Refine
Document Type
- Contribution to a Periodical (16)
- Working Paper (7)
- Conference Proceeding (4)
- Internet Paper (4)
- Lecture (3)
- Article (1)
- Book (1)
- Part of a Book (1)
- doctorallecture (1)
- Doctoral Thesis (1)
Language
- German (27)
- English (11)
- Multiple languages (2)
Is part of the Bibliography
- no (40)
Keywords
- 04 (1)
- AR (2)
- Abschlussbericht (1)
- Anreizsysteme (1)
- Asset Management (1)
- Auction Mechanism (1)
- Augmented Reality (2)
- Best Practices Instandhaltung (1)
- Coordination Need (1)
- Digitaler Schatten (2)
Institute
In order to cope with the challenges of an increased demand for flexibility, quality and availability of production, maintenance measures provide a major competiveness factor for manufacturing companies. Yet, interdependencies between maintenance and production activities as well as differing target systems within the functional units of an enterprise, especially production and maintenance, raise needs for extended coordination efforts. This paper aims to develop an innovative approach for the coordination between maintenance and production activities for industrial production companies. To achieve this, the novel coordination mechanism is used. It helps to achieve maximised operational availability— for a maximised output of the production system at optimal costs. Based on the developed model, the present paper identifies findings regarding the impact of different maintenance strategies on the medium-term economic efficiency of the production system.
Um den wachsenden Anforderungen an die globalen Wertschöpfungsnetzwerke in Bezug auf Effizienz und Zuverlässigkeit gerecht zu werden, sehen sich produzierende Unternehmen damit konfrontiert, mit minimalem Ressourceneinsatz höchsten Ansprüchen an Qualität und Versorgungssicherheit gerecht werden zu müssen. Dies rückt die zuverlässigkeitsorientierte Instandhaltung als Mittel für den effizienten Ressourceneinsatz bei gleichzeitiger Minimierung von Risiken für die Verfügbarkeit, die Produktivität und die Qualität der Anlagen in den Mittelpunkt einer auf die Zukunft ausgerichteten Instandhaltungsgestaltung. Eine Möglichkeit, die Aufwände und die Erfolgswahrscheinlichkeit für die Einführung und den Betrieb der zuverlässigkeitsorientierte Instandhaltung zu steigern, bietet sich durch die zunehmende, kostengünstige Verfügbarkeit und Auswertbarkeit von Daten. Dadurch wird ein Beitrag für die nachhaltige Steigerung des Wertbeitrags der Instandhaltung für das gesamte Wertschöpfungsnetzwerk geleistet. Die vorliegende Arbeit dient dem Ziel, praktikable Modelle für eine datenbasierte zuverlässigkeitsorientierte Instandhaltung zu schaffen. Dafür werden die Elemente der zuverlässigkeitsorientierten Instandhaltung beschrieben und ihre Zusammenhänge erklärt. Die Beschreibungs- und Erklärungsmodelle werden durch ein Vorgehensmodell ergänzt, welches die praktische Implementierung der datenbasierten zuverlässigkeitsorientierten Instandhaltung in der produzierenden Industrie ermöglicht. Für die Entwicklung und Validierung der Modelle wurde ein intensiver Austausch mit der Praxis über Experteninterviews, Workshops und Projekten gewährleistet. Die entwickelten praxisnahen Modelle leisten damit einen Beitrag für die Verbesserung und Gestaltung von Instandhaltungsprozessen und -organisationen. Darüber hinaus können die Modelle der Gestaltung von Anwendungssystemen für die Entscheidungsunterstützung in der Instandhaltung dienen.
(Quelle: https://www.apprimus-verlag.de/datenbasierte-zuverlassigkeitsorientierte-instandhaltung-von-produktionsanlagen.html)
Die Potenziale einer Smart Maintenance sind vielseitig und reichen von der Bereitstellung bzw. Steigerung der Produktivität und Qualität bis hin zur langfristigen Sicherung interner Kompetenzen. Im Zuge dieser Entwicklung versteht sich die Instandhaltungsorganisation zunehmend als Inkubator interner, digitaler Transformationsprozesse und wird so zu einem essenziellen Wertschöpfungspartner innerhalb des Unternehmens. Mit Hilfe der Smart Maintenance Roadmap wird dieser Weg für produzierende Unternehmen aufgezeigt und umgesetzt. Nach der Bestimmung des Zielsystems und der Positionsbestimmung mit Hilfe des adaptierten Industrie 4.0 Maturity Index werden in der Roadmap alle Projekte entlang der dafür notwendigen Fähigkeiten verortet und umgesetzt.
In Germany’s transition to a more sustainable industrial landscape, electricity generated by wind turbines (WT) remains a mainstay of the energy mix. Operating and maintenance costs, which account for roughly 25% of electricity generation costs in onshore WTs make improvements of maintenance activities a key lever in the economic operation of WTs. Prescriptive maintenance is a possible approach for improved maintenance activities. It is a concept where asset condition data is used to recommend specific actions and has great potential for the operation of wind parks. However, especially small, but also large wind park operators, and maintenance service providers often struggle with the implementation of such a new maintenance approach. As a part of the research project ReStroK, a learning game has been developed to support the training and familiarization of maintenance technicians with the concepts and underlying principles of this maintenance approach. In this paper, the concept for the development of a learning game will be presented. Multiple scenarios for its usage and their corresponding requirements will be discussed and an overview over the game will be given.
Erfolgsprinzipien der Smart Maintenance – Was wir von den Besten aus der Praxis lernen können
(2019)
Der Industriestandort Deutschland befindet sich im Wandel. Neue, digitale Technologien ermöglichen es, Betriebs-, Zustands- und Ereignisdaten in stetig steigender Menge zu erfassen, aufzubereiten, zu analysieren und für die industrielle Anwendung nutzbar zu machen. Dieser Nutzen zeichnet sich durch die Beschleunigung der unternehmerischen Entscheidungs- und Anpassungsprozesse aus und stellen damit das eigentliche Potenzial von ‚Industrie 4.0‘ dar. An dieser Stelle stehen Unternehmen heute vor der Herausforderung, die Transformation zur Smart Maintenance effektiv und effizient zu gestalten. Zu häufig neigen Unternehmen dazu, „das Rad wiederkehrend neu zu erfinden“, da Praxiseinblicke über die eigenen Standort- und Unternehmensgrenzen hinweg fehlen. Um eben jene benötigten Praxiseinblicke und Erfahrungswerte liefern zu können, wurde am FIR an der RWTH Aachen gemeinsam mit sechs Industriepartnern sowie dem Fraunhofer IML aus Dortmund das „Konsortial-Benchmarking Smart Maintenance“ durchgeführt. Anhand eines eigenen Ordnungsrahmens wurden zentrale Fragestellungen der Smart Maintenance identifiziert und mittels Fragebogenstudie untersucht. Durch die angeknüpfte statistische Auswertung konnte zwischen sogenannten ‚Top-Performern‘ (TP) und ‚Followern‘ (FL) unterschieden werden. In diesem Beitrag werden ausgewählte Ergebnisse der Studie sowie der Interviews den Ebenen des Ordnungsrahmens folgend vorgestellt.
Augmented reality seems to offer great potential benefits in the field of industrial services. However, the question of the exact benefits, both monetary and qualitative, is difficult to evaluate, as is the case with IT investments in gen-eral. Within the framework of the DM4AR research project, an evaluation model was therefore developed. Based on group discussions and interviews on potential AR use cases, a list of monetary and qualitative benefits was compiled to form the basis for selecting suitable evaluation modules in the existing literature. These include an impact chain analysis in the form of a strategy map, a monetary eval-uation as a calculation of the return on investment, based on the assumptions of the use case as well as existing studies, and a qualitative evaluation in the form of a utility analysis. The outcome is an evaluation model in the form of a multi-perspective approach that considers the impact of AR in the four perspectives of the balanced scorecard (financial, customer, internal business processes, learning and growth). The results of the qualitative and monetary evaluation can be sum-marized in a 2D matrix to support decision-making.
Predictive Maintenance ist überall: in den Vorstandsebenen, in unzähligen Veröffentlichungen und auf Messeständen, die vollgepackt mit Softwareapplikationen und Sensorik sind. Der einzige Ort, an dem Predictive Maintenance noch nicht angekommen ist, ist der Shopfloor.
Viele Erwartungen an Predictive Maintenance werden durch clevere Werbebotschaften und die Hoffnung der Anwender befeuert. Es gibt keine Technologie, welche sofort, kostengünstig und zuverlässig alle Probleme löst. Störungen lassen sich auch nicht durch PowerPoint-Folien oder – ehrlicherweise – durch ein paar schön gestaltete Seiten in einer Fachzeitschrift beheben.
Was diese dreiteilige Reihe jedoch kann, ist Ihnen eine weitere Perspektive aufzuzeigen, damit Sie Ihre Instandhaltung nachhaltig weiterentwickeln können.
Eine Vielzahl innovativer, digitaler Technologien, wie z. B. Machine Learning und AR/VR, drängen derzeit auf den Markt. Die Nutzung dieser Technologien eröffnet der Instandhaltung das große Potential, die bedarfsgerechte Verfügbarkeit von Maschinen/Anlagen datenbasiert, effektiver und effizienter gewährleisten zu können. Folglich gewinnt die Instandhaltung künftig einen noch höheren Stellenwert hinsichtlich ihres Beitrags zum Unternehmenswert. Die Basis hierfür bilden digital verfügbare Daten, genauer Betriebs-, Zustands, und Ereignisdaten. Als ein vielversprechender Use Case hat sich hier in den letzten Jahren das Konzept „Predictive Maintenance“ hervorgetan, bei dem mittels Prognosemodellen Ausfallzeitpunkte von Maschinen/Anlagen bzw. deren Komponenten vorhergesagt und entsprechende Instandhaltungsbedarfe abgeleitet werden können. Die resultierende prädiktive Instandhaltungsstrategie zählt zu einem wichtigen Bestandteil der Smart Maintenance. Einblicke in die Praxis zeigen jedoch, dass es vielen Unternehmen aktuell noch schwerfällt, die notwendigen Technologien mit der bestehenden Instandhaltungsorganisation zusammenzuführen. Die dafür notwendigen Entwicklungsschritte, wie sie z. B. der „acatech Indsturie 4.0 Maturity Index“1 beschreibt, sind Unternehmen häufig unbekannt. Zudem fehlen oftmals praxisnahe Einblicke, die über die eigenen Unternehmensgrenzen hinausgehen. Entsprechend neigen viele Unternehmen dazu, auf dem Weg zur Etablierung von Predictive Maintenance das Rad für sich stets neu zu erfinden.
Vor diesem Hintergrund hat das FIR an der RWTH Aachen eine umfangreiche Konsortialstudie zum Thema Smart bzw. Predictive Maintenance erstellt2. Zusammen mit sieben Partnern aus Industrie und Forschung (u.a. Daimler, Evonik und thyssenkrupp Industrial Solutions) konnten vielversprechende Ansätze von erfolgreichen Unternehmen (Top-Performer) identifiziert und durch zusätzliche Fallstudien sowie Unternehmensbesuche, übergeordneten Erfolgsprinzipien definiert werden. Die Ergebnisse unterstützen somit Unternehmen bei der Gestaltung ihrer Aktivitäten.
Die Studie konnte zeigen, dass für die Anwendung datenbasierter Instandhaltungskonzepte, wie Predictive Maintenance, zunächst eine geeignete Basis geschaffen werden muss. Diese setzt sich aus einer (detaillierten) digitale Anlagenstruktur sowie dem systematischen Erfassen von Betriebs-, Zustands- und Ereignisdaten zusammen. Hier konnte den Ergebnissen der Studie entnommen werden, dass Top-Performer viel Aufwand in eine klare, prozessorientierte Datenerfassung investieren und bevorzugt auf vorhandene Standards (z. B. OPC UA) zurückgreifen. Das Abarbeiten dieser „Hausaufgaben“ im ersten Schritt ist für Top-Performer unerlässlich, bevor mit dem Aufbau prädiktiver Fähigkeiten begonnen werden kann. Für das Meistern des nächsten Entwicklungsschrittes, im Sinne des Industrie 4.0 Maturity Index, bedarf es anlagespezifischer Prognosemodelle, mit deren Hilfe potentielle Störungen oder kritische Ereignisse frühzeitig identifiziert werden können. Auch hier hat die Studie angesetzt und konnte so unter anderem die Aufarbeitung schwerwiegender Störungen als einen Haupt-Anwendungsfall für die Datenanalyse identifizieren. Zusätzlich konnte gezeigt werden, dass erfolgreiche Instandhaltungsorganisationen häufig langfristige Partnerschaften mit IT-/Data-Analytics-Dienstleistern eingehen, um so die neuen Technologien agil und flexibel an die eigenen Bedürfnisse anpassen zu können. Hierdurch können Top-Performer sowohl vorhandene Kapazitäts- als auch Know-How-Engpässe auffangen.
Neben der Entwicklung digitaler Kompetenzen liegt das Hauptaugenmerk aus Unternehmenssicht auf dem wirtschaftlichen Potential von Predictive Maintenance – insbesondere in der Einsparung indirekter Instandhaltungskosten (z. B. Ausfallfolgekosten). Allerdings zeigt die Studie, dass erst wenige Unternehmen solche indirekten Kosten – bspw. entgangene Deckungsbeiträge durch Produktionsausfall/Qualitätsverluste oder erhöhte Aufwände für die Neu-/Umplanung des Produktions-/Instandhaltungsprogramms – messen können. Trotzdem können Unternehmen durch den Erfahrungsgewinn im Bereich Datenerfassung/-analyse auf dem Weg zu Predictive Maintenance bereits andere Nutzenpotentiale realisieren, die wiederum zur Steigerung von Produktivität oder Qualität genutzt werden können. In diesem Sinne leistet die Transformation zu Predictive Maintenance vor allem hier einen wichtigen Wertbeitrag für produzierende Unternehmen, der über die reine Vorhersage von Ausfallzeitpunkten hinausgeht.
Viele Erwartungen an Predictive Maintenance werden durch clevere Werbebotschaften und die Hoffnung der Anwender befeuert. Es gibt keine Technologie, welche sofort, kostengünstig und zuverlässig alle Probleme löst. Störungen lassen sich auch nicht durch PowerPoint-Folien oder – ehrlicherweise – durch ein paar schön gestaltete Seiten in einer Fachzeitschrift beheben. Was diese dreiteilige Reihe jedoch kann, ist, Ihnen eine weitere Perspektive aufzuzeigen, damit Sie Ihre Instandhaltung nachhaltig weiterentwickeln können. Um zu verstehen, warum von Predictive Maintenance so viel auf
Folien und so wenig in der Realität sehen ist, ist es wichtig, den Begriff und die Zusammenhänge, die dahinterstehen, zu verstehen. Predictive Maintenance bedeutet Zustandsprognose und hat zum Ziel, die Frage zu klären, wie der Zustand einer Maschine oder Anlage in der Zukunft sein
wird. In diesem einen Wörtchen ‚wird‘ liegt auch die besondere Herausforderung bei der Zustandsprognose. Fangen wir aber vorne an und klären, wie sich die Technologie beziehungsweise das ‚Buzzword‘ Predictive Maintenance in die Industrie 4.0 einfügt. Die Zustandsprognose wird in den Industrie 4.0 Maturity Index der Acatech in die Reifegradstufe 5 ‚Prognosefähigkeit‘ eingeordnet. Die Stufen des Reifegradmodells beruhen darauf, dass jede Stufe mit einer Fähigkeit verbunden ist, welche notwendig für das Erreichen der darauffolgenden ist. Im Folgenden werden daher zusätzlich die Stufen 3 ‚Sichtbarkeit‘ und 4 ‚Transparenz‘ erläutert, da diese aufeinander aufbauen, die Differenzierung der Stufen erleichtern und die Logik des I 4.0 Maturity Index verdeutlichen.