Firmen im Artikel
Das Thema Predictive Maintenance wird von der Industrie verstanden, man hat das Potenzial erkannt. Auch arbeiten viele daran – und die Medizintechnikbranche ist sicherlich vergleichsweise weit vorne zu sehen. Doch in der Praxis ist die vorausschauende Wartung noch nicht vollständig angekommen“, konstatiert Dr. Marcus Dill, Geschäftsführer von Mayato. Sein Unternehmen mit Sitz in Berlin konzentriert sich auf das Thema Business Analytics – und mithin um ein zentrales Element von Predictive Maintenance.
Die vorausschauende Wartung ist eine der Schlüsselinnovationen von Industrie 4.0. „Mithilfe von Predictive Maintenance ist eine Prognose der Rest-Lebensdauer von Maschinenkomponenten durch kontinuierliche Messung und Auswertung möglich. Kritische Betriebsparameter werden dabei als Entscheidungshilfe für die Festlegung optimaler Wartungs-Zeitpunkte und Betriebszustände erfasst“, erklärt Oliver Herweg, Principal bei Roland Berger. Das Beratungsunternehmen hat im Frühjahr 2017 gemeinsam mit dem VDMA den Statusreport „Predictive Maintenance“ vorgelegt und dafür Maschinenbauer befragt. „Sichtweisen, Entwicklungsstände und Herausforderungen für die Unternehmen sind über die Branchen hinweg aber grundsätzlich vergleichbar“, so die Autoren der Studie.
In der Medizin sollen vor allem Ausfälle vermieden werden
„In der Medizintechnik steht der Anwendungsnutzen stärker im Fokus“, weiß Dill aus Erfahrung. „Während in anderen Branchen oft die unmittelbare Kosteneinsparung in der Wartung durch Optimierung von Wartungsintervallen und Ersatzteileinsatz im Fokus steht, geht es in der Medizintechnik oftmals vor allem um die Vermeidung von Ausfällen und eher nur indirekt um Kosteneinsparungen.“ Nach Schätzungen von Siemens Healthineers verursacht der dreitägige Stillstand eines CT Kosten in Höhe von rund 15 000 Euro, der eines MRT 37 000 Euro. Während eines Ausfalls sind aber auch keine Behandlungen möglich. Es geht somit nicht nur um finanzielle Schäden.
„Kunden wollen einen möglichst ungestörten Betrieb ihrer Geräte – und nicht ständig auf der Matte stehende Servicetechniker“, sagt Dr. Christian Hopf, Leiter Customer Relationship Management im Kundenservice bei Siemens Healthineers. Die Größe und der Preis eines Geräts ist dabei nicht nur laut Hopf das entscheidende Kriterium. „Entscheidend ist die Komplexität. Je mehr bewegte Mechanik, Elektronik und Software in einem Gerät sind, desto eher lohnt sich Predictive Maintanance. Die Kosten für den Ausfall eines Geräts und für das Service-Personal entscheiden letztlich“, sagt Professor Christian Johner, der das Johner-Institut in Konstanz leitet.
Sensorik und Netzwerke –Basis für vorausschauende Instandhaltung
Predictive Maintenance baut auf dem Condition Monitoring auf. Dieses erfasst bereits Echtzeit-Informationen über den Betriebszustand von überwachten Komponenten. Zukunftsorientierte Ausfall- und Verschleißprognosen erfolgten dabei jedoch nicht, betont Herweg von Roland Berger: „Predictive Maintenance markiert deshalb einen Wendepunkt: Mithilfe immer ausgefeilterer Sensorik, leistungsfähiger Kommunikationsnetzwerke und performanter Computing-Plattformen – für die Verarbeitung von Massendaten und deren Abgleich mit Fehlerbildern über stochastische Algorithmen – können Muster in den Betriebsparametern erkannt, simuliert und interpretiert werden. Erst diese Muster ermöglichen die exaktere Berechnung von Lebensdauervorhersagen sowie die Vernetzung aller Betriebsdaten im Gesamtsystem.“
Siemens Healthineers gehört zu den Vorreitern in der Medizintechnik. Dafür hat das Unternehmen vor rund zehn Jahren das Guardian-Programm für das proaktive Monitoring von Großgeräten aufgesetzt. Über eine sichere permanente Netzwerkverbindung übertragen die Geräte Daten an Rechenzentren von Siemens. Hier sitzen Teams mit spezifischen Anlagenkenntnissen und Data Scientists, welche diese Daten interpretieren und korrelieren. „Anfangs haben Spezialisten Log-Files interpretiert, indem sie diese nach bestimmten Schlagwörtern durchsucht haben. Der Trend geht zur Automatisierung dieser Analyse – zukünftig auch mittels künstlicher Intelligenz und Machine Learning“, erläutert Hopf.
MRT liefert laufend Daten über seinen eigenen Zustand
So werden zum Beispiel bei Magnetresonanztomographen kontinuierlich die wichtigsten Bauteile und Parameter rund um den Magneten gemonitort – und so Störungen prognostiziert, die dessen Leistungsfähigkeit negativ beeinflussen können. Dabei liefern eine Vielzahl von Sensoren Daten: Heliumlevel, Schildtemperatur, Kaltkopftemperatur, Druck, Heizleistung, Magnetfeldsensor.
Die Medizintechnik-Sparte war die treibende Kraft für den Aufbau der common Remote Service Platform (cRSP) von Siemens, die für Predicive Maintanance aller Geschäftsbereiche genutzt wird. cRSP ist eine einheitliche IT-Infrastruktur mit verschlüsselten Rechenzentren und IP-Datenverbindungen. Siemens Healthineers ist heute mit 80 % des Datenaufkommens und der genutzten Funktionen der größte Anwender der Plattform, die mittlerweile an ihre Grenzen stößt. Deshalb entwickelt der Konzern derzeit cRSP Next Generation. Sie wird modular aufgebaut sein und durch eine verbesserte Architektur auch deutlich größern Datenmengen bewältigen.
Hohe Stückzahlen ermöglichen bessere Prognosemodelle
„Bei medizinischen Großgeräten ist der Business-Case am einfachsten zu berechnen“, sagt Mayato-Geschäftsführer Dill. Allerdings sind die Stückzahlen hier vergleichsweise gering – und dies kann Predictive Maintenance seiner Erfahrung nach erschweren. „Allgemein gilt, dass sich die Datengrundlage für Prognosemodelle mit der Höhe der Stückzahlen verbessert. Insofern sind vor allem Geräte mit hohen Stückzahlen und hohem Standardisierungsgrad prädestiniert für die vorausschauende Wartung.“
Auch Karl Storz befasst sich mit dem Thema Predictive Maintenance: „Bei einem Endoskop zum Beispiel stellt ein Ausfall des Lichtleiters eine große Verzögerung im OP-Ablauf dar. Würde man die Daten der Geräte fortlaufend aufnehmen, analysieren und feststellen, wann und wo der Lichtleiter an Qualität verliert – vielleicht sogar, bevor man den Verlust visuell überhaupt wahrnehmen kann – könnte man hier noch effizienter arbeiten“, sagt Dr. Lars Mündermann, Project Manager Applied Technology Research bei Karl Storz. Das Unternehmen aus Tuttlingen entwickelt im Projekt Innoplan neue Ansätze, um die Prozesskosten in Krankenhäusern zu senken. Zu den Projektzielen gehört eine smarte OP-Geräteplattform für Predictive Maintenance.
Doch wie geht man ein solches Projekt an? „Die strategische Entscheidung muss ganz oben im Top-Management fallen“, stellt Dill klar. „Ein kleines U-Boot, das aus einem Fachbereich oder von der Entwicklung heraus gestartet wird, ist für einen Proof-of-Concept okay, trägt auf Dauer aber keine Früchte.“
Studie zur vorausschauenden Instandhaltung zeigt Mangel an Zielen
Auch die Studie von Roland Berger belegt, dass die Entwicklung von Predictive-Maintenance-Angeboten bei den Maschinenbauern in erster Linie aus Technologieperspektive und mit dem Vorsatz der Verbesserung des eigenen Produkts getrieben wird. „Mehr als die Hälfte der befragten Unternehmen treibt den Aufbau des neuen Geschäftsmodells noch nicht mit der erforderlichen Systematik – im Sinne einer klaren Strategie mit definierten Geschäftszielen und entsprechenden Entwicklungsbudgets – voran“, so Roland-Berger-Principal Herweg.
„Die große Schwierigkeit bei der Entwicklung solcher Predictive-Maintencance-Modelle sind die Prozesse“, ist Professor Johner überzeugt. Man müsse im Unternehmen die Mauern zwischen den in Silos arbeitenden Abteilungen – Service, Entwicklung, Produktmanagement – einreißen. „Je höher der Software-Anteil bei Projekten und neuen Produkten ist, desto wichtiger ist eine gewisse Agilität.“ Denn die Entwicklung eines Geräts sei durch ein solches Servicemodell niemals abgeschlossen.
„Es braucht zwingend interdisziplinäre Teams“, bestätigt Sascha Denker, Technischer Leiter bei Endocomplete, einem Dienstleister in der Endoskopie mit Sitz in Dassow. „Den Hut sollte ein zentraler Verantwortlicher für die digitale Gesamtstrategie sowie deren Umsetzung mit ausreichender Kompetenz in den Bereichen Medizintechnik sowie Hard- und Software und den nötigen Berechtigungen aufhaben. Das kann zum Beispiel ein Chief Digital Officer sein.“
Vorausschauende Instandhaltung braucht sichere Netze
„Für den Aufbau von Predictive Maintenance braucht man als Anbieter sichere Netze, eine sichere und skalierbare IT-Plattform – und man muss wissen, auf welche Daten man zugreifen muss und wie man sie richtig interpretiert“, sagt Siemens-Manager Hopf.
Diese Einschätzung teilt Mayato. Predictive-Maintenance-Projekte haben laut Dill zwei Komponenten: Einen IT-Infrastruktur- und einen Data-Science-Anteil. IT-Infrastrukur heißt, dass die von den Sensoren erfassten Daten in eine passende IT-Plattform gespeichert werden – einschließlich Metadaten über die Daten, die Sensoren, die Geräte, deren Historie etc.. Die Daten werden hierher migriert und hier auch visualisiert.
Der Data-Science-Anteil umfasst die eigentliche Datenauswertung. Die gute Nachricht von Dill: „Dafür kann man auf eine große Zahl bereits vorhandener Algorithmen zurückgreifen. Entgegen weitverbreiteter Meinung müssen diese in der Regel also nicht neu geschrieben werden.“ Dills schlechte Nachricht: „Die Herausforderung liegt darin, die für meine Daten und Fragestellungen richtigen Algorithmen auszuwählen.“ Dann werden diese konfiguriert. Gegebenenfalls müssen die Daten auch aufbereitet und bereinigt werden: Fehlerhafte Daten werden aufgespürt, defekte Sensoren identifiziert. Dill: „Man muss sich sehr intensiv mit den Daten auseinandersetzen, um zu einem vernünftigen Prognosemodell zu kommen. Das benötigt eine Menge Erfahrung von Data Scientists.“
Technisch geht schon vieles – der Start ist dennoch aufwendig
Der Report von Roland Berger kommt zu ähnlichen Ergebnissen: Demnach sind die technischen Voraussetzungen für Predictive Maintanance aus Sicht der befragten Maschinenbauer überwiegend gegeben. Technische Herausforderungen liegen heute insbesondere im Bereich der Fähigkeiten zur Analyse und Mustererkennung der Betriebs- und Zustandsdaten der Aggregate, zur Verfeinerung der Predictive-Maintanance-Qualität und der Möglichkeit der Erweiterung von Prognose und Entscheidungsunterstützung von Komponenten- oder Maschinenebene auf Produktions- beziehungsweise Systemebene.
Der Aufwand für den Aufbau ein solches Geschäftsmodells ist indes alles andere als Peanuts, wie der Mayato-Geschäftsführer klarstellt: „Unternehmen sollten realistischerweise davon ausgehen, dass man Jahre benötigt, um eine entsprechende skalierbare Infrastruktur aufzubauen, indem man etwa weitere Baureihen oder neue Daten hinzunimmt. Dabei muss man immer eine Lernkurve durchlaufen.“ Ein Proof-of-Concept ist seiner Ansicht nach innerhalb von zwei bis drei Monaten machbar – vorausgesetzt die notwendigen Sensoren an den Geräten sind vorhanden und die Fragestellung ist klar. Falls die Sensoren noch nicht in den Geräten integriert seien, ist auch dies kein Hindernis: Viele Sensoren, die Basis-Daten etwa zu Temperatur oder Vibration liefern, seien kostengünstig zu haben und schnell zu verbauen.
„Viele Medizintechnikhersteller verbauen spezialisierte Sensoren erst nach und nach in ihren neuen Geräten. Dabei ist es dann auch oft unerheblich, ob man deren Daten gegenwärtig überhaupt schon analysiert. Damit will man die Geräte vorbereiten für zukünftige Predictive-Maintenance-Szenarien.“
Ein Hemmnis sind permanente Netzwerkverbindungen
Ein Hemmnis für die Akzeptanz von Predictive Maintenance sieht Professor Johner in den permanenten Netzwerkverbindungen: „Das mögen Krankenhäuser nicht so gerne, da viele von ihnen noch nicht über nicht-segmentierte Netzwerke verfügen. Da ist das Risiko groß, dass sensible Patientendaten über dieses Einfallstor in falsche Hände gelangen.“ Er mahnt die Medizintechnikhersteller zudem, für die Zulassung das Risikomanagement im Fokus zu haben: „Je mehr angreifbare Endpunkte man hat, desto stärker ist die Gefahr des unbefugten Zugriffs. Vielen ist die Gedankenwelt noch fremd, dass man den Nutzen und das Risiko von Predictive Maintenance genau gegeneinander abwägen muss. Die neue Medizinprodukteverordnung hat genau dies aber in den Scope aufgenommen.“ Vor diesem Hintergrund rät Johner den Herstellern: „Nicht alles, was technisch machbar ist, sollte in einem Predictive-Maintenance-Szenario auch tatsächlich realisiert werden.“
Weitere Informationen:
Über die Studie von Roland Berger zu denkbaren Geschäftsmodellen für Predictive Maintenance
Der Nutzen von Predictive Mainenance liegt nach Ansicht von Maschinenbauern primär in der Leistungssteigerung, etwa durch höhere Anlagenverfügbarkeit und -lebensdauerQuelle: VDMA/Roland Berger
Weitere Informationen
Zur Studie „Predictive Maintenance. Service der Zukunft – und wo er wirklich steht“ von Roland Berger/VDMA:
Zu Endocomplete:
Zum Johner-Institut:
Zu Karl Storz:
Zu Mayato:
Zu Siemens Healthineers:
