Refine
Document Type
- Contribution to a Periodical (14)
- Working Paper (7)
- Internet Paper (4)
- Conference Proceeding (3)
- Lecture (3)
- Article (1)
- Book (1)
- Part of a Book (1)
- doctorallecture (1)
- Doctoral Thesis (1)
Language
- German (26)
- English (10)
- Multiple languages (1)
Is part of the Bibliography
- no (37)
Keywords
- 4 (1)
- AR (2)
- Abschlussbericht (1)
- Anreizsysteme (1)
- Asset Management (1)
- Auction Mechanism (1)
- Augmented Reality (1)
- Best Practices Instandhaltung (1)
- Coordination Need (1)
- Digitaler Schatten (2)
- Forschung (1)
- Forschungsprojekt (2)
- Industrial Production Companies (1)
- Industrie 4.0 (7)
- Industrielles Dienstleistungsmanagement (1)
- Informationslogistik (1)
- Instandhaltung (11)
- Instandhaltungsmanagement (1)
- Internet of Production (2)
- Investment Scenarios (1)
- IoP (1)
- Konferenz (1)
- Lean Services (2)
- Lean Services 4.0 (2)
- Learning Game (1)
- Maintenance (2)
- Predictive Maintenance (3)
- Prescriptive Maintenance (1)
- RCM (1)
- Realitätscheck Teil 1 (1)
- Realitätscheck Teil 2 (1)
- Realitätscheck Teil 3 (1)
- Reliability (1)
- Reliability Centered Maintenance (1)
- Risikomanagement (1)
- Roadmap (1)
- SV 7244 (1)
- SV7207 (1)
- SV7234 (1)
- SV7250 (1)
- SV7252 (1)
- SV7258 (1)
- SV7318 (1)
- SV7368 (1)
- Sales-Service (4)
- Service (6)
- Servicetechniker (1)
- Smart Maintenance (7)
- Smart Maintenance Roadmap (1)
- Smart Services (1)
- System Dynamics Simulation Model (1)
- Training (1)
- U1020 (1)
- Vertrieb (1)
- acatech (1)
- asset management (1)
- criticality analysis (1)
- digital shadow (1)
- information logistics model (1)
- intelligent support system (1)
- internet of production (1)
- maintenance (1)
- rev (1)
- risk analysis system (1)
- risk management (1)
- smart maintenance (1)
Institute
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)
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.
Eine Steigerung des Wertbeitrags der Instandhaltung kann nur im Zusammenspiel mit der Belegschaft sowie internen und externen Anspruchsgruppen geschehen.
Dabei bieten digitale Technologien eine Möglichkeit, Prozesse und Entscheidungen punktuell effizienter und besser zu machen. Eine nachhaltige Transformation muss jedoch nicht nur technologisch, sondern vor allem auch methodisch gestaltet werden.
Dabei müssen bewährte Methoden der zuverlässigkeitsorientierten
Instandhaltung und des Lean Managements mit den digitalen Technologien zusammenspielen, um den größtmöglichen Effekt für das Unternehmen zu erzielen.
Industry 4.0 and Smart Maintenance represent a great opportunity to make manufacturing and maintenance more effective, safer, and reliable. However, they also represent massive change and corresponding challenges for industrial companies, as many different options and starting points have to be weighed and the individual right paths for achieving Smart Maintenance need to be identified. In our paper, we describe our approach to evaluating maintenance organizations in a case study for the oil and gas industry, developing a shared vision for the future, and deriving economical and effective measures. We will demonstrate our approach, by showcasing a specific example from the oil and gas industry, where a need for action on HSE-relevant critical flanges in the company's piping systems was identified. We describe the steps, that were taken to identify the need for action, the specifications of the project and the criticality analysis of the piping system. This resulted in the derivation of a digitalization measure for critical flanges, which was first commercially analyzed and then the flanges were equipped with a continuous monitoring solution. Finally, a conclusion is drawn on the performed procedure and the achieved improvements.
Die Smart Maintenance befähigt die Mitarbeitenden in der Instandhaltung dazu, datenbasierte Entscheidungen zu treffen, dabei unternehmensinterne und -externe Anspruchsgruppen zu berücksichtigen und so den unternehmerischen und gesellschaftlichen Wertbeitrag der Instandhaltung und des Service zu steigern. In der Fachgruppe Smart Maintenance am FIR entwickeln Expert:innen Modelle, Methoden und Werkzeuge für die umfassende technologische und organisatorische Transformation der Instandhaltung und des Service.
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 diese zweiteilige Artikelreihe beheben. Das FIR an der RWTH Aachen wird jedoch eine Perspektive zeigen, die Entscheider befähigt, eine "informierte" Entscheidung für eine effiziente und effektive Weiterentwicklung ihres Service zu treffen. [Florian Defer, FIR e. V. an der RWTH Aachen]
Viele Erwartungen an Predictive Maintenance werden durch clevere Werbebotschaften und die Hoffnung der Anwender befeuert. Störungen lassen sich auch nicht durch Power-Point-Folien oder – ehrlicherweise – durch ein paar schön gestaltete Seiten in einer Fachzeitschrift beheben. Was dieser Artikel jedoch kann, ist Ihnen eine weitere Perspektive aufzuzeigen, damit Sie Ihre Instandhaltung nachhaltig weiterentwickeln können.
Augmented Reality im Service
(2020)
Der gesellschaftliche Umbau zu einer Wissensgesellschaft mit all ihren Implikationen hat Wissen zu dem zentralen Erfolgsfaktor jedes Unternehmens gemacht. Gleichzeitig wird der Fachkräftemangel in den kommenden Jahren immer weiter ansteigen. Schon jetzt sorgt er im Mittelstand für jährliche Umsatzeinbußen von fast 50 Milliarden Euro und gilt als eine der größten Wachstumsbremsen der deutschen Wirtschaft. Die Auswirkungen des Fachkräftemangels zeigen sich insbesondere im technischen Service, wo hoch-individualisierte Maschinen und Anlagen Expertenwissen sowie die Bereitschaft zur stetigen Weiterbildung erfordern.
Predictive Maintenance ist eine vielversprechende Technologie, die jedoch mit einem großen Implementierungsaufwand verbunden ist. Ein strukturiertes Vorgehen in Form einer Roadmap kann dabei helfen, den richtigen Hebel zu finden und die eigenen Ressourcen bestmöglich einzusetzen. Die Roadmap schafft Sicherheit für die Mitarbeiter, setzt einzelne Investitionsentscheidungen in einen größeren Kontext und sichert sie ab. In der vorangegangenen Ausgabe haben wir uns im Artikel „Predictive Maintenance: Realitätscheck" angeschaut, was „predictive" im Kontext des technischen Service bedeutet. Der folgende Artikel soll einen Eindruck darüber vermitteln, wie sich dies in einer Servicestrategie einbetten lässt.
Als größter Berufsverband für Beschäftigte im Kundendienst und im After-Sales-Service innerhalb der DACH-Region verbindet der Kundendienst-Verband Deutschland e. V., kurz KVD, unterschiedliche Akteure im Thema Service, so zum Beispiel aus Wissenschaft und Wirtschaft. Dabei gelingt es dem KVD nicht nur, seine Mitglieder untereinander zu vemetzen, sondern ihnen stets brandaktuelle Inhalte anzubieten. Die enge Kooperation mit Forschungseinrichtungen ermöglicht es dem KVD und seinen Mitgliedern immerwieder, neue Themen und nützliche Werkzeuge für die praktische Anwendung zur Verfügung zu stellen. Schwerpunktmäßig setzt der Verband sich in den letzten Jahren forschungsseitig mit Themen im Bereich einer modernen Serviceorganisation sowie der Digitalisierungvon After-Sales-Services auseinander. Im Forschungskalender auf dieser Doppelseite stellen wir regelmäßig aktuelle Projekte mit KVD-Beteiligung vor und sagen, wie KVD-Mitglieder mitmachen und profitieren können.
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.
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.
Der Weg zum flächendeckenden Einsatz von Predictive Maintenance ist noch weit. Einzelne Anwendungsfälle können jedoch jetzt schon umgesetzt werden und sich auch wirtschaftlich rentieren. Der Aufwand zur Umsetzung betrieben werden muss ist jedoch sehr hoch, daher sollten Projekte nicht unbedarft angegangen werden.
In den letzten Ausgaben haben wir uns angeschaut, was Predictive Maintenance eigentlich ist und wie eine effektive Weiterentwicklung der Instandhaltung aussehen kann. Der folgende Artikel baut darauf auf und soll ein Gefühl dafür vermitteln, welche Anforderungen an die Infrastruktur und Datengrundlage für Predictive Maintenance gestellt werden und mit welchem Aufwand eine Einführung verbunden ist.
Predictive Maintenance als solches ist noch sehr weit weg von einer Plug-and-Play-Lösung und erfordert einen immensen Aufwand, der nicht angestoßen werden sollte, ohne vorher die eigenen Hausaufgaben gemacht zu haben und sich im Klaren über das Kosten-Nutzen-Verhältnis zu sein.
Predictive Maintenance ist eine vielversprechende Technologie, die jedoch mit einem großen Implementierungsaufwand verbunden ist. Ein strukturiertes Vorgehen in Form einer Roadmap kann dabei helfen, den richtigen Hebel zu finden und die eigenen Ressourcen bestmöglich einzusetzen. Die Roadmap schafft Sicherheit für die Mitarbeiter, setzt einzelne Investitionsentscheidungen in einen größeren Kontext und sichert sie dadurch ab. Im ersten Teil der Serie haben wir uns im Artikel "Predictive Maintenance – überall, nur nicht am Shopfloor" angeschaut, was "predictive" im Kontext der Instandhaltung bedeutet. Der Weg zu einer Etablierung von Predictive Maintenance in der Produktion ist noch weit, kann sich aber lohnen. Wie das geht, soll der folgende Artikel dadurch vermitteln, dass er aufzeigt, wie eine effektive Entwicklungsstrategie für die Instandhaltung aussehen kann.
Sales-Service - Analytics-basierte Vertriebsunterstützung für Servicetechniker im Maschinenbau
(2020)
Das Projekt hatte zum Ziel, Servicetechniker in den aktiven Vertrieb von Services und Produkten zu integrieren und damit das Vertriebspotenzial aus ihrer regelmäßigen und intensiven Kundeninteraktion zu nutzen. Der Zielstellung standen dabei die in Abbildung 1 dargestellten Hürden gegenüber, welche durch das Projekt gelöst wurden. Hierzu wurde Analytics-basierte Vertriebsunterstützung für Servicetechniker (Algorithmen für Open Source-Software) gestaltet, die ihnen die notwendigen Vertriebsinformationen bereitstellt. Zudem werden Aufbau- und Ablauforganisation (Blueprints & Referenzprozesse) sowie die entsprechenden Managementinstrumente (Balanced Scorecard & Anreizsystem) für einen vertriebsorientierten Service entwickelt. Dabei gliederte sich das Vorgehen in acht Arbeitspakete, welche von den Forschungseinrichtungen nach der beschriebenen Aufteilung, jedoch in enger Verzahnung miteinander, bearbeitet wurden.
Today, however, agility is seen more than ever as a critical success factor for companies. In times of an increasing degree of digital interconnection and minimum viable products, a mentality is entering the industrial service sector that has so far only been exemplified by Internet companies (e.g. Google): New products and especially digital services are developed in highly iterative processes. To this end, customers are involved in early test phases of development and provide feedback on individual functional modules, which – in contrast to the previous approach – are only gradually assembled into a market-ready “100 percent version”. But especially with the development of new digital services, companies must ensure more than ever that both the existing analog service business and the design of new digital services are geared to effectiveness and efficiency in order to meet the growing demands of customers and competitors.
To achieve this, companies must not only be familiar with the products currently on the market, but also master the entire product history, which in some cases goes back more than 30 years and varies greatly from one industry to another.