Predictive Maintenance ist so wie die Speisekarte eines chinesischen Restaurants. Jeder weiß, worum es geht, aber was wirklich drin steckt, weiß man nicht. Hier zeigt sich aber auch schon der große Unterschied: Bei Predictive Maintenance muss man auch nicht wissen, was drin steckt (und bei so manchem Restaurant – egal welcher Kultur – will ich es auch nicht).

Wo findet die Magie statt?

Bei Predictive Maintenance findet alles in einer black box statt. Und diese schwarze Kiste ist der Ort, wo „the magic happens“. Hochleistungscomputer kalkulieren ihre abgespaceten Superalgorithmen innerhalb weniger Nanosekunden so schnell durch, dass man quasi vor Knopfdruck schon weiß, wann und wie der Transformator hochgeht. Garniert wird diese explosive Meldung mit dem Instandhaltungshinweis, dass man den Transformator am besten in zwanzig Jahren an einem nebligen Augustmontag um 5:47 Uhr wartet. Und mehr muss man nicht machen. Knöpfchen drücken, Tee trinken, Beine hochlegen und gut. Das ist natürlich übertrieben, aber wo ist in der Realität des Pudels Kern?

Im Grunde ist es so wie im übertriebenen, vorigen Beispiel. Aber der Weg dahin kann lang und steinig sein. Für gute Prognosen benötigt man gute Daten. Es ist ein Unterschied, ob man zur Vorhersage weißer Weihnachten nur den Heiligabend des Vorjahres heranzieht oder doch die letzten vierzig Jahre. Mit vierzig Jahren steigt die Aussagekraft zwar, weiße Weihnachten gibt es trotzdem nicht. Genauso verhält es sich mit Predictive Maintenance. In einem statistischen Datenmodell werden Korrelationen zwischen Input- und Output-Daten gesucht. Durch die Analysemethoden des Datenmodells werden mehrere Variablen miteinander verbunden und es werden Erkenntnisse für die Instandhaltung abgeleitet.

Was Sie mit Ihren Daten hervorzaubern können

Mit Zeitraum und Mengenvolumen steigt die Aussagekraft von Predictive Maintenance. Und dabei muss es nicht bleiben: Alle Daten, die in irgendeinem Bezug zu einem Betriebsmittel stehen, können für Predictive Maintenance relevant sein. Wirklich alle. Denken Sie zum Beispiel an die Kofferbänder in einem Flughafen und an die Bundesligaergebnisse. Wessen Verein es spontan auf die internationalen Plätze geschafft hat, der entscheidet sich vielleicht spontan für einen Trip nach Mailand oder Madrid. Mit anderen Worten, Kofferbänder werden stärker ausgelastet. Was auf den ersten Blick absurd ausschaut, ergibt auf den zweiten Blick Sinn. Alles ist denkbar und die Statistik hat immer Recht.

Der Aufwand bei der Datenerhebung sollte in einem günstigen Verhältnis zum Nutzen stehen – Sie wollen ja schließlich noch den Wald vor lauter Bäumen sehen. Auch, um beim Bild zu bleiben, ist nicht jeder Wald gleich – es gibt Nadelwälder, Laubwälder oder Mischwälder. Was bei einem Stromnetzbetreiber funktioniert, muss noch lange nicht bei einem Schienennetzbetreiber erfolgreich sein. Nicht für jedes Betriebsmittel eignet sich Predictive Maintenance in gleicher Weise. Für manche ergibt es wiederum Sinn, weil der Nutzen aus Predictive Maintenance, die Kosten überwiegen wird.

Statistik – wie wir aus Fehlern lernen

Vielleicht sind Ihre Betriebsmittel auch zu gut. Wenn Sie Ihre Betriebsmittel so in Schuss halten, dass keine Störungen auftreten – ja, wie will dann die Statistik wissen, wie Sie in Zukunft Störungen vermeiden? Der Algorithmus lernt eben immer nur aus Fehlern. Und genau das ist ja die Idee von Predictive Maintenance. Mit Störungsdaten können sie basierend auf Datenmodellen und den Gesetzen der Statistik zukünftige Ereignisse prognostizieren.

Ich meine damit jetzt aber nicht, dass Sie Ihr Netz einfach mal in die Luft gehen lassen sollten, um Störungsdaten zu sammeln. Das machen Sie bei einem Kernkraftwerk auch nicht (hoffe ich zumindest). Manche Betriebsmittel sind so störungsarm, dass keine Störungsdaten über sie vorhanden sind.

Daten zu sammeln ist kein Hexenwerk

Wenn Sie alle relevanten Daten günstig beschaffen können, ist Predictive Maintenance nicht nur in der Theorie der Sieger im Ringen um das beste Instandhaltungskonzept. Das liegt letztlich daran, dass in einem Modell, in dem alle Daten vorliegen, alle Korrelationen identifiziert werden. Es ist nicht für jedefrau oder jedermann leicht einzugestehen, Computer sind manchmal klüger und objektiver als wir. Also werfen wir alle bestehenden Konzepte jetzt einfach so über Bord?

Nein, denn Predictive Maintenance ist mehr als Ergänzung bestehender Instandhaltungskonzepte zu sehen. Es spricht nichts dagegen, zu beginnen, Störungsdaten und weitere Daten zu sammeln und aufzubereiten. Dadurch können Sie wesentliche Erkenntnisse für Ihre Instandhaltung gewinnen. Wenn Sie hier wieder an das chinesische Restaurant vom Beginn denken, dann ist es manchmal gar nicht so verkehrt, wenn man die Zutaten kennt.

Predictive Maintenance – mehr als Wahrsagerei

Nutzen und Aufwand von Predictive Maintenance sollten nicht unterschätzt werden. Predictive Maintenance wird sicher einmal zu unserem Alltag gehören. Überlegen Sie heute, wo Predictive Maintenance bereits sinnvoll ergänzen kann und welche Vorarbeiten (z. B. Datensammlung) heute angegangen werden! Mit meinem Unternehmen meliorate stehe ich seit 2011 Infrastruktureigentümern und -betreibern bei diesen Fragestellungen zur Seite.

WEITERE BLOGEINTRÄGE VON OLIVER D. FÖRSTER

Instandhaltung? – Das haben wir doch schon immer so gemacht!

Infrastruktur – Du bist so selbstverständlich und langweilig geworden!

Geschichte der Infrastruktur: Sechs historische Fakten