Home Effizienzsteigerung der Serienproduktion durch vorausschauende Werkzeugwartung
Article
Licensed
Unlicensed Requires Authentication

Effizienzsteigerung der Serienproduktion durch vorausschauende Werkzeugwartung

  • Günther Schuh , Christoph Kelzenberg , Johan de Lange and Max Busch
Published/Copyright: January 13, 2020

Kurzfassung

Durch den starken Einfluss der Instandhaltung auf Produktionskosten und Anlagenverfügbarkeit in der Serienproduktion gewinnt Predictive Maintenance zunehmend an Bedeutung. Ziel ist es, Störfälle an Produktionsmaschinen vor ihrem Eintreten zu prognostizieren, um vorbeugend Instandhaltungsarbeiten durchzuführen. Für den Einsatz von Predictive Maintenance wird eine digitale Infrastruktur benötigt, die sowohl Datenverarbeitung und Prognose als auch hohe Datensicherheit gewährleistet. Eine solche Infrastruktur wurde im Rahmen des industrienahen Forschungsprojekts „Datenbasierte Werkzeugverfügbarkeit für die Serienproduktion durch Predictive Maintenance“ (kurz: WerkPriMa) entwickelt und erfolgreich implementiert.

Abstract

Increasing Efficiency in Series Production with Predictive Tool Maintenance. Due to the strong influence of maintenance activities on production costs and machine availability in series production, Predictive Maintenance is becoming increasingly important. The goal is to predict malfunctions in production machinery before they occur in order to take preventive maintenance measures. The use of Predictive Maintenance requires a digital infrastructure that both enables data processing as well as forecasting and at the same time guarantees a high level of data security. As part of the industry-related research project Data-based tool availability for serial production through predictive maintenance (short: Werk-PriMa), such an infrastructure was developed and successfully implemented.


Prof. Dr.-Ing. Dipl.-Wirt. Ing. Günther Schuh, geb. 1958, studierte Wirtschaftsingenieurwesen 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, M. Sc., geb. 1989, studierte Maschinenbau und Produktionstechnik an der RWTH Aachen. Seit 2018 ist er Oberingenieur am Lehrstuhl für Produktionssystematik des Werkzeugmaschinenlabors WZL der RWTH Aachen.

Johan de Lange, 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.

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


Literatur

1. Herstatt, C.; Verworn, B. (Hrsg.): Management der frühen Innovationsphasen: Grundlagen – Methoden – Neue Ansätze. 2. Aufl., Gabler Verlag, Wiesbaden2007, S. 4 f. 10.1007/978-3-8349-9293-2Search in Google Scholar

2. Mobley, R. K.: An Introduction to Predictive Maintenance. 2. Aufl., Elsevier Science, Woburn2002, S. 110.1016/B978-075067531-4/50001-4Search in Google Scholar

3. Schenk, M. (Hrsg.): Instandhaltung technischer Systeme: Methoden und Werkzeuge zur Gewährleistung eines sicheren und wirtschaftlichen Anlagenbetriebs. Springer-Verlag, Berlin, Heidelberg2010, S. 26Search in Google Scholar

4. Blechschmidt, N.; März, M.; Weck, L.: Wertorientierte Instandhaltung – Die strategische Dimension des Schraubenschlüssels. ConMoto Consulting Group GmbH, München2011Search in Google Scholar

5. 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, Aachen2017, S. 1 ff.Search in Google Scholar

6. Kampker, A.; Kreisköther, K.; Kleine Büning, M.; Möller, T.; Busch, M.: Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie. ZWF113 (2018) 4, S. 510.3139/104.111890Search in Google Scholar

7. 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, S. 663 f. 10.1007/978-3-030-03451-1_64Search in Google Scholar

8. Chui, M.; Kamalnath, V.; McCarthy, B.: An Executive's Guide to AI. McKinsey & Company, 2019, S. 2Search in Google Scholar

9. Chui, M.; Chung, R.; Henke, N.; Malhotra, S.; Manyika, J.; Miremadi, M.; Nel, P.: Mapping AI Techniques to Problem Types. McKinsey & Company, 2018, S. 5Search in Google Scholar

Online erschienen: 2020-01-13
Erschienen im Druck: 2019-12-17

© 2019, Carl Hanser Verlag, München

Downloaded on 13.9.2025 from https://www.degruyterbrill.com/document/doi/10.3139/104.112213/html
Scroll to top button