Die sechs Ausfallmuster: Warum die meisten Anlagen nicht planmäßig verschleißen.

Die sechs Ausfallmuster sind die sechs Kurven der bedingten Ausfallwahrscheinlichkeit, die Stanley Nowlan und Howard Heap in ihrer Zuverlässigkeitsstudie von 1978 für United Airlines identifizierten und zeigen, dass die Wahrscheinlichkeit, dass ein bestimmtes Bauteil ausfällt, nicht einer universellen „Verschleiß“-Form folgt.

Ihre Arbeit, finanziert vom US-Verteidigungsministerium und später grundlegend für Reliability Centered Maintenance (RCM), widerlegte eine bequeme Annahme: dass die meisten Geräte vorhersehbar altern und durch geplante Überholungen geschützt werden können. Die Daten sagten etwas anderes.

Für Instandhaltungsplaner ist dies der wichtigste einzelne Grund, Ausgaben weg von blindem kalenderbasiertem Austausch und hin zu zustandsbasierten Maßnahmen zu verlagern.

Was Nowlan und Heap tatsächlich gemessen haben

Nowlan und Heap haben für große Populationen von Flugzeugbauteilen geplottet, wie sich die bedingte Ausfallwahrscheinlichkeit als Funktion des Betriebsalters verändert. Die bedingte Wahrscheinlichkeit ist die Chance, dass ein Bauteil im nächsten Intervall ausfällt, vorausgesetzt, es hat bis jetzt überlebt.

Sie stellten fest, dass sich diese Kurven in sechs unterschiedliche Formen gruppierten und, was entscheidend ist, dass nur drei von ihnen ein mit dem Alter ansteigendes Ausfallrisiko zeigen. Die anderen drei sind flach oder nehmen mit der Zeit ab, was bedeutet, dass ältere Teile nicht wahrscheinlicher ausfallen als jüngere.

Diese Erkenntnis steht in engem Zusammenhang mit, ist aber breiter als die klassische Badewannenkurve, die nur eines der sechs Muster darstellt. Die Badewannenkurve ist intuitiv und wird überall noch gelehrt, beschrieb jedoch eine Minderheit der untersuchten Bauteile. Um alle sechs Muster zu verstehen, braucht man ein grundlegendes Verständnis der Ausfallstatistik; die Weibull-Verteilung ist das übliche Werkzeug, um diese Kurven an reale Daten anzupassen.

Die sechs Muster, eins nach dem anderen

• Muster A (Badewanne): hohe Frühausfälle zu Beginn, ein langes flaches Mittelfeld, dann ein Verschleißanstieg am Ende. Ungefähr 4 Prozent der Teile.
• Muster B (Verschleiß): konstantes oder langsam ansteigendes Risiko, dann eine scharfe Verschleißzone. Der klassische „austauschen nach Plan“-Fall. Etwa 2 Prozent.
• Muster C (steigend): eine stetig ansteigende Ausfallwahrscheinlichkeit ohne deutliches Verschleißknie. Etwa 5 Prozent.
• Muster D (anfänglicher Anstieg, dann konstant): das Risiko steigt schnell und erreicht nach der Inbetriebnahme ein Plateau. Etwa 7 Prozent.
• Muster E (zufällig): konstante Ausfallwahrscheinlichkeit in jedem Alter. Ausfälle sind jederzeit gleich wahrscheinlich. Etwa 14 Prozent.
• Muster F (Frühversagen): hohe frühe Ausfallrate, die auf ein niedriges, annähernd konstantes Niveau abfällt. Das häufigste Muster, etwa 68 Prozent der Teile.

Zählt man die drei altersabhängigen Muster (A, B und C) zusammen, kommt man auf ungefähr 11 Prozent. Die verbleibenden 89 Prozent (D, E und F) werden von zufälligen oder Anfangsausfällen dominiert, bei denen eine geplante Überholung nichts nützt und sogar neue Frühversagensfehler einführen kann.

Ein Rechenbeispiel: warum kalenderbasierte PM nach hinten losgeht

Stellen Sie sich eine Flotte von 200 identischen Getriebelagern vor, die Muster F folgen. In den ersten 500 Betriebsstunden verursachen Anfangsdefekte (mangelhafte Montage, Kontamination) 12 Ausfälle. Nach dieser Einlaufphase sinkt die Population auf eine niedrige zufällige Rate von etwa 1 Ausfall pro 1.000 Lagerstunden.

Ein Planer legt einen „sicheren“ planmäßigen Austausch nach 4.000 Stunden fest. Da die Lager nicht verschleißen, ersetzt jeder dieser Austausche ein gesundes Lager durch ein neues, und jede Neuinstallation tritt wieder in die 500‑Stunden‑Frühversagenszone ein.

Wenn selbst 6 Prozent der Neuinstallationen einen Defekt aufweisen, haben Sie absichtlich eine neue Welle von Frühausfällen bei einem Bauteil erzeugt, das zuvor einwandfrei lief. Die kalenderbasierte PM hat das Risiko nicht verringert; sie hat es recycelt.

Eine zustandsbasierte Instandhaltungsstrategie , die Vibration und Temperatur überwacht, würde die gesunden Lager in Ruhe lassen und nur bei tatsächlich verschlechternden Exemplaren eingreifen.

Was das für Ihre Instandhaltungsstrategie bedeutet

Die praktische Schlussfolgerung lautet nicht „Hört auf, präventive Instandhaltung durchzuführen.“ Es geht darum, die Taktik an das Muster anzupassen. Zeitbasierter Austausch lohnt sich nur bei Bauteilen, die tatsächlich ein altersbedingtes Verschleißen zeigen (Muster A, B und C, und selbst dann nur, wenn ein klarer, dominanter Verschleißpunkt vorliegt).

Für die übrigen Fälle lautet die RCM-Antwort zustandsbasierte Aufgaben, Fehlerfindungsprüfungen, Neugestaltung oder die bewusste Entscheidung, bis zum Ausfall zu fahren, wenn die Folgen tolerierbar sind.

1. Klassifizieren Sie für jedes kritische Asset den dominanten Ausfallmodus anhand Ihrer eigenen Historie, nicht nach einer generischen Annahme. Eine strukturierte FMEA ist der standardmäßige Ausgangspunkt.
2. Bei zufälligen und Frühversagensmustern verlagern Sie den Aufwand auf Überwachung und auf das Vermeiden von Installationsfehlern (bessere Inbetriebnahme, Drehmomentkontrolle, Sauberkeit).
3. Verfolgen Sie MTBF und MTTR pro Ausfallmodus, damit Sie sehen können, ob eine Intervention die Zuverlässigkeit tatsächlich verbessert hat.
4. Behalten Sie planmäßige Hard‑Time‑Überholungen für die Minderheit der Assets mit nachgewiesenem Verschleißverhalten vor.

Hier wird auch die breitere Debatte über reaktive versus proaktive Instandhaltung schärfer: proaktiv muss nicht kalendergetrieben sein, und oft sollte es das nicht.

Wie Sie die Daten bekommen, um Muster ehrlich zu klassifizieren

Der unbequeme Grund, warum viele Betriebe automatisch auf kalenderbasierte PM zurückgreifen, ist, dass ihnen die Ausfallhistorie fehlt, um diese Kurven überhaupt zu zeichnen. Ein Bauteil als „zufällig“ oder „verschleißbedingt“ zu klassifizieren erfordert zeitgestempelte Ausfallaufzeichnungen, Betriebsstunden und Zustandsmesswerte. Ohne diese Informationen greifen Planer auf den am sichersten klingenden Zeitplan zurück.

Zuverlässige Musteranalyse hängt von einem disziplinierten CMMS ab, das jeden Arbeitsauftrag mit dessen Ausfallursache erfasst, und von Echtzeit‑Zustandssignalen statt manueller Kontrollgänge. Sauberere Daten verbessern außerdem direkt Ihre Overall Equipment Effectiveness (OEE) , weil ungeplante Stillstände abnehmen, wenn die Instandhaltung die tatsächlich verschlechternden Anlagen ins Visier nimmt.

Wo Fabrico ins Spiel kommt

Die Anwendung der sechs Ausfallmuster ist nur so gut wie die zugrundeliegenden Daten, und genau diese Ebene liefert Fabrico. Fabrico ist eine Echtzeit‑OEE‑ und Produktionsüberwachungsplattform kombiniert mit einem einsatzbereiten CMMS, die Ihnen die zeitgestempelte Ausfallhistorie, Betriebsstunden und Arbeitsauftragsdetails liefert, die nötig sind, um das tatsächliche Ausfallverhalten jedes Assets zu klassifizieren, statt zu raten.

Seine Computer‑Vision‑Überwachung erfasst den Maschinenzustand sogar bei älteren Anlagen ohne SPS, sodass Zustands‑Signale genau für die Legacy‑Assets verfügbar sind, die am häufigsten zufällige oder Frühversagensmuster zeigen. Arbeitsaufträge, Anlagenregister, präventive Planung und Ersatzteilverwaltung liegen an einem Ort, und Fabrico ist in der EU entwickelt mit EU‑Datenresidenz.

Fabrico ist die Echtzeit‑Datenbasis, die einem Zuverlässigkeitsteam erlaubt, evidenzbasiert zu entscheiden, welche Assets einen Plan verdienen und welche beobachtet werden sollten.

Häufig gestellte Fragen

Bedeutet die 11‑Prozent‑Zahl, dass geplante Instandhaltung Zeitverschwendung ist?

Nein. Sie bedeutet, dass ein planmäßiger Austausch nach fester Lebenszeit nur bei den etwa 11 Prozent der Komponenten wirksam ist, deren Ausfallrisiko tatsächlich mit dem Alter steigt. Für diese Assets ist es genau die richtige Taktik. Der Punkt ist, dass die Anwendung eines Kalenderplans auf die übrigen 89 Prozent Arbeitskräfte und Ersatzteile verschwendet und neue Frühversagen einführen kann, daher muss die Taktik an das tatsächliche Muster jedes Bauteils angepasst werden.

Worin unterscheidet sich das von der Badewannenkurve?

Die Badewannenkurve ist nur eines der sechs Muster (Muster A). Nowlan und Heap zeigten, dass sie nur auf einen kleinen Anteil der untersuchten Komponenten zutraf. Die Badewanne als universelles Modell zu behandeln führt Planer dazu, eine Verschleißzone zu erwarten, die die meisten Geräte nie erreichen, genau diese Annahme hat ihre Forschung korrigiert.

Was brauche ich, bevor ich meine eigenen Anlagen klassifizieren kann?

Sie benötigen für jedes Asset eine Ausfallhistorie mit Datum und Betriebsstunden, den Ausfallmodus für jedes Ereignis und idealerweise Zustandsdaten wie Vibration‑ oder Temperaturtrends. Mit genügend Aufzeichnungen können Sie pro Ausfallmodus eine Weibull‑Kurve anpassen und sehen, welches der sechs Muster dominiert. Die meisten Werke stellen fest, dass das begrenzende Problem die Disziplin bei der Datenerfassung ist, nicht die Statistik selbst.

Bereit, Aufholungen an Assets zu stoppen, die nie verschleißen? Sehen Sie, wie Fabrico Echtzeit‑Maschinendaten und strukturierte Arbeitsauftrags‑Historie in die Evidenzbasis für intelligentere Instandhaltungsentscheidungen verwandelt. Buchen Sie eine Fabrico‑Demo und setzen Sie Ihre Ausfalldaten produktiv ein.