Fraunhofer Austria
Wenn eine Maschine ungeplant ausfällt, steht die gesamte Produktion still. Barilla Deutschland kannte dieses Problem nur zu gut an ihren ausfallkritischen Teigformmaschinen. Wartungen erfolgen nach starren Intervallen und Reparaturen meist reaktiv - was meist zu früh oder spät und damit kostspielig ist.
Die Ausgangslage
Barilla Deutschland ist nicht allein, viele Produktionsbetriebe kennen das Dilemma: Wartungspläne basieren auf Erfahrungswerten, nicht auf Daten. Störungen kommen ohne Vorwarnung. Das kostet Zeit, Geld und Nerven – besonders bei Anlagen, die im Mehrschichtbetrieb laufen und eigentlich keine Ausfallzeit erlauben.
Das Vorgehen
Fraunhofer Austria analysierte in einem dreimonatigen Projekt die realen Betriebs- und Störungsdaten der Maschine. Zunächst wurden bestehende Wartungs- und Störungsprotokolle systematisch aufgearbeitet. Parallel dazu erfasste ein nachgerüstetes Retrofit-Sensorsystem neue Maschinendaten direkt am laufenden Betrieb. Auf dieser Basis folgte eine explorative Datenanalyse: Welche Signale kündigen einen Wartungsbedarf tatsächlich an? Welche Frequenzbereiche sind für eine kosteneffiziente Sensorik relevant? Die Ergebnisse flossen direkt in eine praxistaugliche Smart-Maintenance-Roadmap ein.
Die Ergebnisse
Innerhalb von drei Monaten lieferte das Projekt konkrete, umsetzbare Erkenntnisse:
- Datenquellen aus mehr als einem Jahr Maschinenbetrieb wurden strukturiert und nach Datenqualität bewertet – die Grundlage für alle weiteren Analysen.
- Ein Proof-of-Concept bewies: Zustandsveränderungen vor und nach Wartungseingriffen sind sensorisch erkennbar und messbar.
- Die Analyse identifizierte jene Frequenzbereiche, die für eine skalierbare, kosteneffektive Sensoriklösung am relevantesten sind.
- Das Projekt schloss mit konkreten Handlungsempfehlungen ab – für bessere Störungsdokumentation, gezielte Sensorik-Skalierung und die nächsten Schritte Richtung Predictive Maintenance.
Fazit
Predictive Maintenance ist kein Zukunftsprojekt – es beginnt mit den Daten, die heute schon vorhanden sind. Fraunhofer Austria zeigt, wie aus vorhandenen Maschinen- und Wartungsdaten ein belastbares Frühwarnsystem entsteht: systematisch, datengetrieben und direkt auf die Produktion zugeschnitten.
Haben Sie ähnliche Herausforderungen in Ihrer Produktion? Sprechen Sie mit Fraunhofer Austria – und machen Sie den ersten Schritt von reaktiver Wartung zu planbarer Instandhaltung.
»Das Projekt zeigt uns konkret, wie wir mit Sensorik und Datenanalyse erste Schritte Richtung Predictive Maintenance gehen können. Besonders wertvoll war für uns die Kombination: eine genaue Betrachtung unserer Teigformmaschine, eine Analyseplattform und eine klare Maßnahmenliste – damit wird Instandhaltung planbar.«
Andreas Kersting, Instandhaltungsleiter Werk Celle