Home Technology Vorgehen zur Entwicklung einer Predictive Maintenance-Lösung
Article
Licensed
Unlicensed Requires Authentication

Vorgehen zur Entwicklung einer Predictive Maintenance-Lösung

  • Günther Schuh

    Prof. Dr.-Ing. Dipl.-Wirt. Ing. Günther Schuh, geb. 1958, studierte Maschinenbau sowie Wirtschaftswissenschaften und promovierte an der RWTH Aachen. Er erlangte seine Habilitation und Professur an der Universität St. Gallen. Seit 2002 ist er Professor am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

         , Christoph Kelzenberg

    Dr.-Ing. Christoph Kelzenberg, geb. 1989, studierte Produktionstechnik und promovierte an der RWTH Aachen. Seit 2018 ist er Oberingenieur am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

         , Jens Helbig

    Jens Helbig, M. Sc., geb. 1989, studierte Wirtschaftsingenieurwesen mit der Fachrichtung Produktionstechnik an der RWTH Aachen. Seit 2018 ist er Gruppenleiter am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

         and Tim Graberg

    Tim Graberg, M. Sc. M. Sc., geb. 1992, studierte Maschinenbau und Wirtschaftswissenschaften an der RWTH Aachen. Seit 2017 ist er Wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.
Published/Copyright: March 31, 2021
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 116 Issue 3

Abstract

In der Serienproduktion sind Ausfälle von Blechumform-, Spritzguss- oder Druckgusswerkzeugen aktuell unvorhersehbar, sodass Produktionsstillstände entstehen, die in hohem Maße Anlagenverfügbarkeit und Produktionskosten beeinflussen. Aufgrund dieses starken Einflusses gewinnt die vorausschauende Wartung – Predictive Maintenance genannt – zunehmend an Bedeutung. Ziel ist es, Störfälle an Produktionsanlagen noch vor ihrem Eintreten zu prognostizieren, um vorbeugend Instandhaltungsarbeiten durchführen und hohe Kosten vermeiden zu können bzw. Produktivitätssteigerungen zu realisieren. Für die erfolgreiche Implementierung einer Predictive Maintenance-Lösung in einen Produktionsprozess muss diese anwendungsfallspezifisch ausgestaltet werden. Hierfür liefert die Studie „Predictive Maintenance“ des Werkzeugmaschinenlabors WZL der RWTH Aachen einen Handlungsleitfaden zur unternehmerischen Umsetzung.

Summary

In series production, failures of sheet metal forming, injection moulding or die-casting tools are currently unpredictable, resulting in production downtimes which have a major impact on machine availability and production costs. Due to this strong influence, predictive maintenance is becoming increasingly important. The aim is to forecast incidents at production sides before they occur so that preventive maintenance work can be carried out. For the successful implementation of a predictive maintenance solution in a real process, it has to be designed for the specific application. For this purpose, the study „Predictive Maintenance“ of the Laboratory for Machine Tools and Production Engineering WZL of RWTH Aachen University provides an implementation guideline.

About the authors

Prof. Dr.-Ing. Dipl.-Wirt. Ing. Günther Schuh

Prof. Dr.-Ing. Dipl.-Wirt. Ing. Günther Schuh, geb. 1958, studierte Maschinenbau sowie Wirtschaftswissenschaften und promovierte an der RWTH Aachen. Er erlangte seine Habilitation und Professur an der Universität St. Gallen. Seit 2002 ist er Professor am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

Dr.-Ing. Christoph Kelzenberg

Dr.-Ing. Christoph Kelzenberg, geb. 1989, studierte Produktionstechnik und promovierte an der RWTH Aachen. Seit 2018 ist er Oberingenieur am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

Jens Helbig

Jens Helbig, M. Sc., geb. 1989, studierte Wirtschaftsingenieurwesen mit der Fachrichtung Produktionstechnik an der RWTH Aachen. Seit 2018 ist er Gruppenleiter am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

Tim Graberg

Tim Graberg, M. Sc. M. Sc., geb. 1992, studierte Maschinenbau und Wirtschaftswissenschaften an der RWTH Aachen. Seit 2017 ist er Wissenschaftlicher Mitarbeiter am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

Literatur

1 Schenk, M. (Hrsg.): Instandhaltung technischer Systeme: Methoden und Werkzeuge zur Gewährleistung eines sicheren und wirtschaftlichen Anlagenbetriebs. Springer-Verlag, Berlin, Heidelberg 201010.1007/978-3-642-03949-2Search in Google Scholar

2 Mobley, R. K.: An Introduction to Predictive Maintenance. 2. Aufl., Elsevier Science, Woburn 2002 DOI: 10.1016/B978-075067531-4/50006-310.1016/B978-075067531-4/50006-3Search in Google Scholar

3 Blechschmidt, N.; März, M.; Weck, L.: Wertorientierte Instandhaltung – Die strategische Dimension des Schraubenschlüssels. ConMoto Consulting Group, München 2011Search in Google Scholar

4 Schuh, G.; Prote, J.-P.; Dany, S.; Eversheim, W.: Internet of Production. In: Schuh, G.; Brecher, C.; Klocke, F.; Schmitt, R. (Hrsg.): Engineering Valley – Internet of Production auf dem RWTH Aachen Campus. Apprimus Verlag, Aachen 2017Search in Google Scholar

5 Kampker, A.; Kreisköther, K.; Kleine Büning, M.; Möller, T.; Busch, M.: Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie. ZWF 113 (2018) 4, S. 195–198 DOI: 10.3139/104.11189010.3139/104.111890Search in Google Scholar

6 Busch, M.; de Lange, J.; Kelzenberg, C.; Schuh, G.: Achieving Process Efficiency and Stability in Serial Production Through an Innovative Service System Based on Predictive Maintenance. In: Schmitt, R.; Schuh, G. (Hrsg.): Advances in Production Research. WGP 2018. Springer-Verlag, Cham 2018 DOI: 10.1007/978-3-030-03451-1_6410.1007/978-3-030-03451-1_64Search in Google Scholar

7 Chui, M.; Chung, R.; Henke, N.; Malhotra, S.; Manyika, J.; Miremadi, M.; Nel, P.: Mapping AI Techniques to Problem Types. McKinsey & Company, 2018Search in Google Scholar

8 Chui, M.; Kamalnath, V.; McCarthy, B.: An Executive’s Guide to AI. McKinsey & Company, 2019Search in Google Scholar

9 Butte, S.; Prashanth, A. R.; Patil, S.: Machine Learning Based Predictive Maintenance Strategy: A Super Learning Approach with Deep Neural Networks. IEEE 2018 – IEEE Workshop on Microelectronics and Electron Devices (WMED), Boise 2018 DOI: 10.1109/WMED.2018.836083610.1109/WMED.2018.8360836Search in Google Scholar
Published Online: 2021-03-31

© 2021 Walter de Gruyter GmbH, Berlin/Boston

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Industrie 4.0 und die Rolle des CISO
  4. Produktionstechnik
  5. Prognose produktionstechnischer Defizite
  6. Digitale Fabrik
  7. Holistische Planung einer Fertigung im Neubau
  8. Simulation in der Praxis: Hindernisse überwinden
  9. Fabrikplanung
  10. Flussorientierte Positionierungsmethode für die Fabrikplanung
  11. Algorithmenbasierte Fabrikplanung
  12. Elektromobilität
  13. Kompaktwickelprozess zur Herstellung verteilter Wicklungen
  14. Agile Produktion elektrischer Traktionsmotoren als Antwort auf volatile Märkte und Technologien
  15. Energieeffizienz
  16. Frontloading-Ansatz für Energieeffizienz in der Umformtechnik
  17. Shopfloor Management
  18. Autonomisierung von Shopfloor Management
  19. Robustheit
  20. Bedeutung der Robustheit von Produktionssystemen
  21. Instandhaltung
  22. Vorgehen zur Entwicklung einer Predictive Maintenance-Lösung
  23. Kooperative Dienste
  24. Ko-Produktion industrieller Dienstleistungen
  25. Blockchain
  26. Blockchain für KMU
  27. Internet-of-things
  28. Integration eines omnidirektionalen FTF in eine Produktionsprozesssteuerung
  29. Data analytics
  30. Anwendungen aktiver Traceability-Systeme
  31. Digitalisierung
  32. Digitales Bauzustandsmonitoring im Schiffbau
  33. MES-Einführung
  34. Reifegradbasierte Bewertung der Anforderungen einer erfolgreichen MES-Einführung
  35. IT-Sicherheit
  36. Entscheidungshilfe für IT-Sicherheitsinvestitionen
  37. Vorschau
  38. Vorschau
https://doi.org/10.1515/zwf-2021-0029

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Industrie 4.0 und die Rolle des CISO
  4. Produktionstechnik
  5. Prognose produktionstechnischer Defizite
  6. Digitale Fabrik
  7. Holistische Planung einer Fertigung im Neubau
  8. Simulation in der Praxis: Hindernisse überwinden
  9. Fabrikplanung
  10. Flussorientierte Positionierungsmethode für die Fabrikplanung
  11. Algorithmenbasierte Fabrikplanung
  12. Elektromobilität
  13. Kompaktwickelprozess zur Herstellung verteilter Wicklungen
  14. Agile Produktion elektrischer Traktionsmotoren als Antwort auf volatile Märkte und Technologien
  15. Energieeffizienz
  16. Frontloading-Ansatz für Energieeffizienz in der Umformtechnik
  17. Shopfloor Management
  18. Autonomisierung von Shopfloor Management
  19. Robustheit
  20. Bedeutung der Robustheit von Produktionssystemen
  21. Instandhaltung
  22. Vorgehen zur Entwicklung einer Predictive Maintenance-Lösung
  23. Kooperative Dienste
  24. Ko-Produktion industrieller Dienstleistungen
  25. Blockchain
  26. Blockchain für KMU
  27. Internet-of-things
  28. Integration eines omnidirektionalen FTF in eine Produktionsprozesssteuerung
  29. Data analytics
  30. Anwendungen aktiver Traceability-Systeme
  31. Digitalisierung
  32. Digitales Bauzustandsmonitoring im Schiffbau
  33. MES-Einführung
  34. Reifegradbasierte Bewertung der Anforderungen einer erfolgreichen MES-Einführung
  35. IT-Sicherheit
  36. Entscheidungshilfe für IT-Sicherheitsinvestitionen
  37. Vorschau
  38. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 5.12.2025 from https://www.degruyterbrill.com/document/doi/10.1515/zwf-2021-0029/html
Scroll to top button