Auf einen Blick
Die Reduktion von Verschwendung und das Einsparen von Kosten sind die Zielstellungen des Total Productive Maintenance (TPM) Ansatzes. Angelehnt an Kaizen und Lean Production-Philosophien geht es darum, eine kontinuierliche Verbesserung zu erreichen. Das heißt, Anlagen ohne Ausfallzeiten zu betreiben sowie ohne Defekte, ohne Qualitätsverluste und mit null Unfällen. Ein Fundament zur Zielerreichung ist der Wechsel von einer reaktiven Instandhaltung hin zu einer proaktiven Instandhaltung. Das bedeutet, mögliche Schäden mit vorbeugenden Maßnahmen zu verhindern anstatt eingetretene Schäden zu reparieren.
Um die Verschwendung im Rahmen des vorbeugenden Ansatzes durch verfrühtes Tauschen von Bauteilen oder Komponenten zu eliminieren und deren Restlebensdauer zu maximieren, ist der Einsatz von KI-Methoden zur vorausschauenden Instandhaltung (Predicitive Maintenance) besonders wertvoll.
Potentiale
Bei der vorausschauenden Instandhaltung geht es darum, KI-Algorithmen anzutrainieren, die möglichst zuverlässig anstehende Ausfälle frühzeitig aufzeigen. So kann der Umgang mit dem Ausfall rechtzeitig geplant bzw. auch die Beschaffung der betroffenen Komponenten erfolgen.
Demzufolge lassen sich die Bestände an Ersatzteilen auf das Wesentliche reduzieren und bedarfsgerecht beschaffen, womit mehr Kapital für andere Zwecke frei wird. Die vorausschauende Instandhaltung und maximale Ausnutzung der Restlebensdauer erhöht zudem die Anlagenverfügbarkeit. Durch den rechtzeitigen Tausch verschlissener Komponenten lässt sich weiterhin der Ausschuss reduzieren. Beide Aspekte fließen in eine verbesserte Overall Equipment Effectiveness (OEE) ein. Auch die Liefertermintreue kann durch eine planbare zustandsorientierte Instandhaltung gesteigert werden. Der Null-Defekte-Ansatz senkt den Energieverbrauch und schont die Umwelt. All diese Aspekte der Predictive Maintenance stehen im Einklang mit dem TPM-Ansatz und verfolgen dessen Ziele.
Maßnahmen und Lösungsansätze
Um sinnvoll KI-Algorithmen zur vorausschauenden Instandhaltung antrainieren zu können, müssen zuvor relevante Daten gesammelt werden. Viele Maschinen können diese Daten bereits über entsprechende Schnittstellen zur Verfügung stellen bzw. können mit Hilfe von Retrofit, also dem problemspezifischen Nachrüsten von bspw. Sensoren, diese Daten sammeln.
Liegen bereits Daten zu vergangenen Ausfällen vor, können KI-Ansätze des überwachten Lernens angewendet werden. Falls keine Daten von Ausfällen vorliegen, sind insbesondere Algorithmen zur Anomalie-Erkennung interessant. Die Algorithmen stellen Abweichungen vom „Normalfall“ fest und geben dann eine entsprechende Meldung an das Instandhaltungspersonal, das den Sachverhalt genauer betrachtet und eine Rückmeldung an das System gibt. Somit lernt das System stetig hinzu und verbessert sich kontinuierlich.
Herausforderungen
Die Vorteile der Umsetzung einer Total Productive Maintenance durch die Anwendung von vorausschauender Instandhaltung sind vielfältig. Dennoch gibt es Herausforderungen, die bei der Einführung zu beachten sind. So müssen bereits ausreichend Daten in guter Qualität vorhanden sein bzw. müssen gesammelt werden. Zudem ist im Sinne des TPM-Ansatzes zu prüfen, für welche Maschinen sich der Aufwand einer komplexeren Vorhersage lohnt. Welche Maschinen fahren mit dem nach zeitlichen Intervallen vorbeugenden Austausch von Komponenten oder gar reaktiven Ansatz insgesamt besser? Im Rahmen der Einführung von TPM ist der beste Instandhaltungsansatz pro Maschine strategisch zu planen und regelmäßig zu prüfen.
