Open Access

Jedes Jahr werden mehr als eine Million Schäden an Wasserleitungen gemeldet, was die Versicherungsbranche allein bei Wohngebäude- und Hausratversicherungen über 4,5 Milliarden Euro kostet, mit steigender Tendenz. Während die Industrie bereits auf KI-gestützte Zustandsanalysen und vorausschauende Instandhaltung setzt, bleibt die Wohnungswirtschaft bisher weitgehend außen vor. Der Grund dafür sind fehlende, praxisnahe Instandhaltungskonzepte, die auch für kleine Immobilienverwaltungen umsetzbar sind. Genau hier setzt das Projekt CM4B2C an: Es überträgt bewährte Methoden der industriellen Instandhaltung wie die Kritikalitätsanalyse und die Fehler-Möglichkeits- und Einfluss-Analyse (FMEA) auf den Konsumentenmarkt. Die Ergebnisse der systematischen Analysen typischer Fehler- und Schadensmuster von Wasserleitungen in der Immobilienwirtschaft werden im Artikel vorgestellt.

Industrial defect analyses like predictive maintenance hold the promise of reducing unplanned downtime and extending asset lifecycles in diverse industrial sectors. Despite these advantages, failures can arise from a range of factors, including data inaccuracies, model drift, and suboptimal deployment strategies resulting in mistrusting employees or frequent change of spare parts. These failures become particularly critical when Artificial Intelligence is employed, as these failures can hinder human-AI collaboration. This paper introduces a systematic Failure Mode and Effect Analysis (FMEA) framework tailored to defect analysis in the manufacturing sector like predictive maintenance solutions especially with the focus on the support of AI. Through structured expert interviews critical vulnerabilities in AI models, like performance bias, overfitting, and catastrophic forgetting, are pinpointed. The FMEAbased insights guide the design of robust AI models, ultimately enhancing the reliability of industrial defect analysis. The findings emphasize the importance of proactive risk management to ensure consistent performance and human-AI collaboration under varying operational conditions.

Produzierende Unternehmen sehen sich gezwungen, aufgrund immer individuellerer Kundenanforderungen eine steigende Anzahl an unterschiedlichen Produkten bzw. Produktvarianten anzubieten. Damit einher geht auch ein stetiges Wachstum des Dienstleistungsportfolios, da für jede Variante die passende Dienstleistung erbracht werden muss. Zudem befähigt die fortschreitende Ausstattung von Produkten und Maschinen mit Sensorik und Aktorik die Unternehmen, zunehmend auch datenbasierte Dienstleistungen anzubieten. Durch die daraus resultierende Komplexität stehen die Unternehmen vor der Herausforderung, diese Angebotsvielfalt flexibel zu erbringen, ohne an Effizienz und Effektivität zu verlieren. Insbesondere KMU unterschätzen die Herausforderungen, die durch ein unstrukturiert wachsendes Leistungssystem entstehen. Das wachsende Angebot an klassischen industriellen Dienstleistungen und die Erweiterung durch datenbasierte Dienstleistungen, um den individuellen Kundenbedürfnissen gerecht zu werden, führt letztlich zum Aufbau von umfangreichen Dienstleistungssystemen („Dienstleistungsdschungel“). Lösungsweg: Identifikation von Einsatzfällen und Best-Practice-Lösungen des Komplexitätsmanagements industrieller und datenbasierter Dienstleistungen Erarbeitung von Komplexitäts- und Erfolgskennzahlen und Analyse von Wirkungszusammenhängen Verknüpfung von Komplexitätsdimensionen und Kennlinien sowie Identifikation typenspezifischer Handlungsanweisungen