Dienstleistungsmanagement
Refine
Year of publication
Document Type
- Article (3)
- Book (27)
- Part of a Book (53)
- Conference Proceeding (71)
- Contribution to a Periodical (175)
- doctorallecture (32)
- Doctoral Thesis (30)
- Lecture (54)
- Internet Paper (14)
- Report (27)
- Working Paper (23)
Language
- German (381)
- English (92)
- Multiple languages (34)
- Spanish (2)
Is part of the Bibliography
- no (509)
Keywords
- 01 (25)
- 02 (15)
- 03 (6)
- 04 (3)
- 3-Phasen-Konzept (1)
- 3D-Druck (1)
- AGCO (1)
- AI (2)
- AR (3)
- Aachener Lean-Services-Zyklus (3)
Institute
- Business Transformation (14)
- Dienstleistungsmanagement (509)
- FIR e. V. an der RWTH Aachen (509)
- Informationsmanagement (14)
- Produktionsmanagement (20)
The transformation of the service technician into the customer's most important contact person and the company's most important sales channel requires a sustainable change of the entire company. But the effort is worth it. This insight has already reached many companies, but there is often a
lack of a clear idea of how much such a change challenges existing structures. A fundamental change of the company is only possible if all levels and departments recognize the necessity and have a clear idea of their future corporate culture. It is not enough to write down the new values of the company on a piece of foil, each employee must be able to understand and accept his or her own future role.
Traditional manufacturing companies increasingly launch data-driven services (DDS) to enhance their digital service portfolio. Nonetheless, data-driven services fail more often than traditional industrial services or products within the first year on the market. In terms of market launch, their digital characteristics differ from traditional industrial services and thus need specific structures and actions, which companies currently lack. Therefore, a process guideline for a six-month market launch phase of DDS is developed. The guideline relies on analogies from product, service and software launches based on the latest literature from service marketing and successful practices from various industries. Finally, the guideline is evaluated within five industrial case studies. Thus, the guideline provides scientific research insights regarding the market launch process of DDS and adds to the research of service marketing. It provides practical guidance for manufacturing companies by serving as a reference process for the market launch and offering a collection of successful practices within this area. [https://link.springer.com/chapter/10.1007/978-3-030-00713-3_14]
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.
Die in der produzierenden Industrie fortschreitende Digitalisierung geht mit großen Potenzialen einher. Nichtsdestotrotz blieb der realisierte Nutzen aus der Digitalisierung bisher hinter den Erwartungen zurück. Durch Smart Services besteht die Möglichkeit, neue digitale Geschäftsmodelle mit Fokus auf einen hohen Kundennutzen zu realisieren und folglich mit einer individuellen und dennoch skalierbaren Lösung auf effiziente Weise Wertschöpfung zu generieren.
The maintenance department is an incubator for further developments in many companies and drivers for digital transformation. The basic essence of industry 4.0 is the optimisation of the information flows within and outside the company for accelerated adjustment of corporate organisations in the context of increasing competitive pressure. Due to the multitude of interfaces, information and data streams as well as their service characteristic, the maintenance department is ready to take the next step towards industry 4.0 and smart maintenance.
Despite endless publications and advertisements, the promise of smart maintenance is not technology but productivity. To achieve sustainable transformation, use cases need to be transformed into business cases. For that matter, lighthouse projects are not the key to success but transforming your departments, processes, data management, reporting and so on is. Another big misconception of industry 4.0: Transformational change does not happen with sensors or dashboards but with people. Therefore, companies which already invested in their people, culture and in lean six sigma have a head start. Nevertheless, it is no reason to rest. The journey to smart maintenance is long and no company can truly say that they achieved it already. In order to advance in industry 4.0 a digitisation roadmap is the best tool to show the big picture and at the same time link this vague vision to concrete measures. It is the only way to justify investment in infrastructure and guide your people into change.
But the first two questions on your way to smart maintenance are always the hardest:
1. What do I aim to achieve and how can industry 4.0 contribute to my goals?
What measure am I already pursuing to reach that goal and how do they further my aspirations?
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]
Crowd-Innovation
(2020)
Ideen für erfolgreiche Innovationen müssen nicht immer aus den eigenen Reihen stammen – das wusste bereits die englische Regierung im 18. Jahrhundert. Eine ähnlich diffuse Aufgabe wie die der Entdeckung neuer Kontinente steht nun der produzierenden Industrie bevor: der Aufbruch ins Zeitalter der digitalen Dienstleistungen. Impulse für digitale Geschäftsmodelle können Unternehmen von Studierenden im Rahmen der Crowd-Innovation erhalten. Hierzu bietet das Center Smart Services ein bewährtes Konzept, das den Unternehmen einen einfachen Zugang zu motivierten Studierenden gewährt.
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.
Before starting with smart maintenance and machine learning, get things done right. Big data and analytics are a great way to get the most out of your assets, but they are not always the biggest lever and require a solid data foundation. As shown it is possible to get more out of the resources you have with relatively simple tools by applying the right method and bringing together the right people. To turn a computer system into a working tool and take full advantage of the capabilities of modern software solutions, specific steps must be taken, and both management and personnel need to be involved in shaping the future business processes. Only the right processes are able to generate a solid data foundation and enable the RCM method to work and improve asset lifecycle management and overall costs.
Predictive Maintenance hat sich in der Instandhaltung als Begriff etabliert. Produzierende Unternehmen versuchen durch vorausschauende Instandhaltungsaktivitäten, die bedarfsgerechte Verfügbarkeit ihrer Maschinen und Anlagen bei möglichst geringen Kosten sicherzustellen. Die Instandhaltung soll damit noch effektiver und effizienter werden.
Dieser Artikel zeigt, wie mit Hilfe des Ansatzes des "Smart Service Engineering" vom Center Smart Services ein Predicitive Maintenace Service bei Heidelberger Druckmaschinen in Zusammenarbeit mit der KATANA Plattform von USA Software entworfen und ausgerollt wurde. Auf Basis der gewonnen Erkenntnisse wurden zudem weitere Services aufgebaut, die über den Use Case Predictive Maintenance sogar noch hinaus gehen.
Return on Maintenance
(2018)
This presentation will show how the use of digital technology in the context of industry 4.0 can contribute to understanding maintenance as a value driver for manufacturing companies. In addition, principles that can help companies to maximize this "return on maintenance" for their maintenance organization and company will be presented.
In diesem Vortrag wird dargestellt, wie der Einsatz digitaler Technologie in Kontext Industrie 4.0 dazu beitragen kann, die Instandhaltung als Werttreiber produzierender Unternehmen zu verstehen. Zusätzlich werden Prinzipien aufgezeigt, die Unternehmen dabei helfen können, diesen "Return on Maintenance" für ihreInstandhaltungsorganisation und ihr Unternehmen zu maximieren.
Smart-Farming-Welt
(2019)
Industrie 4.0 trägt dazu bei, das Unternehmen vermehrt in der Lage sind, Entscheidungen deutlich schneller und durch eine dahinter liegende Datenbasis auch zuverlässiger zu Treffen. Auch für die Instandhaltung nimmt die Entscheidungsgeschwindigkeit zu. Um die Wettbewerbsfähigkeit produzierender Unternehmen nachhaltig zu steigern, ist es wichtig die Instandhaltung als Werttreiber eines produzierenden Unternehmens zu verstehen. Ähnlich wie die Finanzkennzahl des Return on Capital Employed (ROCE) sollte auch die Instandhaltung durch den Ansatz "Return on Maintenance" als wertbeitragende Unternehmenseinheint verstanden werden. Erfolgsfaktoren, die zur Maximierung dieses "Returns" beitragen können, sind die Nutzung bestehender Standards, die Erfassung des digitalen Schattens, die Umsetzung nach dem Prinzip "Minimum Viable Service" und eine Erreichung einer Wissens- und Innovationskultur.
Die Instandhaltungsorganisationen von Prozess- und Produktionsanlagen stehen vor komplexen und vielschichtigen Herausforderungen bei der Durchführung der Instandhaltungsprozesse. Durch die Vielfalt der Instandhaltungsobjekte hinsichtlich Hersteller, technischer Funktionsweise und Verschleißbild ist jeder Prozess einzigartig. Diese hohe Komplexität hält viele Unternehmen davon ab, die Instandhaltungsprozesse grundsätzlich zu standardisieren. Damit bleibt sowohl bei der Instandhaltungstätigkeit, als auch bei vor- und nachgelagerten Organisationsprozessen viel Potenzial ungenutzt. Oft ist den Unternehmen nicht bekannt, an welchen Stellen das größte Potenzial liegt und wie es ausgeschöpft werden kann. Mit der DIN SPEC 91404 wurde ein leicht anwendbares vier-schrittiges Vorgehen entwickelt. Dies ermöglicht die Identifikation und Nutzung von Potenzialen zur Optimierung von Instandhaltungsprozessen und führt letztendlich zu Wettbewerbsvorteilen im Markt.
Die vorliegende DIN SPEC 77007 soll einen Leitfaden zum Aufbau und zur Weiterentwicklung von Dienstleistungsorganisationen entlang der Lean-Management-Prinzipien liefern und einen Überblick über Methoden zur Operationalisierung dieser Prinzipien geben. DIN SPEC 77007 ist insbesondere für industrielle Dienstleistungen, aber auch für andere Dienstleistungs-branchen anwendbar.
Anhang A dieser DIN SPEC enthält eine Sammlung von Methoden, die bei der Anwendung der Prinzipien genutzt werden können.
Die Instandhaltung von Prozess- und Produktionsanlagen stellt einen wichtigen Erfolgsfaktor für die Leistungsfähigkeit der Unternehmen dar. Ein großer Teil der Instandhaltungsprozesse für Prozess- und Produktionsanlagen kann anhand der DIN 31051 in die Grundmaßnahmen Wartung, Inspektion, Instandsetzung und Verbesserung eingeteilt werden. Die Instandhaltungsprozesse sind oftmals dadurch gekennzeichnet, dass sich die Prozess- und Produktionsanlagen in hohem Maße u. a. nach Hersteller, Konfiguration, technischer Funktionsweise, Verschleiß und Anwendungsfeld unterscheiden.Trotz der hohen Prozessvarianz müssen die Instandhaltungsorganisationen ihre Leistungen effektiv und mit einer gleichbleibend hohen Qualität erbringen, um den hohen Anforderungen (z. B. hohe Verfügbarkeitsquoten für einen kontinuierlichen Betrieb) gerecht zu werden. Durch einen höheren Standardisierungsgrad kann die Prozessvarianz verringert und somit die Stabilität der Instandhaltungsprozesse erhöht werden. Damit die Instandhaltungsorganisationen Prozessstandardisierungen effizient durchführen können, muss bekannt sein, welche Prozessschritte Instabilität verursachen und auf welche Weise diese standardisiert werden können. Da die Prozesse der Instandhaltungsorganisationen jedoch über individuelle Prozesscharakteristiken und Anforderungen verfügen, müssen Organisationen die allgemeinen Referenzprozesse auf die jeweiligen Anforderungen adaptieren, um individuelle Standardisierungsmaßnahmen ergreifen zu können. Bislang steht den Instandhaltungsorganisationen kein praxistaugliches Verfahren zur Verfügung, das dabei unterstützt, in bestehenden Instandhaltungsprozessen für Prozess- und Produktionsanlagen schnell und effizient Standardisierungspotentiale zu identifizieren und auszuschöpfen. Daher wird für die Instandhaltungsorganisationen ein effizientes Werkzeug zur Identifikation solcher Standardisierungspotentiale entwickelt. Damit das Verfahren in Instandhaltungsorganisationen praktisch umgesetzt werden kann, werden dem Anwender des Verfahrens Handlungsleitfäden und Checklisten bereitgestellt. Dieses Verfahren wird an das Vorgehen der Fehlermöglichkeits- und -einflussanalyse (FMEA) angelehnt. Mithilfe des Verfahrens wird zum einen der Aufwand für die Prozessauslegung und Prozessstandardisierung der Instandhaltungsorganisationen reduziert und zum anderen wird gewährleistet, dass die Prozesse effizient mit gleichbleibend hoher Qualität erbracht werden. Dieses Verfahren kann auf die in DIN EN 17007:2017-12 beschriebenen Instandhaltungsprozesse angewandt werden. Diese Prozesse können zudem als mögliche Grundlage für das in dieser DIN SPEC beschriebene Verfahren genutzt werden.
Die vorliegende DIN SPEC 77007 soll einen Leitfaden zum Aufbau und zur Weiterentwicklung von Dienstleistungsorganisationen entlang der Lean-Management-Prinzipien liefern und einen Überblick über Methoden zur Operationalisierung dieser Prinzipien geben. DIN SPEC 77007 ist insbesondere für industrielle Dienstleistungen, aber auch für andere Dienstleistungs-branchen anwendbar.
Anhang A dieser DIN SPEC enthält eine Sammlung von Methoden, die bei der Anwendung der Prinzipien genutzt werden können.
ICS 03.080.99; 35.240.60; 43.120
März 2018
Unternehmen des Maschinenbaus stehen vor der Herausforderung, die Instandhaltungskosten ihrer Produkte effektiv zu beeinflussen. Die notwendigen Informationen sind oft nicht in der geeigneten Form erfasst oder gar nicht verfügbar. Das Ziel der Arbeit ist es, Unternehmen zu befähigen, mit unterschiedlichen Informationsständen eine Prognose der zu erwartenden Instandhaltungskosten durchzuführen und auf Basis informatorischer Unsicherheiten Handlungsempfehlungen zur Kostenreduktion abzuleiten.
Maschinen- und Anlagenbauer stehen vor der Transformation zu digitalen, datenbasierten Dienstleistungen. Viele Unternehmen scheitern an der Kommerzialisierung und Markteinführung. Die vorliegende Arbeit unterstützt Unternehmen des Maschinen- und Anlagenbaus bei der erfolgreichen Markteinführung datenbasierter Dienstleistungen. Auf Basis von empirischen Studien und Fallbeispielen werden Erfolgsfaktoren der Markteinführung untersucht und konkrete Gestaltungsempfehlungen für die Praxis abgeleitet.
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.
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.
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.
Operation and Maintenance (O&M) is a key value driver for offshore wind farms. Consequently, reducing O&M costs improves their profitability. This paper introduces different typologies of dispositioning maintenance tasks in offshore wind farms, in order to help design the strategies and organization of maintenance. Based on the special requirements of offshore wind farms regarding planning and controlling the O&M activities, a morphological analysis was developed. With this different disposition strategies for offshore wind farms could be generated. The consequences of choosing different characteristics are allegorized in an exemplary fashion. The work presented in the following is the foundation for designing a software-based dispositioning tool for usage in offshore wind farms, which will help to increase the effectiveness of the disposition in offshore wind farms by maximizing the number of accomplished tasks per day and minimizing the time technicians stay on the wind turbine and the ships.
Von Instandhaltung zu Smart Maintenance - einer der primären Anwendungsfälle von Industrie 4.0
(2020)
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. Der Instandhaltung bzw. dem industriellen Service eröffnen sie das große Potenzial, eine bedarfsgerechte Verfügbarkeit von Maschinen und Anlagen datenbasiert effektiver und effizienter zu erreichen als bisher. Dieser Wandel, ergänzt durch organisatorische sowie kulturelle Anpassungsprozesse zur Nutzung neuer Technologien, kann als Transformation zur Smart Maintenance verstanden werden. Auf Basis von digitalen Daten und Erfahrungswissen wird mittels Smart Maintenance die selbständige Weiterentwicklung der Instandhaltungsorganisation angestrebt, mit dem Ziel, den größtmöglichen Wertbeitrag für das produzierende Unternehmen zu leisten. In diesem Artikel wird dazu passend die Smart-Maintenance-Roadmap vorgestellt, die nach Vorgabe der drei Zieldimensionen die Schrittweise Weiterentwicklung einer Instandhaltungsorganisation aufzeigt. So werden bspw. Predictive-Maintenance-Initiativen gegenüber Condition-Monitoring-Aktivitäten zurückgestellt, um eine schrittweise Weiterentwicklung der Fähigkeiten zu erreichen.
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.
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.
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.