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.
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, 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, 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.
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, 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, 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, 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, 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 201010.1007/978-3-642-03949-2Suche 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/B978-075067531-4/50006-3Suche in Google Scholar
3 Blechschmidt, N.; März, M.; Weck, L.: Wertorientierte Instandhaltung – Die strategische Dimension des Schraubenschlüssels. ConMoto Consulting Group, München 2011Suche 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 2017Suche 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: 10.3139/104.11189010.3139/104.111890Suche 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_64Suche 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, 2018Suche in Google Scholar
8 Chui, M.; Kamalnath, V.; McCarthy, B.: An Executive’s Guide to AI. McKinsey & Company, 2019Suche 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.2018.8360836Suche in Google Scholar
© 2021 Walter de Gruyter GmbH, Berlin/Boston
Artikel in diesem Heft
- Inhalt
- Editorial
- Industrie 4.0 und die Rolle des CISO
- Produktionstechnik
- Prognose produktionstechnischer Defizite
- Digitale Fabrik
- Holistische Planung einer Fertigung im Neubau
- Simulation in der Praxis: Hindernisse überwinden
- Fabrikplanung
- Flussorientierte Positionierungsmethode für die Fabrikplanung
- Algorithmenbasierte Fabrikplanung
- Elektromobilität
- Kompaktwickelprozess zur Herstellung verteilter Wicklungen
- Agile Produktion elektrischer Traktionsmotoren als Antwort auf volatile Märkte und Technologien
- Energieeffizienz
- Frontloading-Ansatz für Energieeffizienz in der Umformtechnik
- Shopfloor Management
- Autonomisierung von Shopfloor Management
- Robustheit
- Bedeutung der Robustheit von Produktionssystemen
- Instandhaltung
- Vorgehen zur Entwicklung einer Predictive Maintenance-Lösung
- Kooperative Dienste
- Ko-Produktion industrieller Dienstleistungen
- Blockchain
- Blockchain für KMU
- Internet-of-things
- Integration eines omnidirektionalen FTF in eine Produktionsprozesssteuerung
- Data analytics
- Anwendungen aktiver Traceability-Systeme
- Digitalisierung
- Digitales Bauzustandsmonitoring im Schiffbau
- MES-Einführung
- Reifegradbasierte Bewertung der Anforderungen einer erfolgreichen MES-Einführung
- IT-Sicherheit
- Entscheidungshilfe für IT-Sicherheitsinvestitionen
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Industrie 4.0 und die Rolle des CISO
- Produktionstechnik
- Prognose produktionstechnischer Defizite
- Digitale Fabrik
- Holistische Planung einer Fertigung im Neubau
- Simulation in der Praxis: Hindernisse überwinden
- Fabrikplanung
- Flussorientierte Positionierungsmethode für die Fabrikplanung
- Algorithmenbasierte Fabrikplanung
- Elektromobilität
- Kompaktwickelprozess zur Herstellung verteilter Wicklungen
- Agile Produktion elektrischer Traktionsmotoren als Antwort auf volatile Märkte und Technologien
- Energieeffizienz
- Frontloading-Ansatz für Energieeffizienz in der Umformtechnik
- Shopfloor Management
- Autonomisierung von Shopfloor Management
- Robustheit
- Bedeutung der Robustheit von Produktionssystemen
- Instandhaltung
- Vorgehen zur Entwicklung einer Predictive Maintenance-Lösung
- Kooperative Dienste
- Ko-Produktion industrieller Dienstleistungen
- Blockchain
- Blockchain für KMU
- Internet-of-things
- Integration eines omnidirektionalen FTF in eine Produktionsprozesssteuerung
- Data analytics
- Anwendungen aktiver Traceability-Systeme
- Digitalisierung
- Digitales Bauzustandsmonitoring im Schiffbau
- MES-Einführung
- Reifegradbasierte Bewertung der Anforderungen einer erfolgreichen MES-Einführung
- IT-Sicherheit
- Entscheidungshilfe für IT-Sicherheitsinvestitionen
- Vorschau
- Vorschau
