognose gab uns etwa 30 Tage Zeit.
Ob diese 30 Tage tatsächlich Ausfallzeiten verhindern, hängt von allem ab, was nach der Vorhersage geschieht.
Eine bessere Fehlerprognose schafft wertvolle Zeit. Saubere Ersatzteildaten, Bestandstransparenz, standortübergreifende Sichtbarkeit, aktuelle Beschaffungsinformationen und die richtige Lagerstrategie entscheiden darüber, ob das Unternehmen diese Zeit auch nutzen kann.
Früher Bescheid zu wissen ist wertvoll. Früher bereit zu sein verhindert Ausfallzeiten.
Nächstes Thema der Serie: Woher weiß eine Maschine, dass sie kurz vor dem Ausfall steht?
In Teil 3 kehren wir in die Fertigung zurück und untersuchen die Sensoren, Signale und Zustandsüberwachungstechnologien, die Verschleiß aufdecken können, bevor es zum Funktionsausfall kommt.
