Predictive Maintenance

Zusammenarbeit zwischen Servicepartnern und Analytikern

Die Digitalisierung schreitet in allen Bereichen der Wirtschaft wie auch der Gesellschaft weiter voran. Der Gleisbau ist dabei keine Ausnahme. Es entstehen laufend neue Möglichkeiten der Vernetzung, und intelligente Systeme in Maschinen generieren viele Daten. Damit gewinnt die Partnerschaft zwischen Infrastrukturbetreiber, Bauunternehmer, Zulieferindustrie und Servicedienstleister eine neue Dimension. Verfügbarkeit, Transparenz und Nachvollziehbarkeit sind wesentliche Säulen. Die Planung präventiver Maßnahmen bringt unmittelbaren Nutzen.

Predictive Maintenance, die vorausschauende Instandhaltung, hat großes Potenzial in der Wartung von Bahnbaumaschinen. Systeme in den Maschinen gewinnen wertvolle Daten, die eine Basis für Auswertungen und daraus abgeleitete Handlungsempfehlungen darstellen. Eine zentrale Rolle spielt dabei der Servicepartner, der sich um die Umsetzung der Empfehlungen kümmert.

Was ist „Predictive Maintenance“?

Unter „Predictive Maintenance“ verstehen wir den Prozess, aus gesammelten Daten zu einer Maschine eine individuelle Einschätzung des aktuellen Zustandes zu erarbeiten und konkrete Handlungsanweisungen für die zustandsbasierte Wartung abzuleiten.

Durch entsprechende Systeme in den Maschinen, z.B. PlasserDatamatic 2.0, können auf Bahnbaumaschinen auf Wunsch des Betreibers wesentliche Daten wie Arbeitsparameter, GPS-Position, Arbeitsrichtung, Motordaten, Füllstände der Betriebsmittel und Hydraulikdrücke live überwacht werden. Der aktuelle Zustand ganzer Maschinenflotten kann so vom Büro aus eingesehen werden. Die gewonnenen Daten stehen auch in gespeicherter Form zur Verfügung und bieten eine wertvolle Basis für weitere Auswertungen.

P&T Connected

Die Beschäftigung mit solchen Daten ist in der Gleisbaubranche noch sehr neu. Ein Unternehmen, das in diesem Bereich aktiv ist, ist P&T Connected mit Sitz im österreichischen Hagenberg. Das Unternehmen beschäftigt sich vorrangig mit der Erfassung, Aufarbeitung und Auswertung von Daten mit dem Ziel, Predictive Maintenance für Gleisbaumaschinen zu realisieren.

Gleisbaumaschinen liefern wertvolle Daten

Bei Gleisbaumaschinen ist die regelmäßige, intervallbasierte Inspektion vor Ort oder in einem Depot Bestandteil der Überprüfung und Wartung. In solchen Maschinen sind bis zu 250 Sensoren integriert, die den Verantwortlichen eine Fülle von Informationen zur Verfügung stellen. Diese Sensordaten wurden und werden in festen Intervallen für Steuerungszwecke ausgewertet und erlauben zu jeder Zeit die Verfolgung von Zuständen und Prozessen.

Darüber hinaus können die folgenden zusätzlichen Daten weitreichende Mehrinformationen über den Maschinenzustand liefern:

  • Ersatzteilbevorratung
  • Instandhaltungsaufträge
  • Fehlermeldungen
  • Logdateien
  • Wetter- und Geodaten

Die Analyse wird durch Vernetzung von historischen und aktuellen Informationen verbessert. Diese Kombination vielfältiger Datenquellen erlaubt ein gänzlich neues Niveau in der Analyse. Dabei geht es vor allem darum, systemnahe Information für Handlungsempfehlungen bereitzustellen.

Verschleißteile zum wirtschaftlichsten Zeitpunkt austauschen

Ein Beispiel der vielen neuen Möglichkeiten ist die Erneuerung der Verschleißteile zum wirtschaftlich besten Zeitpunkt. Basis dafür sind die von Sensoren gelieferten Belastungsdaten.

Diese zeigen an, wie lange ein Verschleißteil noch einwandfrei funktionieren sollte. Dadurch lässt sich frühzeitig erkennen, wann bestimmte Teile ausgetauscht werden müssen. Darüber hinaus können Stehzeiten und Maschinenausfälle minimiert werden – ein Nutzen für Maschinenbetreiber und Infrastruktur.

Vorausschauende Wartung für komplette Maschinen

Diese Methodik lässt sich grundsätzlich auf die Wartung kompletter Maschinen übertragen. Damit ist der Weg von der intervallmäßigen über eine zustandsbasierte hin zu einer vorausschauenden Wartung möglich.

Diese bietet gegenüber bisherigen Ansätzen eine Reihe von Vorteilen (vgl. Abbildung). Treten Probleme häufig, aber ohne großen Einfluss auf die Funktionsfähigkeit der Maschine auf, sind sie meist über den Tausch von Ersatz- und Verschleißteilen zu lösen.

Bei häufig auftretenden Problemen, die eine große Auswirkung haben, wird der Hersteller über konstruktive Änderungen nachdenken. Durch vorausschauende Wartung ist es wiederum möglich, die Häufigkeit von Problemen und Herausforderungen mit potenziell großen Auswirkungen deutlich zu reduzieren und so entscheidend zu hoher Maschinenverfügbarkeit beizutragen.

Durch die Verknüpfung und Analyse von Maschinendaten und Daten aus Systemen wie PlasserDatamatic 2.0 kann also besser als bisher auf den Zustand einer Maschine geschlossen und Vorhersagen über deren weitere Entwicklung getroffen werden. Dies ermöglicht eine Planung von Wartungsintervallen, die auf dem tatsächlichen Status einer Maschine aufbaut, d.h. für jede Maschine kann ein individueller Wartungsplan erarbeitet und bei Bedarf angepasst werden.

Nutzen für den Betreiber

Der Nutzen für den Betreiber ist klar: zum einen kann frühzeitig erkannt werden, wann bestimmte Teile ausgetauscht werden müssen. So kann rechtzeitig disponiert werden.

Zum anderen kann die Analyse aber auch ergeben, dass ein Verschleißteil länger als üblich hält und deshalb erst später ersetzt werden muss. Vorausschauende Wartung bietet demnach folgende Vorteile gegenüber bisherigen Zugängen:

  • Reduktion der Lebenszykluskosten
  • Optimierung der Kosten in der Instandhaltungsstrategie
  • Datengestützte Vorschläge für Instandhaltungsmaßnahmen

Das Flottenmanagement erhält dadurch einen detaillierten Einblick in den Zustand der Maschinen und kann das Reparatur- und Ersatzteilmanagement verbessern. Dies führt zu einer Verlängerung der Lebensdauer einer Maschine und kann die Kosten für die Wartung optimieren.

Analyse und Prognose

Eines der primären Ziele dieses Ansatzes ist es, Muster in vorhandenen Daten zu identifizieren. Alles dreht sich hier um Analyse, Prognose und datengetriebene Modellbildung. Letztlich sollen Tools für eine bessere und vor allem frühere Entscheidungsfindung bereitgestellt werden – und so das System Eisenbahn noch wettbewerbsfähiger gemacht werden.

Zustandsbasierte Wartung wird in vielen Unternehmen bereits angewendet. Durch den Einsatz von Sensoren wird der aktuelle Zustand an und in Teilen festgestellt. Die Instandhaltung wird durchgeführt, sobald sie notwendig ist bzw. eine Verschlechterung oder eine Überschreitung von Grenzwerten durch einen oder mehrere Indikatoren angezeigt wird.

Predictive Maintenance geht einen Schritt weiter. Statt nur die bestehende Situation zu analysieren, werden mögliche künftige Ereignisse vorausgesagt. Durch verschiedene Ansätze, wie mathematische Modellbildung in Kombination mit Machine Learning und neuronalen Netzen, können Prognosen erstellt werden.

„Durch Predictive Maintenance können besser als bisher Vorhersagen über die weitere Entwicklung einer Maschine getroffen werden.“

Bernhard Maier

Leiter P&T Connected