Predictive Maintenance · 2020. 5. 22. · Predictive Maintenance 8 Grundlagen und Ziele von...
Transcript of Predictive Maintenance · 2020. 5. 22. · Predictive Maintenance 8 Grundlagen und Ziele von...
2020
Günther SchuhChristoph KelzenbergJohan de LangeMax BuschFelix StrackeChristoph Frey
Predictive Maintenance
Entwicklung vorausschauender Wartungssysteme für Werkzeugbau-
betriebe und Serienproduzenten
Werkzeugmaschinenlabor WZL der RWTH AachenDas Werkzeugmaschinenlabor WZL der RWTH Aachen steht mit seinen 900 Mitarbeitenden weltweit als Synonym für erfolgreiche und zukunftsweisende Forschung und Innovation auf dem Gebiet der Produktionstechnik. In vier Forschungsbereichen werden sowohl grundlagenbezogene als auch an den Erfordernissen der Industrie ausgerichtete Forschungsvorhaben durchgeführt. Darüber hinaus werden praxisgerechte Lösungen zur Optimierung der Produkt-ion erarbeitet. Das WZL deckt mit den vier Lehrstühlen Fertigungstechnik, Werkzeugmaschinen, Messtechnik und Qualität sowie Produktionssystematik sämtliche Teilgebiete der Produktionstechnik ab.
Predictive MaintenanceCopyright © 2020
Autoren: Prof. Dr. Günther Schuh, Christoph Kelzenberg, Johan de Lange, Max Busch, Felix Stracke, Christoph Frey
Gestaltung: Delayne Kreutz, Karlla GiolISBN: 978 -3-946612-51-3Druck: printclub, 1. Edition
Werkzeugmaschinenlabor WZL der Rheinisch-Westfälischen Technischen Hochschule AachenCampus-Boulevard 3052074 Aachen www.wzl.rwth-aachen.de
Impressum
Forschungsprojekt WerkPrimaIn der Serienproduktion sind Ausfälle von Spritzguss- oder Druckgusswerkzeugen aktuell unvorhersehbar und ver-ursachen Produktionsstillstande und hohe Kosten. Das Ziel des Forschungsprojekts „WerkPriMa“ war die Konzeption und Entwicklung eines datenbasierten Wartungs- und Dienstleistungssystems zur Erhöhung der Werkzeugverfügbar-keit für die Serienproduktion durch die Nutzung von Produktionsdaten. Dieses Forschungs- und Entwicklungsprojekt wurde durch das Bundesministerium für Bildung und Forschung (BMBF) im Programm „Innovationen für die Produk-tion, Dienstleistung und Arbeit von morgen“ (Förderkennzeichen 02K16C120 ff.) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.
Abschlussbericht des Forschungsprojekts WerkPriMa
Günther SchuhChristoph KelzenbergJohan de LangeMax BuschFelix StrackeChristoph Frey
Predictive MaintenanceEntwicklung vorausschauender Wartungssysteme für Werkzeugbau- betriebe und Serienproduzenten
2020
SpotlightMaschinen, Anlagen oder Fortbewe-gungsmittel rechtzeitig zu warten, bevor kritische Komponenten versa-gen, erschien vor einigen Jahren und Jahrzehnten lediglich in Science-Fiction Filmen möglich. Durch ver-besserte und günstigere Sensor-, Übertragungs- und Datenspeicher-technik ist die vorausschauende Wartung – Predictive Maintenance genannt – heute allerdings schon in einigen Branchen Realität. Aufgrund der hohen Potenziale ist es daher nicht verwunderlich, dass diese The-matik sich in den letzten Jahren zu einem viel und intensiv diskutierten Thema im Kontext von Industrie 4.0 entwickelt hat.
Die Funktionsweise von Predictive Maintenance beruht auf der Erhe-bung, Übertragung, Speicherung und echtzeitnahen Verwertung umfangreicher Datenmengen. Auf Basis komplexer Analyseverfahren und Algorithmen können Abwei-chungen in den aufgenommenen Be-triebsparametern eines Maschine-Werkzeug-Systems identifiziert und notwendige Wartungen antizipiert werden. Dadurch kann die Verfüg-barkeit der Produktionsmaschine und des Werkzeugs signifikant er-höht werden, was zu einer höheren Sicherheit, Produktivität und Profi-tabilität in der Serienproduktion führt. Werkzeugbaubetriebe profi-tieren gleichermaßen von einer lang-fristigen Kundenintegration und hö-heren Umsätzen auf Basis neuartiger Serviceverträge. Predictive Main-tenance bietet daher insbesondere im wissensintensiven Bereich der Werkzeuginstandhaltung die Mög-lichkeit – sowohl für Serienprodu-
zenten als auch für Werkzeugbau-betriebe – die digitiale Vernetzung zu nutzen, um beiderseitigen Mehr-wert zu generieren.
Da sowohl die technische Umset-zung als auch die Einbettung der technischen Lösungen in das beste-hende Produkt- und Serviceportfo-lio oftmals eine große Herausforde-rung für Serienproduzenten und Werkzeugbaubetriebe darstellt, lie-fert die vorliegende Studie einen Handlungsleitfaden zur unterneh-mensspezifischen Umsetzung. Dazu wird neben der Konkretisierung von Potenzialen ein Vorgehen zur Im-plementierung von Predictive Main-tenance durch Kooperation von Werkzeugbaubetrieb und Serien-produzent aufgezeigt.
Predictive Maintenance
5
Ineffiziente Instandhaltung
90%
45%
Predictive MaintenancePredictive Maintenance
Kostenreduktion
79%
Wachstum
Potenziale
120 Mrd. €
...der Unternehmen beschreiben ihre Instandhaltungsprozesse als nicht sehr
effizient.
...der Unternehmen sehen einen Nutzen von Predictive Maintenance in der Leis-
tungssteigerung der Produktionstechnik durch höhere Anlagenverfügbarkeit und -lebensdauer sowie stabilere Prozesse.
...beträgt die zu erwartende Reduktion von Instandhaltungskosten durch den
Einsatz von Predictive Maintenance laut führenden Experten.
...beträgt das Marktvolumen für Instandhaltung in Deutschland.
Predictive Maintenance
6
AusgangssituationProduktionsstillstand! Ein absolutes Hor-rorszenario für jeden Serienproduzenten. 5 Minuten Stillstand in der Automobilpro-duktion kosten durchschnittlich 100.000 €.
Entsprechende Stillstände sind vielfach di-rekt auf Maschinenausfälle, hervorgerufen durch fehlerhafte oder unzureichende In-standhaltung, zurückzuführen. Diese resul-tieren aus reaktiven und präventiven In-standhaltungsstrategien im Serienproduk-tionsprozess. Werkzeugbaubetriebe, die den Serienproduzenten durch Bereitstellung von Werkzeugen zur Produktion befähigen, neh-men eine Schlüsselfunktion bei der Vermei-dung instandhaltungsbedingter Stillstands-zeiten ein. Aufgrund der hohen Komplexität des Werkzeugs sowie eines unzureichenden Werkzeugwissens der Produktionsmitarbei-ter des Serienproduzenten, wird das Werk-zeug jedoch vornehmlich als eine Art „Black Box“ betrachtet. Infolge der Unvorhersehbar-keit werkzeugbedingter Stillstandszeiten so-wie fehlender Zustandsinformationen und
der dadurch bedingten Ursachenermittlung, nehmen erforderliche Reparaturen viel Zeit in Anspruch.
Stillstandszeiten in der Serienproduktion werden immer kostspieliger und der Hand-lungsspielraum hinsichtlich reaktiver In-standhaltungsstrategien wird durch immer mehr und immer besser werdende Wettbe-werber zunehmend eingeengt. Werkzeugbau-betriebe sehen sich ebenfalls einem hohen Wettbewerbsdruck ausgesetzt. Unvorherseh-bare Werkzeugreparaturen erschweren die Produktionsplanung und resultieren in hohen auftragsspezifischen Kosten sowie zeitlichen Verzögerungen. Serienproduzenten verfügen teilweise über Prozessinformationen, jedoch über wenig Wissen hinsichtlich der Beanspru-chung und des Verhaltens von Werkzeugen während der Produktion. Hinzu kommt das fehlende Werkzeugwissen in Bezug auf die Auslegung einzelner formgebender Werk-zeugkomponenten und deren Anfälligkeit für Ausfälle. Werkzeugbaubetriebe verfügen hin-
100.000€ kosten 5 Minuten
Produktionsstillstand der Automobil-
produktion
Predictive MaintenancePredictive Maintenance
7
gegen über ein breites Werkzeugwissen, er-halten jedoch keinen Zugang zu Zustands- und Prozessinformationen, die eine Grundvoraussetzung zur Anwendung von Predictive Maintenance-Maßnahmen dar-stellen. Aus diesem Grund ist die enge und partnerschaftliche Zusammenarbeit zwi-schen Werkzeugbaubetrieb und Serienpro-duzent für die Anwendung von Predictive Maintenance unabdingbar.
Durch Informationsteilung zwischen Werk-zeugbaubetrieb und Serienproduzent bezüg-lich aktueller und zukünftiger Maschinenzu-stände sowie den sich darauf befindenden Werkzeugen, können Instandhaltungskosten reduziert und gleichzeitig die Produktionszu-verlässigkeit erhöht werden. Hierdurch kön-nen beiderseitig Produktivitätsgewinne und
mithin Wettbewerbsvorteile durch eine enge Kooperation und Wissensteilung zwischen Serienproduzent und Werkzeugbaubetrieb erzielt werden. Der Serienproduzent generiert Wettbewerbsvorteile aufgrund der höheren Maschinenverfügbarkeit, die zu erheblichen Kosteneinsparungen und einer höheren Produktivität führt. Der Werkzeugbaubetrieb profitiert von einer stärkeren Kundenintegration, da der Serienproduzent wirksamer an das Leis-tungsangebot des Werkzeugbaubetriebs im Bereich Reparatur und Wartung gebunden wird. Für den Mehrwert der zusätzlichen Maschinenverfügbarkeit können durch entsprechende Vertragsmodelle auch die Umsätze des Werkzeugbaubetriebs gesteigert werden.
14 Mrd. € Jährlich werden allein in deutschen Produk-
tionsstätten 14 Mrd. € zu viel für Instandhal-
tungsleistungen ausgegeben
Status quo Problem Lösung und Ergebnis
Serienproduzent SerienproduzentUnvorhersehbare Ausfälle Partnerschaftliche
ZusammenarbeitProzessinformationen teilweise vorhanden
Fehlendes Zustands- und Prozessinformationen
Fehlendes Werkzeugwissen
Werkzeugwissen vorhanden
Wissens- undInformationsstellung
Lange Stillstandszeiten
Hohe Instandhaltungskosten
Kosteneinsparungen beim Serienproduzenten
Schwierige Planung durch Eilaufträge
Starke Kundenintegration
Starke Konkurrenz bei Reparatur und Wartung
Umsatzsteigerung beim Werkzeugbaubetrieb
Werkzeugbaubetrieb Werkzeugbaubetrieb
Predictive Maintenance
8
Grundlagen und Zielevon Predictive Maintenance Gemäß DIN 31051 ist Instandhaltung der Oberbegriff für Inspektion, Wartung und In-standsetzung. Von einer Inspektion wird ge-sprochen, wenn es um Maßnahmen zur Fest-stellung und Beurteilung des Ist-Zustandes von Anlagen und technischen Arbeitsmitteln geht. Eine Wartung beschreibt Maßnahmen zur Bewahrung des Soll-Zustandes von tech-nischen Arbeitsmitteln und Anlagen, um Stö-rungen des Produktionsablaufs zu vermei-den. Unter Instandsetzung bzw. Reparatur werden Maßnahmen zur Wiederherstellung des Soll-Zustandes von Anlagen und techni-schen Arbeitsmitteln mit Aufbereitung oder Ersatz von Maschinen- oder Werkzeugkom-ponenten aufgrund von Inspektionsergebnis-sen verstanden. Das Ziel von Instandhal-tungsmaßnahmen ist die Verzögerung der Verschleißrate sowie die generelle Vermei-dung von Zerstörung und Verfall. Dabei kann zwischen verschiedenen Instandhaltungs-strategien unterschieden werden.
Die reaktive Instandhaltung beschreibt die ausschließliche Durchführung von Instand-haltungsmaßnahmen nach Ausfall von Ma-schinen- bzw. Werkzeugkomponenten oder aufgrund des Erreichens einer definierten Schadensschwelle. Die auftretenden Schä-den verursachen hohe Kosten und erfordern ein spontanes, ungeplantes sowie schnelles Handeln.
Eine präventiv periodische Instandhaltung bezeichnet die Durchführung von Instand-haltungsmaßnahmen gemäß definierter Nut-zungsintervalle unabhängig vom tatsächli-chen Zustand der Maschinen- oder Werkzeugkomponenten. Eine entsprechende Instandhaltungsstrategie führt im Vergleich zur reaktiven Instandhaltung bei Wahl einer geeigneten Wartungsperiode zu einem signi-fikant geringeren Ausfallrisiko. Der Aus-tausch von Komponenten erfolgt jedoch häu-fig bereits vor Erreichung der vorgesehenen Lebensdauer. Die Instandhaltungsstrategie ist daher sehr einfach umzusetzen. Die Er-mittlung der optimalen Wartungsperiode ge-staltet sich jedoch schwierig, weshalb diese
Instandhaltungsstrategie immer noch ver-gleichsweise teuer ist.
Die präventiv zustandsbasierte Instandhal-tungsstrategie sieht die Durchführung von Instandhaltungsmaßnamen genau dann vor, wenn (Verschleiß-)Anzeichen eine Wartung oder Instandsetzung anzeigen. Die Verfüg-barkeit von Echtzeitinformationen über den Zustand der einzelnen Maschinen- oder Werkzeugkomponenten stellt dabei eine Grundvoraussetzung dar. Neben einer softwaregestützten Zustandsanalyse sind Investitionen in Sensorikkomponenten zur Datenaufnahme erforderlich. Die Instandhal-tungsstrategie ist daher vergleichsweise aufwendig, resultiert jedoch in deutlich geringeren Instandhaltungskosten. Charak-teristisch für die prädiktive Instandhaltung – auch vorausschauende Instandhaltung (engl.: Predictive Maintenance) genannt – ist die Aufzeichnung und Analyse von Daten über längere Zeiträume zur detaillierten Pro-gnose potenzieller Störungen und gezielten zeitlichen Wartung sowie komponentenbezo-gener Instandsetzung. Übergeordnetes Ziel dieser Instandhaltungsstrategie ist die Prä-vention von Störungen vor deren Auftreten. Produktionsausfälle können vorhergesagt und proaktiv durch eine frühzeitige Planung und Durchführung von Instandhaltungsmaß-nahmen vermieden werden. Predictive Maintenance ist daher sehr Know-how-intensiv und ermöglicht bei konsequenter Anwendung geringe Instandhaltungskosten.
Bei einer präskriptiven Instandhaltungsstra-tegie reagieren und agieren Maschinen eigenständig auf Veränderungen im Produk-tionsprozess, um Wartungs- und Instandset-zungsmaßnahmen hinauszuzögern bzw. zu verhindern. So können Maschinen anhand generierter Zustandsinformationen entspre-chende Maschinenparameter bei Bedarf dahingehend anpassen, dass der Werkzeug-verschleiß reduziert wird. Automatisch aus-gelöste Instandhaltungsaufträge und Ersatz-teilbestellungen oder -produktion bspw. per 3D-Druckverfahren gewährleisten zudem
Instandhaltungs- strategien
Präventiv PräskriptivReaktiv
Präventiv periodisch
Präventivzustandsbasiert
Prädiktiv
„Instandhaltung ist der Oberbegriff für Inspek-
tion, Wartung und Instandsetzung“
(DIN 31051)
Predictive MaintenancePredictive Maintenance
9
eine schnellstmögliche Reaktion bei Maschi-nenstillständen infolge von Werkzeugschä-den. Zur erfolgreichen Implementierung die-ser Strategie ist eine genaue Kenntnis über die Verschleißmechanismen der eingesetzten Werkzeuge nötig, die erst durch die zielge-richtete Datenerhebung und -analyse aufge-baut wird. Demzufolge stellt die Implemen-tierung von Predictive Maintenance stets eine Voraussetzung für die Anwendung einer präskriptiven Instandhaltungsstrategie dar.
Die erfolgreiche Implementierung von Pre-dictive Maintenance erfordert zunächst eine eindeutige Definition zukünftiger Ziele. Da-bei lassen sich die vier Zieldimensionen Wirt-schaftlichkeit, Strategie im Sinne strategi-scher Produktions- oder Geschäftsziele sowie Qualität und Zeit unterscheiden. Die kollabo-rative Anwendung von Predictive Maintenan-ce führt zu besseren Ergebnissen des Werk-zeugbaubetriebs und des Serienproduzenten in allen vier Zieldimensionen. Es existieren für beide jeweils unterschiedliche charakte-ristische Kennzahlen – sogenannte Key Per-formance Indicators (KPIs) – für jede Zieldi-mension zur Beschreibung und Messung des Erfolgs. Die relevantesten KPIs je Zieldimen-sion für Werkzeugbaubetrieb und Serienpro-duzent sollen im Folgenden kurz erläutert werden. Nichts desto trotz sind die nachfol-gend vorgestellten KPIs nicht allgemeingül-tig, da diese stets unternehmensspezifisch festgelegt werden müssen.
Innerhalb der strategischen Dimension führt Predictive Maintenance beim Serienprodu-zenten zu einer Verringerung des Ausfallrisi-kos, da es nur noch selten zu ungeplanten Produktionsstopps kommt. Demzufolge kann die Liefertermintreue verbessert sowie Lager-bestände reduziert werden. Die Strategie des Werkzeugbaubetriebs zielt auf eine langfris-
tige Kundenbindung ab. Der Erfolg dieser Strategie und der angebotenen Predictive Maintenance-Dienstleistungen kann über die Anzahl der Instandhaltungsaufträge gemes-sen werden. In der Zieldimension Wirtschaftlichkeit kön-nen die Instandhaltungskosten des Serien-produzenten reduziert werden, da Werzeug-schäden bereits vor einem Komplettausfall des Werkzeugs detektiert und behoben werden können. Der Werkzeugbaubetrieb kann durch die gesteigerte Produktivität des Serienproduzenten einen höheren Umsatz mit dem Verkauf von Zusatzdienstleistungen wie Wartungspaketen erzielen, da der Serienproduzent bereit ist, für eine höhere Maschinenverfügbarkeit zu zahlen.
In der Dimension Qualität kann der Serien-produzent seinen Ausschuss fehlerhafter Tei-le reduzieren, da über die Sensorik frühzeitig Veränderungen des Werkzeugs erkannt und damit negative Auswirkungen auf die Serien-produktion verhindert werden können. Der Werkzeugbaubetrieb kann im Bereich Quali-tät die Anzahl an Werkzeugreklamationen reduzieren bzw. umfangreiche Garantiever-sprechen vergeben und somit die Kundenzu-friedenheit nachhaltig steigern.
In Bezug auf die Dimension Zeit ergibt sich für den Serienproduzenten eine deutlicheReduktion der werkzeugbedingten Still-standszeiten. Der Werkzeugbaubetrieb hin-gegen kann die Durchlaufzeit von In-standhaltungsmaßnahmen aufgrund einer besseren Planbarkeit reduzieren.
Reklamationsquote
Durchlaufzeit von Instand-haltungsmaßnahmen
Ausschuss
Werkzeugbedingte Stillstandszeit
KPIsSerienproduzent
KPIsWerkzeugbaubetrieb
Wirtschaftlichkeit
Qualität
Zeit
€ UmsatzInstandhaltungskosten
Anzahl Instand-haltungsaufträgeAusfallrisikoStrategie
45 %Führende Experten er-warten eine Reduktion der Instandhaltungs-
kosten von bis zu 45% durch den Einsatz von
Predictive Maintenance
Predictive Maintenance
10
Industrie 4.0: Implement it!(2018)
Heat Sensitive Tools (2017)
Zielsetzung der StudieDie Zielsetzung der vorliegenden Studie be-steht darin, einen Leitfaden zur Entwicklung Predictive Maintenance-basierter Dienstleis-tungen für Werkzeugbaubetriebe bereitzu-stellen. Zudem dient die Studie als Leitlinie für Unternehmen, die vermehrt Ausfälle in ihrer Serienproduktion durch wiederholte, unvorhergesehene Störeinflüsse verzeichnen und als Reaktion darauf die Entwicklung ei-ner Predictive Maintenance-Lösung anstre-ben.
Die Studie basiert sowohl auf konkreten For-schungsergebnissen aus einem aktuellen For-schungsprojekt zur „Datenbasierten Werk-zeugverfügbarkeit für die Serienproduktion durch Predictive Maintenance“ (WerkPri-Ma), als auch auf Expertenwissen der jeweili-gen teilnehmenden Partner aus Industrie und Forschung.
Ziele des Forschungsprojekt WerkPriMaZiel des Forschungsprojekts WerkPriMa war die Entwicklung eines Prognosemodells im Sinne der Predictive Maintenance sowie die
wirtschaftliche Verwertung durch die Erar-beitung datenbasierter Dienstleistungskon-zepte. Ein erstes Teilziel war dabei die Generierung, Erfassung und Verarbeitung relevanter Prozess-, Maschinen- und Werk-zeugdaten über den gesamten Lebenszyklus eines Werkzeugs. Darauf aufbauend erfolgte die Erstellung eines Modells zur Vorhersage zukünftiger Fehlerzustände am produzierten Artikel sowie am verwendeten Werkzeug. Dem schloss sich die Entwicklung und Pilo-tierung eines datenbasierten Dienstleistungs-konzepts für den Werkzeugbaubetrieb an. Dabei standen insbesondere die Echtzeitbe-obachtung und -analyse von Werkzeugver-schleiß und Beschädigungen, das Vorschla-gen optimierter Wartungsintervalle, der Austausch relevanter Daten zwischen Serien-produzent und Werkzeugbaubetrieb sowie das Anbieten neuartiger, datenbasierter Dienstleistungen im Fokus. Diese neuartigen Dienstleistungen ermöglichen eine Differen-zierung durch gesteigerten Kundennutzen und stärken so die Wettbewerbsposition des beteiligten Werkzeugbaubetriebs.
Forschungswissen
Produktionsforschung
Forschungsprojekte
Studien
Studie Predictive Maintenance
Forschungsprojekt-WerkPriMa
TecPro (2010)
Smart Tools (2015)
SeMeSta (2018)
Weiteres Wissen aus
Intelligente Werkzeuge und datenbasierte Geschäftsmodelle (2018)
Digitale Transformation im Werkzeugbau (2019)
Industriewissen
Serienproduzenten
Werkzeugbaubetriebe
Data Analytics
Zielbild des Forschungsprojekts WerkPriMa
Predictive MaintenancePredictive Maintenance
11
Partnerunternehmen des Forschungs-projekts WerkPriMaAm Projekt WerkPriMa waren Experten aus verschiedenen Bereichen der produzieren-den Industrie sowie der Datenanalyse und Produktionsforschung beteiligt. Die BMW AG und die Continental Automotive GmbH nah-men dabei als Serienproduzenten am Projekt teil. Die Krämer+Grebe GmbH & Co. KG Mo-dellbau sowie die Sauer & Sohn GmbH & Co. KG stellten die korrespondierenden Werk-zeugbaubetriebe dar. Mit der i2solutions GmbH war zudem ein auf Datenanalyse spe-zialisiertes Unternehmen am Projekt betei-ligt. Aus dem Bereich der Produktionsfor-schung war das Werkzeugmaschinenlabor WZL der RWTH Aachen federführend an der Durchführung beteiligt. Das Projekt wurde gefördert durch das Bundesministerium für Bildung und Forschung (BMBF) und verwal-tet durch den Projektträger Karlsruhe (PTKA).
Zielzustand des Forschungsprojekts WerkPriMaDas von einem unternehmensexternen Werk-zeugbaubetrieb hergestellte Werkzeug ist bei einem Serienproduzenten im Einsatz. Über
eine Vielzahl von Sensoren sowie über die Steuerungseinheiten der Produktionsma-schinen werden Zustandsdaten zum Prozess erhoben, die in diversen Softwaresystemen der Produktion (ERP, MES etc.) des Serien-produzenten gespeichert werden. Bei Feh-lern oder weiteren definierten Ereignissen werden die aus den Softwaresystemen ge-wonnenen Zustandsdaten auf der WerkPri-Ma-Plattform gespeichert. Dort werden die Zustandsdaten entsprechend aufbereitet. Diese Statusdaten werden mit dem Werk-zeugbaubetrieb geteilt, welcher die Statusda-ten eines Störfalls bewertet und eine War-tungsmaßnahme vorschlagen kann. Durch die Bewertung der Zustandsdaten wird zu-dem ein Algorithmus trainiert, welcher zu-künftige Störfälle detektieren und vorhersa-gen kann. Zudem soll der Algorithmus geeignete Maßnahmen eigenständig vor-schlagen können. Der Werkzeugbaubetrieb kann dadurch Instandsetzungsmaßnahmen langfristig anbieten und frühzeitig einpla-nen. Gleichzeitig wird die Stillstandszeit beim Serienproduzenten durch die prädikti-ve Instandhaltung auf Seiten des Werkzeug-baubetriebs minimiert, sodass beide Partner von der entwickelten Lösung profitieren.
-Plattform
Produktions-maschine
Qualitäts-sicherung
Werkzeug
Aufnahme von Zustandsdaten
Bereitstellung von Know-how
Vorhersage von Störfällen
Übertragung von Statusdaten
Predictive Maintenance
12
Analysephase
Umsetzungsphase
Gestaltungsphase
Predictive MaintenancePredictive Maintenance
13
Vorgehen zu Entwicklung einer Predictive Maintenance-LösungDie Entwicklung von Predictive Maintenan-ce-Lösungen in Kollaboration von Serienpro-duzenten und Werkzeugbaubetrieben bedarf mehrerer Schritte, die teilweise sequentiell, teilweise parallel zu durchlaufen sind. Je nach Reifegrad möglicher bestehender Vor-arbeiten können einzelne Schritte über-sprungen oder mit geringerer Intensität aus-geführt werden. Aufgrund der Komplexität der Thematik kommt es in der Regel zu zahl-reichen Iterationen, die auch nach dem Ende der Entwicklung erster Lösungen vorkom-men und notwendig sind. So sollte kontinu-ierlich hinterfragt werden, ob die angebotene Predictive Maintenance-Lösung weiterhin die Anforderungen des Marktes optimal adres-siert, neue Technologien zur Verbesserung einer entsprechenden Lösung beitragen kön-nen und wie sich relevante Wettbewerber im Markt positionieren.
Im Folgenden wird ein entsprechender, gene-rischer Entwicklungsprozess zur Entwick-lung von Predictive Maintenance-Lösungen
für Werkzeugbaubetriebe beschrieben. Die-ser dient auch als Leitlinie für Serienprodu-zenten, die hohe Ausfallzeiten verzeichnen und daher eine Predictive Maintenance-Lö-sung umsetzen wollen. Der generische Ent-wicklungsprozess leitet sich aus dem Vorge-hen des Forschungsprojekts WerkPriMa ab und ist in drei Phasen mit insgesamt sechs Schritten unterteilt. Im Rahmen der Analysephase werden zunächst alle relevan-ten Voraussetzungen und Anforderungen an eine Predictive Maintenance-Lösung aufgenommen. In der Gestaltungsphase werden werkzeug-, infrastruktur- und dienstleistungsseitige Lösungen entwickelt. Abschließend erfolgt die Inbetriebnahme, das Anlernen des Algorithmus sowie die Definition von Interaktionspunkten und Workflows. Eine entsprechende Detaillie-rung wird in den nachfolgenden Kapiteln dargelegt.
Auswahl Produktions-prozess und Werkzeug
Vorprüfung
Entscheidung
Vorbereitung Prognosesystematik
A B
C
Gestaltungsphase
Analysephase
Sensorintegration undDatenerfassung
Iterativ
Aufbau digitaler Infrastruktur
Umsetzungsphase
EntwicklungDienstleistungskonzepte
Auswahl und Training Vorhersagealgorithmus
F
E
D
Predictive Maintenance
14
Predictive MaintenancePredictive Maintenance
15
Schritt A: Auswahl Produktionsprozess und WerkzeugZur anforderungsgerechten Entwicklung von Predictive Maintenance-Lösungen im Werk-zeugbau müssen initial relevante Produkti-onsprozesse und eingesetzte Werkzeuge identifiziert werden. Anschließend erfolgt eine finanzielle Bewertung relevanter Werk-zeugfehler sowie eine technische Vorprü-fung, um die Realisierbarkeit von Predictive Maintenance im gegebenen Kontext zu evalu-ieren. Sofern diese positiv ausfällt, folgt eine Detailprüfung inklusive Ableitung der finalen Entscheidung, ob und in welchem Umfang eine Predictive Maintenance-Lösung im Un-ternehmen technisch umgesetzt werden kann und wirtschaftlich realisiert werden sollte. Fällt die Entscheidung negativ aus, sollte entweder der Betrachtungsbereich aus-geweitet oder eine alternative Instandhal-tungsstrategie entwickelt werden.
Prozess-, Werkzeug- und Fehleridenti-fikation sowie technische Vorprüfung Für Predictive Maintenance-Lösungen eig-nen sich unter Betrachtung wirtschaftlicher Gesichtspunkte insbesondere kostenintensi-ve Produkte, die in hoher Stückzahl gefertigt werden und bei denen häufig kostspielige Fehler auftreten. Diese Kriterien sollten da-her bei der Prozess-, der Werkzeug- und der Fehleridentifikation berücksichtigt werden. Insbesondere Fehler, die hohe finanzielle Auswirkungen auf die Lebenszykluskosten des Werkzeugs aufweisen, ermöglichen gro-ßes Einsparpotenzial und sollten genauer analysiert werden. Zur Identifikation und grafischen Darstellung der relevanten Fehler mit dem größten Einsparpotenzial eignet sich ein sogenanntes Paretodiagramm. Es empfiehlt sich, entweder einen Schwellwert festzulegen (Option A) oder eine relative Be-trachtung im Sinne einer ABC-Analyse vorzu-nehmen (Option B). Zur Erstellung eines Pa-retodiagramms müssen umfangreiche Daten
bereitgestellt werden. Neben direkten Fehler-kosten wie z. B. Instandsetzungs-, Ausschuss- oder Nacharbeitskosten sind ebenfalls indi-rekte Fehlerkosten zu berücksichtigen. Diese umfassen z. B. Kosten für Maschinenstillstän-de und Mengenverluste sowie Konventional-strafen durch Produktionsausfälle beim Kun-den. In einigen Fällen können diese die direkten Fehlerkosten um ein Vielfaches übersteigen. Darüber hinaus sollten auch die Wartungsintervalle der Werkzeuge mit zugehörigen Wartungs- bzw. Kontroll-kosten aufgenommen werden. Die Addition beider Fehlerkostenarten ergibt die aggre-gierten Fehlerkosten im Lebenszyklus eines Werkzeugs, die für die Betrachtung im Paretodiagramm verwendet werden sollten.
Nachdem finanziell relevante Fehler identifi-ziert worden sind, muss die Realisierbarkeit der Fehlererfassung im Rahmen der techni-schen Vorprüfung validiert werden. So muss bspw. evaluiert werden, ob sich der Bruch von Werkzeugkomponenten oder der Verschleiß von formgebenden Komponenten reproduzierbar durch Sensorik erfassen lässt. Hierfür muss die Genauigkeit der am Markt verfügbarer Sensorik ausreichen, hinrei-chend Bauraum im Werkzeug vorhanden sein sowie die konkrete Rückführbarkeit der Sen-sorergebnisse auf Fehler bzw. Fehlerursa-chen möglich sein. Gleichzeitig müssen Tech-nologien zur Datenweiterleitung, -speicherung und -verarbeitung verfügbar sein. Falls erforderliche Sensorik am Markt nicht verfügbar oder ungeeignet ist, so fällt die technische Vorprüfung negativ aus, wor-aufhin geprüft werden muss, ob indirekte Messmethoden möglich sind oder andere Fehlerarten gewählt werden können. Sollte die Erfassung weiterer Daten dennoch nicht möglich sein, so muss ein anderes Werkzeug oder ein anderer Prozess gewählt werden.
Prozess-, Werkzeug- und Fehler- identifikation sowie technische
Vorprüfung
Detailprüfung und Entscheidungsfindung
Ausgewählte Prozesse und Werkzeuge im
Forschungsprojekt WerkPriMa
B
C
F
E
D
A
Identifikation kritischer Fehler
Predictive Maintenance
16
Detailprüfung und Entscheidungsfin-dungUm eine valide Entscheidung hinsichtlich zu realisierender Predictive Maintenance-Lö-sungen treffen zu können, bedarf es abschlie-ßend einer Detailprüfung. Hierfür müssen konkrete Einsparpotenziale aufgrund gerin-gerer Fehlerkosten den Aufwänden für die sensorbasierte Überwachung gegenüberge-stellt werden. Die Aufwände unterteilen sich dabei in direkte sowie indirekte Kosten. Di-rekte, also dem Werkzeug direkt zuordenbare Kosten, umfassen z. B. Aufwendungen für die Werkzeugauslegung, die Sensorik, die Pro-grammierung der entsprechenden Hardware sowie die Bereitstellung des notwendigen Speicherplatzes. Indirekte Kosten beinhalten bspw. Aufwendungen in Form von Weiterbil-dungskosten für den Aufbau neuer Mitarbei-terkompetenzen für Sensorauswahl, Daten-verarbeitung oder Data Analytics. Die Entwicklung einer Predictive Maintenan-ce-Plattform mit entsprechender Visualisie-rung aller notwendiger Kennzahlen erfordert einen hohen Mitarbeiteraufwand oder die Beauftragung einer externen Firma und stellt somit auch ein Beispiel für indirekte Kosten dar.
Auf Basis aller genannten Kenngrößen und Daten kann nun eine Gegenüberstellung von Kosten und Nutzen sowohl in quantitativer als auch qualitativer Form erfolgen. Für die
quantitative Beurteilung eignet sich bspw. eine Amortisationszeitberechnung, während die qualitative Begutachtung zum Beispiel mit einer Nutzwertanalyse durchgeführt wer-den kann.
Die Kombination aus quantitativem und qua-litativem Nutzen innerhalb einer Matrix er-möglicht die Identifikation relevanter An-wendungsfälle von Predictive Maintenance. Im Rahmen einer Predictive Maintenance-Lö-sung kann sowohl ein einzelner Fehler, z. B. unzureichende Maßhaltigkeit aufgrund von Stempelverschleiß, als auch eine Fehlerkom-bination, z. B. Gratbildung und Wanddicken-abweichung durch Werkzeugatmung, adres-siert werden. Das Zusammenfassen von Fehlern innerhalb eines Anwendungsfalls sollte nur dann vollzogen werden, wenn die-se dieselbe Ursache teilen und gleichzeitig detektiert werden können. Grundsätzlich sollten Anwendungsfälle mit einem hohen quantitativen und qualitativen Nutzen bevor-zugt realisiert werden. Aus strategischen Ge-sichtspunkten kann allerdings auch qualitati-ven Faktoren eine höhere Gewichtung zukommen.
Für die ausgewählten Anwendungsfälle kann anschließend mit der Projektplanung begon-nen werden. Diese umfasst den Zeitrahmen, das Budget sowie die erforderlichen Techno-logien und Kompetenzen.
FehlerD
FehlerB
FehlerA
FehlerE
FehlerC
Relevante Fehler: D, B, A
Option A: Festlegung einer Fehlerkosten-grenze
Absolute Fehlerkosten
Kumulierte, relative Fehlerkosten
Option B: Betrachtung einer relativen Schranke(z. B. 80%)Relevante Fehler: D, B
Absolute Fehlerkosten(linke Achse)
Kumulierte Fehlerkosten(rechte Achse)
2.000
4.000
6.000
0
8.000
405060708090100
%€
302010
Predictive MaintenancePredictive Maintenance
17
Ausgewählte Prozesse und Werkzeu-ge im Forschungsprojekt WerkPriMaDas beschriebene Vorgehen zur Identifikati-on relevanter Produktionsprozesse und Werkzeuge wurde im Forschungsprojekt WerkPriMa appliziert. Die beiden beteiligten Serienproduzenten waren die BMW AG und die Continental Automotive GmbH. Beide Unternehmen verfügen über eine Vielzahl unterschiedlichster Produktionsprozesse, in denen verschiedenste Fertigungsverfahren und Werkzeuge zum Einsatz kommen. Mit Fokus auf Predictive Maintenance konnten bei beiden Unternehmen jeweils ein Produk-tionsprozess identifiziert werden, in dem es in der Vergangenheit zu werkzeugbedingten Ausfällen gekommen war. Auf dieser Grund-lage wurden die wirtschaftlichen Risiken bzw. die Potenziale in Bezug auf die beiden
Produktionsprozesse berechnet. Darüber hi-naus konnte in Zusammenarbeit mit den Werkzeugbaubetrieben ermittelt werden, in-wieweit die Realisierung einer entsprechen-den Predictive Maintenance-Lösung werk-zeugtechnisch möglich ist.
Als Ergebnis konnte bei der BMW AG ein Druckgussprozess für Zylinderblöcke in der Motorenfertigung mit entsprechendem Druckgusswerkzeug als geeigneter Prozess identifiziert werden. Bei der Continental Au-tomotive GmbH erwies sich ein komplexer Spritzgussprozess für Interieur-Elemente mit dazugehörigem Spritzgusswerkzeug als sinn-volles Untersuchungsobjekt. Diese beiden Prozesse sowie die zugehörigen Werkzeuge bildeten anschließend die Grundlage für die weiteren Entwicklungen.
Quantitative Bewertung
Berechnung der z. B. Zeitdauer der Amortisation
Gesamtbewertung
Aggregation und Visualisierung der Teilergebnisse
2
1
4
3
5
1
2
3
4
5
Anwendungsfall 1
Anwendungsfall 2
Anwendungsfall 4
Anwendungsfall 5
Anwendungsfall 3
Qua
litat
iver
Nut
zen
Quantitativer Nutzen Hoch
Gering
Hoch
Gering
1 23 4 5 ...Za
hlun
gsst
röm
e
t [Perioden]
Amortisationsdauer
Zahlungsströme Kumulierter Barwert
Qualitative Bewertung
Berechnung des finanziell unzureichend quantifizierbaren Nutzen
Kundenbindung
wichtiger als...weniger wichtig als...
Reklamationsquote
Durchlaufzeit der Reparaturen
Kund
enbi
ndun
g
Rekl
amat
ions
quot
e
∑ Pu
nkte
Dur
chla
ufze
it de
r Rep
arat
uren
Gew
icht
ung
[%]
Predictive Maintenance
18
Schritt B: Vorbereitung PrognosesystematikDie Vorbereitung der Prognosesystematik er-folgt im zweiten Schritt der Analysephase. Zuerst ist eine Aufnahme der ganzheitlichen Wirkzusammenhänge von Fehlern und In-standsetzungsmaßnahmen notwendig, bevor daraufhin Einflussparameter zugeordnet und geeignete Eingriffsgrenzen definiert werden können. Durch die drei Schritte werden die notwendigen Voraussetzungen für das späte-re Training des Prognosealgorithmus ge-schaffen (Schritt F).
Aufnahme von Wirkzusammenhän-genUm ein detailliertes Prozessverständnis zu er-möglichen, ist zunächst eine genaue Aufnah-me der gesamten Wirkzusammenhänge des betrachteten Serienproduktionsprozesses, inklusive des betreffenden Werkzeugs, erfor-derlich. Darauf basierend werden relevante Prozessparameter sowie Fehlerbilder am Bauteil identifiziert und klassifiziert. Hierzu müssen für jedes Fehlerbild die Fehlerausprä-gung am Bauteil mit dem zugehörigen Mess-wert erfasst und die notwendigen Sensoren sowie der Speicherort der Daten definiert werden. Zudem ist eine Nachverfolgbarkeit der produzierten Teile erforderlich, um die Fehlerentstehung im Nachhinein auch im Hinblick auf Zeit und Produktionsreihenfolge nachvollziehen zu können. Im nächsten Schritt gilt es, den Zusammenhang zwischen dem Bauteilfehler und dem zugrunde-liegenden Schadensbild am Werkzeug herzustellen. Dazu ist eine Klassifizierung des Schadensbilds am Werkzeug notwendig. Die Klassifizierung dient als Unterstützung bei der Ermittlung der Schadensursache, um Maßnahmen zur Fehlerbehebung zu definie-ren. Das gewonnene Prozessverständnis stellt die Grundlage für die im weiteren Verlauf zu entwickelnde digitale Infrastruktur. Die Vereinheitlichung und Standardisierung der von Fehlerbildern, Prozessparametern usw.
schafft die Grundlage für eine automatisierte Verarbeitung durch den Algorithmus der Pre-dictive Maintenance-Lösung. Dazu müssen standardisierte Begrifflichkeiten für die Be-zeichnung von Fehlern, Maßnahmen etc. de-finiert werden. Ebenso muss die Lokalisie-rung der Fehler standardisiert sein. Hierzu wird ein standardisiertes Raster zur Beschrei-bung des Ortes, an dem ein Fehler an einem Bauteil bzw. im Werkzeug aufgetreten ist, verwendet. Somit ist für jeden Ort der Bau-teil- bzw. Werkzeugoberfläche eine eindeuti-ge Bezeichnung vorgesehen.
Zuordnung von EinflussparameternZur Analyse der Wirkzusammenhänge wer-den die relevanten Prozessdaten aus bspw. den Kategorien Produktionsmaschine, Quali-tät, Produkt, Werkzeugzustand und Material den identifizierten Fehlerbildern zugeordnet, um die Stärke der Wechselwirkung zu bewer-ten. Dabei werden eingangs Hypothesen auf-gestellt, die im weiteren Verlauf anhand auf-genommener Daten validiert und ergänzt werden. Auf Basis der bewerteten Wirkzu-sammenhänge wird anschließend eine Ein-flussmatrix erstellt, anhand derer festgelegt werden kann, welche Prozessdaten insge-samt für den Einsatz einer Predictive Main-tenance-Lösung erhoben werden müssen.
Aufnahme von EingriffsgrenzenZur Vorbereitung der Prognosesystematik müssen aufbauend auf den ermittelten Wirk-zusammenhängen geeignete Eingriffs- und Warngrenzen für die relevanten Prozesspara-meter definiert werden. Diese müssen für alle zuvor definierten Messgrößen sinnvoll fest-gelegt werden und sind für die spätere Zu-standsüberwachung und Prognose zukünfti-ger Prozesszustände unabdingbar. Die Bestimmung dieser Werte kann auf Basis be-reits aufgenommener Datensätze erfolgen oder aber in Zusammenarbeit mit den zu-
KraftWeg
Temperatur
Schwingungen
Oberflächenqualität
Abfallführung
Tribologisches System/Schmierung
Material/Halbzeug
Bauteilpositionierung
Kein Einfluss
Geringer Einfluss
Mittlerer Einfluss
...
...
A
C
F
E
D
B
Aufnahme von Wirkzusammenhängen
Zuordnung von Einflussparametern
Aufnahme vonEingriffsgrenzen
Wirkzusammenhänge im Forschungsprojekt
WerkPriMa
Einflussmatrix zur Bestimmungdes Datenerhebungsbedarfs
HoherEinfluss
Predictive MaintenancePredictive Maintenance
19
Große ReparaturKurze Nacharbeit
ErsetzenReinigen/PolierenSchmieren
ohne Funktionfalsche FunktionAusbruch/RissUndichtigkeit
GratbildungKernbruchAuswerferbruchHydraulik-Leckage
Fehlerausprägung am Bauteil
Fehlerbilder am Bauteil
Messwert
Schadensbild am Werkzeug
Sensor
Schadensursache
Datenquelle
Maßnahme am Werkzeug
Auftragsart
Maßnahmenausprägung am Werkzeug
ReparaturGroße WartungKleine Wartung
ERPBDE
TemperaturfühlerDrucksensor
noch in Toleranz Nacharbeit am BauteilAusschuss
DruckZeit TemperaturWeg
EinfallstellenDelle/BeuleGratSchlieren
Beispiele Spritzgussproduktion (Auszug aus Forschungsprojekt WerkPriMa):
Bauteil
Werkzeug
1 5
1 5
ständigen Prozessingenieuren für die Serien-produktion bestimmt werden. Hierbei kann auch der Werkzeugbaubetrieb wertvolles Wissen beitragen, da er ebenfalls über umfas-sende Prozesskenntnisse verfügt.
Wirkzusammenhänge im Forschungs-projekt WerkPriMaIm Forschungsprojekt WerkPriMa konnten zahlreiche Fehler mit dazugehörigen Wirkzu-sammenhängen aufgenommen werden. In der folgenden Abbildung ist ein Auszug der aufgenommenen Wirkzusammenhänge be-zogen auf den betrachteten Spritzgusspro-zess bei der Continental Automotive GmbH dargestellt. Dabei wurden jedem Fehlerbild
notwendige Messwerte, Sensoren etc. zuge-ordnet, die die Grundlage für die folgenden Entwicklungsschritte, insbesondere die Erar-beitung der Prognosesystematik, bilden. Zu-dem wurden Einflussparameter ermittelt und den Fehlerbildern zugeordnet. Beispielswei-se konnte festgestellt werden, dass Verzug im Spritzgussartikel auf Temperaturschwan-kungen zurückzuführen war. Anschließend konnten basierend auf vergangenen Produk-tionsdaten Eingriffsgrenzen definiert wer-den, welche den idealen Betriebszustand begrenzen. Auf Basis entsprechender Hypo-thesen konnte im weiteren Verlauf des Forschungsprojekts die Prognosesystematik optimiert werden.
Predictive Maintenance
20
Predictive MaintenancePredictive Maintenance
21
Schritt C: Entwicklung DienstleistungskonzepteSchritt C sieht als Kernelement des Predictive Maintenance-Ansatzes die Entwicklung von Dienstleistungskonzepten vor. Die Konzepte müssen dabei so ausgelegt werden, dass so-wohl der Werkzeugbaubetrieb als auch der Serienproduzent von der konzipierten Dienstleistung gleichermaßen profitieren kann. Hierzu werden in einem ersten Teil-schritt die Bedürfnisse von Serienproduzent und Werkzeugbaubetrieb identifiziert und priorisiert. Im Anschluss werden potenzielle direkte und indirekte Dienstleistungen ent-wickelt. Abschließend können relevante Dienstleistungen aufgrund ihrer Zielgerich-tetheit abgeleitet werden.
Identifikation und Priorisierung von BedürfnissenUnter Betrachtung der Kundenperspektive muss daher zunächst in Erfahrung gebracht werden, welche Bedürfnisse der Serienpro-duzent und der Werkzeugbaubetrieb haben. Dabei können unterschiedliche Methoden
wie das Value Proposition Canvas, das Custo-mer Journey Mapping oder Personas zur Er-hebung genutzt werden. Eine weitere Mög-lichkeit der Bedürfnisidentifikation stellen Kundeninterviews dar, die der Werkzeugbau-betrieb durchführt. Anschließend können die identifizierten Kundenbedürfnisse entspre-chend ihrer Relevanz eingeordnet und priori-siert werden. Hierzu eignet sich das Ka-no-Modell, unter dessen Anwendung eruiert werden kann, welche Bedürfnisse zwingend befriedigt werden sollten und welche eine überproportionale Zahlungsbereitschaft des Kunden für entsprechende Dienstleistungen bedeuten. Die Einordnung und Priorisierung der Kundenbedürfnisse bildet anschließend die Grundlage zur Entwicklung potenzieller Dienstleistungen. Ein detaillierter Überblick über geeignete Methoden zur Bedürfnisiden-tifikation und die Anwendung des Kano-Mo-dells wird in der WZL-Studie „Digitale Trans-formation im Werkzeugbau“ gegeben.
A B
F
E
D
C
Kundenperspektive
Relevante Dienstleistungen
Leistungsperspektive
Identifikation und Priorisierungvon Bedürfnissen des
Werkzeugbaubetriebs und des Serienproduzenten
Entwicklung potenziellerdirekter und indirekter
Dienstleistungen
Ableitung relevanterDienstleistungen gemäß den
vordefinierten KPIs in den Zieldimensionen
€
Zielperspektive
Identifikation und Priorisierung von Bedürfnissen
Entwicklung potenzieller direkter und indirekter
Dienstleistungen
Ableitung relevanter Dienstleistungen gemäß ihrer Zielgerichtetheit
Dienstleistungen im Forschungsprojekt
WerkPriMa
Trichter zur Dienstleistungsentwicklung
Predictive Maintenance
22
Entwicklung potenzieller direkter und indirekter DienstleistungenIm Zuge der Leistungsperspektive erfolgt die Entwicklung potenzieller Dienstleistungen. Dabei können Kreativitätstechniken genutzt werden, um auf Basis der identifizierten und priorisierten Bedürfnisse erste Ideen für Dienstleistungen zu entwickeln. Anschlie-ßend müssen die Ideen in konkrete Dienst-leistungen überführt und detailliert werden. Dies beinhaltet eine genaue Untersuchung der Prozessabläufe sowie deren Wirkungs-richtung innerhalb der einzelnen Dienstleis-tungen. Zudem muss eruiert werden, welche Ressourcen zur Bereitstellung der Dienstleis-tung benötigt werden und wie die entspre-chende Dienstleistung dem Kunden einen Mehrwert bietet. Abschließend folgt eine Un-terscheidung der entwickelten Dienstleistun-gen hinsichtlich direkter und indirekter Dienstleistungen. Direkte Dienstleistungen stellen das primäre Leistungsprogramm dar, das einem Unternehmen von einem anderen Unternehmen angeboten wird. Entsprechende Dienstleistungen sind daher direkt monetarisierbar. Indirekte Dienstleis-tungen ergeben sich hingegen zwangsläufig aus der Aufbereitung und Bereitstellung der eingesetzten Daten, Informationen sowie von Interaktionen und stellen folglich Sekundär-leistungen des eigentlichen Dienstleistungs-konzepts dar. Aufgrund ihrer schwierigen Monetarisierbarkeit können sie folglich als Zusatzleistungen verstanden werden, die den beteiligten Unternehmen weitere Vorteile bieten, jedoch nur indirekt im Dienstleis-tungspaket mit mindestens einer direkten Dienstleistung monetarisierbar sind.
Ableitung relevanter Dienstleistun-gen gemäß ihrer ZielgerichtetheitDie zu entwickelnden Dienstleistungen wer-den nun den zuvor definierten KPIs des Werk-zeugbaubetriebs und des Serienproduzenten in den vier Zieldimensionen Wirtschaftlich-keit, Strategie, Qualität und Zeit gegenüber-gestellt und hinsichtlich ihres Zielerfüllungs-grads quantitativ bewertet. Die Bewertung von Nutzen und Aufwand der Dienstleistun-
gen gibt Aufschluss über den jeweiligen Mehrwert, der sich für Werkzeugbaubetrieb und Serienproduzent ergibt. Die Zielperspek-tive verifiziert zudem die Richtung des Servi-ceangebots anhand von Höhe und Anzahl der erzielten Verbesserungen innerhalb der KPIs von Werkzeugbaubetrieb und Serienprodu-zent. Das Ergebnis von Schritt C stellen somit bewertete und priorisierte, für den Werk-zeugbaubetrieb und den Serienproduzenten relevante, Dienstleistungen dar.
Dienstleistungen im Forschungspro-jekt WerkPriMaIm Rahmen des Forschungsprojekts WerkPri-Ma wurden die in Kapitel 3 bereits vorgestell-ten KPIs von den beteiligten Werkzeug-baubetrieben und Serienproduzenten als am relevantesten erachtet und für die Entwicklung geeigneter Dienstleistungen als Bemessungsgrundlage verwendet. Zu-dem konnte eine Vielzahl an Kundenbedürf-nissen identifiziert werden. Die Bedürfnisse der Serienproduzenten zielten primär auf die Reduktion der Produktions- und Instandhal-tungskosten, einen reibungslosen Produkti-onsablauf, eine gesteigerte Produktivität, ei-nen verringerten Ausschuss und eine schnellere Fehlerbehebung ab. Die beteilig-ten Werkzeugbaubetriebe argumentierten hinsichtlich des Erhalts frühzeitiger Informa-tionen über dringende Instandsetzungsauf-träge, höherer und kontinuierlicher Zah-lungsströme sowie eines konstanten Auftragseingangs. Mithilfe des Kano-Modells konnten die identifizierten Bedürfnisse an-schließend geclustert und priorisiert werden. Auf dieser Basis wurden insgesamt vier direk-te und zwei indirekte Dienstleistungen iden-tifiziert, die allerdings nur für die beteiligten Werkzeugbaubetriebe und Serienproduzen-ten als relevant zu erachten sind, da KPIs und Dienstleistungen stets unternehmens- und kundenspezifisch erarbeitet werden müssen. Im Folgenden werden die entwickelten direk-ten und indirekten Dienstleistungen, die auf-grund ihrer Zielgerichtetheit auch alle als „relevant“ eingestuft werden konnten, kurz vorgestellt.
Dienstleistungssystem im Forschungsprojekt
WekPriMaVorhersage von Ausfällen inkl. Wartung oder Instandsetzung
Verbesserte Koordination des Instandhaltungsprozesses
Optimierung des Produktionsprozesses
Steigerung der Prozesstransparenz
Optimierung des Werkzeugs
Generierung von neuenWerkzeugwissen
Dir
ekte
Die
nstl
eist
unge
nIn
dire
kte
Die
nstl
eist
unge
n
Predictive MaintenancePredictive Maintenance
23
Die Vorhersage von Ausfällen basiert auf der Datenauswertung von Verschleißzuständen. Dies wird durch den Einsatz und das Training eines selbstlernenden Algorithmus auf einer übergreifenden Plattform ermöglicht, die alle relevanten Daten erhebt und visualisiert. Diese WerkPriMa-Plattform muss in der Lage sein, mögliche zukünftige Abweichungen und Ausfälle auf Basis aktueller und vergan-gener Produktions- und Werkzeugdaten des Serienproduzenten zu berechnen und War-nungen auszugeben. Eine geeignete Bewer-tungsskala für System- und Werkzeugzustän-de sowie eine Klassifizierung von Fehlern ist dafür zwingend erforderlich. Dem Werkzeug-baubetrieb werden die entsprechenden Vor-hersagen in Echtzeit zur Verfügung gestellt, damit dieser möglichst frühzeitig die not-wendigen Instandhaltungsmaßnahmen ein-planen und durchführen kann.
Die WerkPriMa-Plattform soll es den Serien-produzenten außerdem ermöglichen, eine frühzeitige Koordination aller anstehenden Wartungen und Instandsetzungen vorzuneh-men, um die Produktionsplanung der Serien-produktion zu optimieren. Damit profitieren auch die Werkzeugbaubetriebe durch die frühzeitige Einplanung entsprechender In-standhaltungsaufträge. Die Plattform muss daher konkrete Termine durch Zeitfenster für die Bearbeitung planen und freie Kapazitäten anzeigen.
Die Optimierung des Produktionsprozesses stellt eine weitere Dienstleistung dar, die der Werkzeugbaubetrieb dem Serienproduzen-ten als eine Art Beratungsleistung bereitstel-len kann. Durch die erfassten Daten können Erkenntnisse über den Produktionsprozess gewonnen werden. Insbesondere durch den Vergleich der Daten unterschiedlicher Seri-
enproduzenten mit ähnlichen Werkzeugen kann eine optimierte Einstellung der Maschi-nenparameter ermöglicht werden. Der Werk-zeugbaubetrieb kann dem Serienproduzen-ten folglich Vorschläge für optimierte Prozessparameter der Produktionsmaschine unterbreiten.
Die Werkzeugoptimierung stellt die ergän-zende Dienstleistung für das Werkzeug dar. Durch die Übermittlung der erfassten Daten an den Werkzeugbaubetrieb kann das Wissen vergangener Messungen und ähnlicher Werk-zeuge rückgeführt und zur Verbesserung ge-nutzt werden. Entsprechende Verbesserungs-maßnahmen können anschließend im Zuge von Wartungen und Instandsetzungen mit Einverständnis des Serienproduzenten vor-genommen werden und stellen folglich einen Service dar, den der Werkzeugbaubetrieb dem Serienproduzenten anbietet. Ferner können Experten des Werkzeugbaubetriebs auf Basis der auf der WerkPriMa-Plattform angebotenen Daten Designvorschläge zur Verbesserung von Werkzeugen anbieten.
Zusätzlich konnten zwei indirekte Dienstleis-tungen im Zuge des Forschungsprojekts ent-wickelt werden – die Steigerung der Prozes-stransparenz und die Generierung neuen Werkzeugwissens. Erstere nutzt primär dem Serienproduzenten, der durch die auf der Plattform analysierten Daten neues Prozess-wissen zur Instandhaltungsoptimierung ge-winnen kann. Zweitere dient primär dem Werkzeugbaubetrieb zur internen Optimie-rung seines Werkzeugentwicklungsprozes-ses.
Predictive Maintenance
24
Predictive MaintenancePredictive Maintenance
25
Schritt D: Sensorenintegration und DatenerfassungDaten stellen die Basis einer Predictive Main-tenance-Lösung dar. Als technische Grundla-ge bedarf es Sensorik, um ein digitales Abbild des Werkzeugs sowie des Produktionsprozes-ses zu generieren. Entsprechend erfolgt in Schritt D die Festlegung und mögliche Stan-dardisierung des Sensorbedarfs für die Über-wachung relevanter Prozessparameter. Zunächst wird dafür der Sensorbedarf ermittelt sowie entsprechende Sensoren aus-gewählt und integriert. Anschließend wird die Datenaufnahmesystematik definiert. Darüber hi-naus kann es langfristig sinnvoll sein, Standards für die Sensorauswahl und -integration zu definieren, um den Umset-zungsaufwand für nachfolgende Predictive Maintenance-Anwendungen zu reduzieren.
Identifikation, Auswahl und Integra-tion von SensorikUm Fehler (Schritt A) über zugeordnete Pro-zessparameter (Schritt B) erfassen zu kön-nen, ist der anforderungsgerechte Einsatz von Sensorik erforderlich. Wesentlicher Er-folgsfaktor bei der Auswahl der einzusetzen-den Sensorik ist die Kenntnis über deren Cha-rakteristika. Grundsätzlich können Sensoren anhand der sieben Dimensionen Bauraum, statische Genauigkeit, dynamisches Verhal-ten, Messbereich, Überbelastbarkeit, Um-welteinflüsse sowie Zuverlässigkeit charakte-risiert werden.
Neben den genannten Charakteristika eines Sensors wird dieser durch die Messgröße selber beschrieben. Die für Werkzeugbaube-triebe im Zusammenhang mit der Auslegung einer Predictive Maintenance-Lösung rele-vantesten Sensorarten umfassen z. B. Weg, Geschwindigkeit, Beschleunigung, Kraft,
Druck, Temperatur, Rauheit oder Topografie. Anhand relevanter Prozessparameter werden zunächst mögliche Messverfahren und somit Sensorarten bestimmt. Werkzeugverschleiß oder Strukturschäden lassen sich z. B. über die Prozessparameter Kraft oder Schwingung bestimmen, die wiederum durch einen Kraftsensor bzw. Körperschallsensor mes-stechnisch detektiert werden können. Je nach Anwendungsfall können entsprechende Sensoren im Werkzeug integriert oder an der entsprechenden Anlage (z. B. Presse oder Spritzgussmaschine) installiert werden. In einigen Fällen (z. B. Bauteilvermessung) kann der Sensor auch extern und somit unab-hängig von Werkzeug oder Anlage bereitge-stellt werden.
Die vorläufige Auswahl der korrekten Sensor-konfiguration (Art und Anzahl der Sensorik) erfordert neben der Erfassbarkeit entspre-chender Prozessparameter ebenfalls die Be-herrschbarkeit der anfallenden Datenmenge. Körperschallsensoren arbeiten beispielswei-se in der Regel im Megahertzbereich, sodass bei einer Samplingtiefe (Abtastgenauigkeit eines analogen Signals) von 24 bit pro Tag ca. 200 Gigabyte an Daten pro verbautem Sensor anfallen. Eine größere Anzahl jener Sensoren stellt entsprechende Herausforderungen an die IT-Infrastruktur. Die Berücksichtigung der Datenmenge sollte daher kritisch in den Auswahlprozess einbezogen werden.
Anschließend erfolgt die Auswahl konkreter Sensorik. Diese wird in der Regel von einer Vielzahl unterschiedlicher Hersteller angebo-ten, was die entsprechende Analyse und Eig-nungsbewertung notwendig macht. Eine in der Praxis häufig genannte Schwierigkeit bei
A B
C
F
E
DD
Identifikation, Auswahl und Integration von Sensorik
Vorbereitung Datenweiterleitung,
-speicherung und -verarbeitung
Standardisierung und Aufbau von
Baukastenläsungen
Sensoren und Datenaufnahme im Forschungsprojekt
WerkPriMa
Predictive Maintenance
26
der Sensorauswahl stellt die Positionierung des Sensors dar. Sensoren müssen in der Re-gel wirkstellennah integriert sein, um die zu messende physikalische Größe valide zu er-fassen. Aufgrund von Bauraumbeschränkun-gen an einem Werkzeug bzw. in der Produkti-onsumgebung ist dies nur eingeschränkt möglich. Dementsprechend sollten mögliche Positionierungen mithilfe von Simulationen abgesichert und in einem iterativen Prozess verbessert werden. Auf Basis von Erfahrungs-werten sowie der Kompatibilität hinsichtlich der Datenübertragbarkeit zu den weiteren Komponenten (z. B. IoT-Gateway) der Predic-tive Maintenance-Lösung sollte abschließend die Entscheidung für einen konkreten Sensor erfolgen. Eine detailliertere Beschreibung der Sensorauswahl ist in der WZL-Studie „In-telligente Werkzeuge und datenbasierte Ge-schäftsmodelle“ aus dem Jahr 2018 zu fin-den.
Vorbereitung Datenweiterleitung, -speicherung und -verarbeitungDie Datenweiterleitung wird in der Regel durch Verwendung sogenannter IoT-Gate-ways ermöglicht. Je nach Hersteller und Fabrikat verfügen diese über eine unter-schiedliche Anzahl von Ein- und Ausgängen und unterstützen verschiedene Sensortypen. Weiterhin weisen sie Unterschiede hinsicht-lich interner und externer Datenspeicherung auf und erlauben eine kabelgebundene oder kabellose Datenübertragung. Die Auswahl des IoT-Gateways erfolgt iterativ in Abstim-mung mit der benötigten Sensorik, da verfüg-bare Gateways lediglich eine geringe Breite an unterschiedlichen Sensoriklösungen un-terstützen. Einige Hersteller bieten lediglich Komplettlösungen aus IoT-Gateway, Sensorik und Auswertesoftware an, was allerdings Vorteile in der Kompatibilität und den Plug-and-Play-Eigenschaften mit sich bringt.Nachdem ein geeignetes IoT-Gateway identi-fiziert wurde, muss eine Entscheidung hin-
sichtlich der Datenspeicherung getroffen werden. Diese kann je nach Kundenwunsch und IoT-Gateway-Fabrikat lokal auf dem IoT-Gateway, zentral auf einem Kundenser-ver oder in einer Cloud realisiert werden. Während der lokale Betrieb Vorteile hinsicht-lich Datensicherheit und Latenz aufweist, er-möglicht die Cloudlösung eine Fremdwar-tung und einfache Skalierbarkeit. In jedem Fall bietet sich eine lokale Pufferung der Sen-sordaten auf dem IoT-Gateway an, um im Fal-le eines Netzwerkausfalls keinen Datenver-lust zu erleiden.
Zur Datenanalyse und -verwendung müssen die Daten abschließend in eine passende Datenstruktur überführt werden. Lösungen stellen hierbei das relationale sowie das di-mensionale Datenmodell dar, wobei das di-mensionale Datenmodell bei Verarbeitung großer Datenmengen Vorteile bietet. Die kontinuierliche Prüfung aufgenommener Da-ten auf Verlässlichkeit, Genauigkeit und Voll-ständigkeit kann z. B. durch den Einbau re-dundanter Sensoren erreicht werden. Über die Zusammenführung multimodaler Daten in einem Datenmodell werden abschließende Konsistenz- und Plausibilitätschecks ermög-licht, wodurch eine valide Datenbasis für die weiteren Analysen zur Verfügung steht.
Standardisierung und Aufbau von BaukastenlösungenSofern zukünftig die Umsetzung weiterer Predictive Maintenance-Anwendungen ge-plant ist, sollte langfristig eine Standardisie-rung angestrebt werden, um die Sensor- und IoT-Gateway-Auswahl sowie deren Integrati-on vereinfachen. Dies umfasst den Aufbau eines Sensorikbaukastens, in dem gängige Sensoriklösungen (unterschiedlicher Her-steller) in einer Datenbank gesammelt und hinsichtlich relevanter Auswahlkriterien be-wertet werden. Anhand entsprechender An-forderungskriterien kann mit geringem Auf-
Beispielhafte Sensorintegration (fiktives Beispiel)
Auswerferseite des Werkzeugs
Auswerfer-traverse
Düsenseitedes Werkzeugs
Druck-/Thermosensoren
Kraftmessdübel
Beschleunigungs-sensor
Acoustic EmissionSensor Dehnungssensorik
Temperatursensor
Predictive MaintenancePredictive Maintenance
27
durch Anwendung von Simulationen vali-diert werden. Konkret handelte es sich um hochtemperaturfeste Dehnmessstreifen so-wie piezoelektrische Kraftsensoren. Die Dehnmessstreifen und Kraftsensoren wurden anschließend im Rahmen einer geplanten Wartung durch den Werkzeugbau im Druck-gusswerkzeug eingebaut, anschließend in der Produktion kalibriert sowie in das MES-System der BMW AG eingebunden. Für den betrachteten Spritzgussproduktionspro-zess wurden bereits zahlreiche Produktions-parameter durch die Spritzgussmaschine und durch bestehende Sensorik im Werkzeug auf-genommen. Darüber hinaus konnten durch das Anbringen zusätzlicher Sensoren in der direkten Umgebung weitere Parameter er-fasst werden, wie bspw. von Temperatursen-soren und optische Sensoren zum Zählen von gefertigten Artikeln und Ausschuss.
1. Daten- aufnahme über Sensorik
2. Speicherung der Prozessdaten
3. Analyse der Prozessdaten
4. Darstellung und Auswertug
5. Präventive Wartung und Reparatur
Kompatible Sensorik
Datenübertragung und -speicherung
Sonstiges
Art und Anzahl Eingänge Art der Datenübertragung Software
Art und Anzahl Ausgänge Integrierte Datenspeicherung Stromversorgung
Kompatible Sensorentypen Art und Anzahl der Anschlüsse Abmessungen
Unterstützte Abtastrate Datenschutz (Firewall) Echtzeitfähigkeit
Rele
vant
e Eig
ensc
haft
en
die Vereinheitlichung sensorikführender Werkzeugelemente umfangreiche Vorteile bei der Werkzeugentwicklung sowie der spä-teren Inbetriebnahme.
Sensoren und Datenaufnahme im For-schungsprojekt WerkPriMaIm Druckgussprozess zeigte sich die Schwie-rigkeit, dass zu Projektbeginn eine Vielzahl an relevanten Prozessparametern nicht er-fasst wurde. Dies war auf die hohen Prozess-temperaturen innerhalb des Druckgusspro-zesses zurückzuführen, die den Einsatz und die Positionierung der Sensorik sowohl im Werkzeug als auch in der Druckgussmaschi-ne erschwerten. Auf Basis der Fehlerbilder und notwendigen Parameter konnten im Fol-genden jedoch geeignete Sensoren ausge-wählt und adäquate Einbaupositionen ermit-telt werden. Diese konnten anschließend
Vorgehen der Prozessüberwachung
Predictive Maintenance
28
Predictive MaintenancePredictive Maintenance
29
Schritt E: Aufbau digitale InfrastrukturIn Schritt E erfolgt zeitgleich mit der Senso-rintegration und Datenerfassung (Schritt D) die Entwicklung der IT-Infrastruktur. Dazu werden Anforderungen an die übergreifende Datenplattform aufgenommen und Teilziele definiert, entsprechend derer die technische Umsetzung der Plattform vorgenommen wird.
Aufnahme und Definition von Platt-formanforderungenDie Entwicklung einer Datenplattform er-folgt anhand des Lastenheftes, das die in den vorigen Schritten erarbeiteten Zwischener-gebnisse enthält und stellt die Basis der digi-talen Infrastruktur dar. Die wesentlichen In-halte eines Lastenhefts gliedern sich in allgemeine Beschreibungen sowie spezifische Anforderungen (für weitere Details siehe IEEE 29148:2018): o Allgemeine Beschreibungen o Beteiligte und Nutzer o Vorhandene System- und Prozess- landschaft o Spezifische Anforderungen o Funktionale Anforderungen o Nicht-Funktionale Anforderungen o Externe Systemschnittstellen o Sicherheits-anforderungen o Systemleistungs-anforderungen
Ein solches Lastenheft mit den genannten Punkten muss übergreifend mit allen Projekt-beteiligten erarbeitet und dokumentiert wer-den. Dabei empfiehlt es sich, frühzeitig die interne IT-Abteilung zu integrieren sowie sich durch externe Partner wie Softwarean-bieter unterstützen zu lassen.
Auf Basis des Lastenhefts wird anschließend die Datenplattform entwickelt. Dabei liegt der Datenplattform das Verständnis der am WZL entwickelten Struktur des Internet of Production zugrunde, die nachfolgend vor-gestellt wird.
An Maschine und Werkzeug werden mithilfe von Sensoren die Rohdaten erfasst, die um Daten aus weiteren Systemen des Produkti-onsumfelds (z. B. Maschinensteuerung, Qua-litätssoftware, Produktionsplanung und -steuerung) ergänzt werden. Zur Verarbei-tung der Rohdaten ist eine Middleware erfor-derlich. Für diese gilt es, entsprechende Hardware zur Datenspeicherung bereitzu-stellen sowie geeignete Schnittstellen zur Re-alisierung der Datenintegration vorzusehen. Es folgt die Implementierung der Progno-sesystematik und Datenverarbeitung zur Er-zeugung sogenannter Smart Data. Dabei handelt es sich um aufbereitete und aggre-
Datenplattform
• Datenvisualisierung• Entscheidungs- unterstützung• Datenaustausch• Datensicherheit
• Serverhardware• Datenspeicher• Integration be- stehender Systeme• Schnittstellen
• Maschinensteuerung• Sensorintegration
• Datenaufbereitung• Datenverarbeitung & -analyse• Eventlogik• Prognosealgorithmen
Smart DataMiddleware
Enwicklungsfelder:
Rohdaten-erfassung
?
A B
C
F
D
DE
Aufnahme und Definition von Plattformanforderungen
Entwicklung einer übergreifenden Datenplattform
Plattformarchitektur im Forschungsprojekt WerkPriMa
Plattformfunktionen im Forschungsprojekt WerkPriMa
Darstellung einer generischen Plattformarchitektur
Predictive Maintenance
30
gierte Daten mit entsprechendem Informati-onsgehalt. Die notwendigen Voraussetzun-gen hierzu wurden in Schritt B bereits geschaffen. Des Weiteren erfolgt die system-technische Definition einer Eventlogik zur ereignisbasierten Datenübertragung. Ein sol-ches Event ist ein vorab definiertes Systemer-eignis, das durch das Zusammenspiel be-stimmter Ausprägungen von Prozess-, Maschinen- oder Werkzeugparametern oder auch durch eine Bauteil- oder Werkzeug-inspektion ausgelöst wird. Darauf aufbauend kann eine Vorauswahl der zu implementie-renden Algorithmen und Hypothesen getrof-fen werden. Der schlussendlich zur Prognose eingesetzte Algorithmus bzw. die erforderli-che Kombination mehrerer Algorithmen kann allerdings erst in der Trainingsphase (Schritt F) final ausgewählt und überprüft werden, da an dieser Stelle das zugrundelie-gende mathematische Problem noch nicht hinreichend bekannt ist.
Die Datenplattform visualisiert die Ergebnis-se der Datenanalyse auf geeignete Weise, um eine Entscheidungsunterstützung bei der Be-wertung von Werkzeugzuständen, der Ablei-tung von Maßnahmen und der Planung von Wartungen zu bieten. Die Forderung nach Datensicherheit wird dadurch adressiert, dass jeder an der Wertschöpfung beteiligte Partner eine eigene Plattform betreibt. Dabei ist dem Schritt B zufolge zu beachten, dass alle Prozessinformationen inklusive der da-raus abgeleiteten Prognosen dort gespeichert werden, wo sie erhoben worden sind. Eine Weitergabe von Daten an andere Wertschöp-fungspartner ist möglich, diese findet jedoch nicht automatisch statt.
WerkPriMa-Plattform
ExternIntern
Senden:Event pushEmpfangen:Event listen
Plattform 2
Plattform 3
Plattform 4
Smart Data
Event push (SSL Nachricht)
Middleware
Rohdaten
Produktions-systeme
Cockpit-Ansicht
Micro Services
Message Bus
Analyse-Ansicht
Event Generator
Daten-banken
Sensoren
MES
MaschinenLog
ERP
SPS
...
...
Daten-speicher
Message queues
Plattformarchitektur im Forschungsprojekt WerkPriMa
Predictive MaintenancePredictive Maintenance
31
Datenplattform im Forschungsprojekt WerkPriMaIm Forschungsprojekt WerkPriMa wurde eine ganzheitliche Datenplattform zur Darstel-lung der Prozessdaten und zur Vorhersage der Ausfälle entwickelt. Dabei baut die Platt-form auf einer Architektur auf, die sich an der erläuterten Struktur des Internet of Producti-on orientiert. Die WerkPriMa-Plattform ist bei jedem Partner aus Gründen der Datenho-heit und -sicherheit installiert und individuell in die Systemlandschaft integriert. Jedes Un-ternehmen besitzt daher seine eigenen Daten und nur ausgewählte Daten werden mitein-ander geteilt. Zudem besteht die Möglichkeit, eine Vernetzung mit weiteren zentralen Da-tenspeichern wie bspw. der Microsoft Azure Cloud vorzunehmen.
Zunächst werden die zu erfassenden Daten aus dem Produktionsumfeld (Datenbanken, Manufacturing Execution System (MES), Enterprise Resource Planning (ERP), Maschi-nen-Logs, Sensoren etc.) gesammelt. Der Event Generator filtert diese und identifiziert relevante Events, bevor er die betreffenden Daten an den Message Bus weiterleitet. Diese eventbasierte Datenaufnahme bietet den Vor-teil, dass bereits früh im Datenverarbeitungs-prozess unauffällige Datensätze gefiltert wer-den, um die Effizienz der Plattform zu steigern. Für das Projekt WerkPriMa wurden dazu vier Event-Kategorien (Test-, Maschi-nenfehler-, Parameter- und Werkzeuginspek-tion) identifiziert und implementiert, die alle prozessrelevanten Zustände und Einfluss-möglichkeiten abdecken. Das Test-Event be-schreibt eine Bauteilinspektion, die bspw. in regelmäßigen Intervallen durch die Qualitätssicherung durchgeführt wird. Erho-bene Daten umfassen das Inspektionsergeb-nis (i. O./n. i. O.) und die Bauteilbeschaffen-heit. Eine automatisierte Übertragung aller
Maschinen- und Sensordaten zum Zeitpunkt des Events ist durch die Anbindung der Pro-duktionssysteme an die WerkPriMa-Platt-form gegeben. Eine manuelle Eingabe ist ebenfalls möglich. Bei Fehlern in einer Bear-beitungsmaschine wird automatisiert ein Maschinenfehler-Event ausgelöst. Dieses ent-hält neben dem von der Maschine ausgegebe-nen Fehlercode weitere Maschinen- und Pro-zessparameter des Zeitpunkts, zu dem der Fehler aufgetreten ist. Ein weiteres Event ist das Parameter-Event, das sich auf verschiede-ne definierte Prozess-, Maschinen oder Bau-teilparameter bezieht. Die Aufnahme der Pa-rameter erfolgt in festgelegten Intervallen oder manuell über die Steuerung der im Prozess eingesetzten Bearbeitungsmaschi-nen sowie über die integrierte Sensorik. Werkzeug-inspektions-Event bezieht sich auf eine beliebige Aktion, die das Werkzeug be-trifft (Inspektion, Wartung, Instandsetzung etc.), sowohl beim Serienproduzenten als auch beim Werkzeugbaubetrieb. Dabei wer-den der Werkzeug- bzw. der Bauteilzustand sowie das Inspektionsergebnis (i. O./n. i. O.) erfasst, indem der Maschinenbediener oder der Werkzeugmacher das beschädigte Bau-teil oder das Werkzeug fotografiert. Nach dem Hochladen des Bildes auf die Plattform, kann dieser über ein Raster, das automatisch über das Bild gelegt wird, auswählen, in wel-chem Feld sich der Mangel befindet. Der vor-definierte Rasterkatalog ermöglicht die ein-deutige räumliche Bestimmung von Mängeln, die zur weiteren Analyse genutzt werden kann. Durch die Verknüpfung möglicher Maßnahmen (bspw. Instandsetzung im Werkzeugbau, Material auf- oder abtragen, Nachschmieren etc.) wird zudem die Progno-se und eigenständige Auswertung durch den im nächsten Schritt beschriebenen Algorith-mus ermöglicht.
Predictive Maintenance
32
Im Message Bus werden die Events sortiert und strukturiert, bevor sie durch Micro Ser-vices, d. h. unabhängige Softwaremodule, die verschiedene Filter- und Klassifizierungs-funktionen bereitstellen, verarbeitet werden. Bei gegebener Relevanz werden diese an an-dere Akteure im Netzwerk weitergeleitet. Weitere Micro Services erstellen zudem Prog-nosen der zukünftigen Werkzeugzustände auf Basis vergangener Daten. Durch das Trai-ning des zugrundeliegenden Algorithmus werden dabei Smart Data erzeugt, die in einer Datenbank, dem sogenannten Daten-speicher, gesichert werden. Die WerkPriMa-Plattform ermöglicht schließlich über Zugriffsportale und Bildschirme die visuelle Bereitstellung des Werkzeugzustands und der zukünftigen Ausfälle.
Funktionen der Datenplattform im For-schungsprojekt WerkPriMaDie Benutzeroberfläche der WerkPriMa-Platt-form besteht aus der Cockpit-, Werkzeug- und Analyse-Ansicht (siehe S. 33). Die Cock-pit-Ansicht bietet eine Gesamtübersicht über zentrale Elemente sowie aktuelle Informatio-nen, wie bspw. Maschinenzustände und pro-gnostizierte, bevorstehende Events. Zudem werden alle aktiven Werkzeuge inklusive grundlegender Informationen wie z. B. die Schusszahlen und die Details vergangener Wartungen angezeigt. Auch Informationen zu aufgetretenen oder prognostizierten Feh-lern sowie eine Übersicht von der Plattform vorgeschlagener Maßnahmen werden visua-lisiert. Es bestehen zudem diverse Möglich-keiten zur Erstellung von Auswertungen oder zur Filterung und Eingrenzung von Maschi-nen-, Werkzeug- und Event-Informationen, bspw. nach Zeiträumen oder Fehlerarten. Auch die manuelle Eingabe von Events sowie deren Bewertung ist in dieser Ansicht mög-lich. Abschließend besteht die Option zum Exportieren oder Teilen relevanter Informati-
onen, wie bspw. Instandhaltungsplänen, Maßnahmen und Terminen mit anderen Wertschöpfungspartnern. Die Werkzeug-An-sicht stellt darüber hinaus die Detaillierung eines Werkzeugs dar. Es werden weitere rele-vante Informationen zu einem Werkzeug dar-gestellt, wie bspw. die Wartungs- und Mel-dungshistorie. Zudem kann ein Live-Zugriff auf alle vorhandenen Sensoren sowie das Festlegen von Grenzwerten erfolgen. Ein wei-teres Feature besteht in der Einbindung von frei-wählbaren Dokumenten wie bspw. 3D-Modelle oder Zeichnungen. Die Analy-se-Ansicht ermöglicht eine detailliertere Be-trachtung und Verarbeitung von Prozessda-ten. Erkannte oder gemeldete Auffälligkeiten werden hier aufgelistet und können manuell analysiert oder bewertet werden. Eine Über-sicht über auffällige Events sowie eine Detail-ansicht einzelner Werkzeug- und Sensorda-ten ist ebenfalls gegeben. Dabei arbeitet die WerkPriMa-Plattform nach dem Prinzip einer dynamischen, nicht-relationalen Datenbank. Dies bedeutet, dass stets alle hochgeladenen Daten verarbeitet und angezeigt werden – unabhängig von der Anzahl der eingesetzten Sensoren. Dies ermöglicht eine schnelle und iterative Hardwareanpassung, ohne dass auf-wendige Softwareanpassungen notwendig sind. Die Auswertungsansichten sind frei konfigurierbar. Somit können Datensets ver-schiedener Maschinen, Zeiträume oder Sen-soren ausgewählt, visualisiert und beliebig kombiniert werden. Eine weitere Funktion ist die Definition von Warn- und Eingriffsgren-zen sowie die Anzeige prognostizierter Ver-läufe der jeweils betrachteten Parameterkur-ven. Nutzer der Analysefunktion sind vor allem die Schichtleitung und die Prozessopti-mierung, die sich, ggf. unterstützt durch den internen Werkzeugbau, mit der Überwa-chung, Fehleranalyse und Optimierung der Produktionsprozesse befassen.
Predictive MaintenancePredictive Maintenance
33
Übersicht werkzeug-bedingter Störungen
Auswahl und Live-Zugriff auf angeschlossene
Sensoren
Übersicht von Fehlerfällen
Übersicht Produktions-maschinen und Werkzeuge
Übersicht aller aufgetretenen Fehlern (Detailansichten
möglich)
Cockpit-Ansicht
Werkzeug-Ansicht
Analyse-Ansicht
Übersicht auftretender Störungen
Übersicht von Grenzwertfällen
Übersicht Warnmeldungen
Festlegen von Grenzwerten
Einbindung von Dokumen-ten wie 3D-Modellen
Übersicht von Fehlertypen
Predictive Maintenance
34
Schritt F: Auswahl und Training VorhersagealgorithmusIm letzten Schritt erfolgt die Auswahl und das Training des Algorithmus zur Vorhersage von Fehlern. Das Ziel ist es dabei, eine Verlet-zung vorab definierter Eingriffsgrenzen im Voraus zu berechnen, um präventiv Korrek-turmaßnahmen einleiten zu können. Insbe-sondere das Training des Algorithmus ist ein zentraler Schritt, um eine hohe Prognosequa-lität des Algorithmus und damit die ge-wünschte Funktionalität der Predictive Main-tenance-Lösung sicherzustellen. Im Rahmen des Trainings erlernt der Algorithmus die Zusammenhänge zwischen auftretenden Fehlern und den dabei erfassten Prozesspara-metern auf Basis von Vergangenheitsdaten. Der Algorithmus wird somit dazu befähigt, die Wirkzusammenhänge zu reproduzieren, um auftretende Fehler und damit potenzielle Instandhaltungsfälle auch bei neuen Daten-sätzen prognostizieren zu können.
Auswahl und Training eines Algorith-mus zur Vorhersage von FehlernZunächst muss der Algorithmus aufgesetzt werden. Je nach gewählter Entwicklungsum-gebung und den verfügbaren Bibliotheken stehen hierbei verschiedene vorgefertigte Al-gorithmen zur Verfügung. Daher ist es sinn-voll, in einem ersten Durchlauf verschiedene alternative Algorithmen anzutrainieren, um anschließend den Algorithmus mit der höchsten Prognosegenauigkeit auszuwählen und weiter zu optimieren.
Im Anschluss erfolgt die Integration der Da-ten, mit denen der Algorithmus trainiert und die Trainingsergebnisse validiert werden sol-len. Dazu wird der Gesamtdatensatz vor Be-ginn des Trainings in einen Test- und einen
Validierungsdatensatz geteilt. Während des Trainings verarbeitet der Algorithmus den Trainingsdatensatz und passt seine Parame-ter fortlaufend an, um die in den Daten enthaltenen Zusammenhänge bestmöglich abzubilden. Anschließend wird der Validie-rungsdatensatz genutzt, um den trainierten Algorithmus anhand neuer Daten auf seine Funktionstüchtigkeit zu prüfen und zu evalu-ieren, ob die gewünschte Performance er-reicht wird. Nach dem erfolgreichen Ab-schluss der Validierung ist der Algorithmus einsatzfähig und kann in Betrieb genommen werden. Die erhobenen Daten können ge-nutzt werden, um wiederholte Trainingsläufe durchzuführen und die Prognosegenauigkeit des Algorithmus fortlaufend zu optimieren. Für das Training von Algorithmen im Kontext des maschinellen Lernens eignet sich insbe-sondere der Ansatz des Supervised Learning für Predictive Maintenance, da entsprechen-de Trainingsdaten neben den Input- auch die zugehörigen Output-Werte umfassen und so-mit prädestiniert für Prognoseaufgaben sind. Die Datensätze enthalten bspw. zusätzlich zu den gemessenen Werten der Prozessparame-ter Informationen darüber, ob das mit dem Werkzeug gefertigte Bauteil nach der Bear-beitung Fehler aufweist oder nicht.
Generell sind zum Trainieren der Algorith-men umfassende Fachkenntnisse im Bereich Programmierung sowie insbesondere ma-schinelles Lernen erforderlich. Sofern ent-sprechende Kompetenzen im eigenen Unter-nehmen nicht vorhanden sind, empfiehlt es sich, externe Partner in die Implementierung des Prognosealgorithmus einzubinden.
Ist-Verlauf
Eingriffsgrenze
ZukünftigerVerlauf
A
C
F
E
D
F
Auswahl und Training eines Algorithmus zur Vorhersage
von Fehlern
Training im Forschungsprojekt WerkPriMa
Einsatz des Algorithmus
Aufsetzen des Modells und des Algorithmus
Integration vonTrainingsdaten - Aufteilung desDatensatzes
010010110100
010010110100
Training des Algorithmus
Validierungdes Algorithmus
Predictive MaintenancePredictive Maintenance
35
Training im Forschungsprojekt Werk-PriMaIm Forschungsprojekt WerkPriMa wurde der Algorithmus nach dem Vorgehen des Super-vised Learning zunächst anhand bekannter Events trainiert, die aus Produktions- und Werkzeugdaten der Serienproduktion ge-wonnen wurden. In der Startphase des Trai-nings lag der Fokus dabei auf reduzierten Fehlerbildern, um einen einfachen Anlauf des Systems zu ermöglichen.
Als notwendige Voraussetzung wurde zu-nächst ein Trainingsdatensatz benötigt. Im Falle von Predictive Maintenance sind dies vor allem Zustandsdaten von Maschinen. Im Projekt WerkPriMa erfolgte dazu, neben der Verwendung bestehender Datensätze, eine Datenaufnahme über mehrere Monate. Hier-zu wurde bei den Projektpartnern BMW AG und Continental Automotive GmbH ein Druckguss- bzw. ein Spritzgussprozess zu Beginn ausgewählt und analysiert. Relevante Parameter waren bspw. im Falle des Spritz-gussverfahrens die Entformungstemperatur, die Fließfrontgeschwindigkeit und der Hy-draulikdruck – beim Druckgussprozess der Gießdruck und die Werkzeugtemperatur.
In der Trainingsphase wurden die aufbereite-ten Events zunächst manuell oder automati-siert in eine Datenbank, die WerkPriMa-Platt-form, eingepflegt. Dort wurden zudem mögliche Maßnahmen, die der Algorithmus vorschlagen kann, hinterlegt und mit ent-sprechenden Events verknüpft. Mithilfe die-ser Informationen hat der Algorithmus ver-sucht, erlernte Events anhand der ihm zugeführten Parametersets zu erkennen so-wie geeignete Maßnahmen vorzuschlagen. Dies kann bspw. die Anordnung einer War-tung zum nächstmöglichen Zeitpunkt oder aber ein sofortiger korrigierender Eingriff sein.
Die Vorschläge des Algorithmus wurden ma-nuell geprüft und bewertet. Die Bewertung wurde in der WerkPriMa-Plattform hinter-legt, um kontinuierlich Rückmeldungen zur Performance des Algorithmus zu geben. Auf Basis dieser Rückmeldungen wurde der Algo-rithmus in einem iterativen Verfahren stetig optimiert.
Prüfung und Benchmark der Vorschläge
Potentielle Maßnahmen
Vorschlag EventVorschlag Maßnahme
Bewertungder Vorschläge
Manuelle &automatische Eingabe
Manuelle Prüfung
Event
WerkPriMa-Plattform
Algorithmus
Key Findings Algorithmus-
training
Gute und fehlerfreie
Datenqualität
Kontinuirliche Optimierung
der Hard- und Software
Ausreichende Datenbasis
mit auf-getretenen
Fehlern
Korrektheit und Optimierungder Wirkzusam-
menhänge
Verfügbarkeit benötigter Hardware-ressourcen
Korrekte und kontinuierliche Bewertung der
Events
Regelkreis zum Training im Forschungsprojekt WerkPriMa
Predictive Maintenance
36
Ergebnisse und Einsparungen durch Predictive MaintenanceIm Rahmen des Forschungsprojekts WerkPri-Ma konnten konkrete Verbesserungen inner-halb der eingangs definierten Zieldimensio-nen und zugehörigen KPIs sowohl für die Serienproduzenten als auch die Werkzeug-baubetriebe nachgewiesen werden. Auf die-ser Grundlage wurde eine qualitative Bewer-tung der Dienstleistungen hinsichtlich aller KPIs vorgenommen. Die Ergebnisse, die auf den Resultaten der Validierung des Leitfa-dens bei den beteiligten Serienproduzenten und Werkzeugbaubetrieben beruhen, konn-ten für die identifizierten Dienstleistungen zusammengefasst werden.
Die konzeptionierte Dienstleistung Vorhersa-ge von Ausfällen inklusive Wartung oder In-standsetzung besitzt einen durchweg positi-ven Einfluss auf alle betrachteten KPIs. Die Serienproduzenten konnten dadurch ihre In-standhaltungskosten und die werkzeugbe-dingten Stillstandszeiten reduzieren sowie das Ausfallrisiko und ihren Ausschuss mini-mieren. Die Werkzeugbaubetriebe profitier-ten hingegen von steigenden Umsätzen, einer stärkeren Kundenbindung, geringeren Rekla-mationsquoten sowie von reduzierten Durch-laufzeiten bei Instandsetzungsaufträgen. Im Vergleich besitzt die direkte Dienstleistung Verbesserte Koordination des Instandhal-
tungsprozesses keinen direkten Einfluss auf den Umsatz des Werkzeugbaubetriebs und den Ausschuss sowie das Ausfallrisiko auf Seiten des Serienproduzenten.
Von einer quantitativen Bewertung wurde aufgrund der hohen Spezialisierung der Werkzeugbaubetriebe, der stark unterschied-lichen Produkte und Produktionsprozesse der Serienproduzenten sowie des Schutzes von Firmengeheimnisse abgesehen.
Generell können die Vorteile für den Serien-produzenten als Dienstleistungsempfänger vor allem in reduzierten Instandhaltungskos-ten sowie einer verbesserten Produktionspla-nung und Prozessoptimierung gesehen wer-den. Der Werkzeugbaubetrieb profitiert als Dienstleistungsanbieter von der Ausweitung seines Angebots und einer damit verbunde-nen Wettbewerbsdifferenzierung. Zusätzlich kann der Werkzeugbaubetrieb die Erkennt-nisse aus den Datenanalysen seinerseits nut-zen, um sowohl die eigenen Produkte als auch den angebotenen Instandhaltungsser-vice weiterzuentwickeln. Durch den koopera-tiven Aufbau von Predictive Maintenance-Lö-sungen können folglich beide Seiten gleichermaßen von entsprechenden Dienst-leistungskonzepten profitieren.
Predictive MaintenancePredictive Maintenance
37
Seri
enpr
odu
zen
t
Änd
erun
gsri
chtu
ng
der
Ken
nzah
len
Wer
kzeu
gbau
betr
ieb
Strategie
Wirtschaftlichkeit
Qualität
Zeit
Vorh
ersa
ge v
on A
usfä
llen
inkl
. W
artu
ng o
der I
nsta
ndse
tzun
g
Verb
esse
rte
Koor
dina
tion
des
Inst
andh
altu
ngsp
roze
sses
Opt
imie
rung
des
Pr
oduk
tions
proz
esse
s
Stei
geru
ng d
er P
roze
sstr
ansp
aren
z
Opt
imie
rung
des
Wer
kzeu
gs
Gen
erie
rung
von
neu
em
Wer
kzeu
gwis
sen
Direkte DL Indirekte DL
Instandhaltungskosten
Ausschuss
Werkzeugbed. Stillstandzeit
Umsatz
Reklamationsquote
Ausfallrisiko Anzahl Instand-
haltungsaufträge
Durchlaufzeit Instand-
haltungsmaßnahme
Erge
bnis
se a
us
dem
For
sch
un
gspr
ojek
t Wer
kPri
Ma
Predictive Maintenance
38
Zusammenfassung & Ausblickzepte sowie die notwendige IT-Infrastruktur entwickelt. Schließlich erfolgen in der Um-setzungsphase die Modellierung und das Training geeigneter Algorithmen.
Das Forschungsprojekt WerkPriMa folgte die-sem Leitfaden zur Entwicklung einer Predic-tive Maintenance-Lösung mit mehreren am Prozess beteiligten Wertschöpfungspartnern. Das definierte Ziel war dabei die Entwicklung eines Prognosemodells zur Vorhersage zu-künftiger Fehlerzustände am produzierten Bauteil und am verwendeten Werkzeug so-wie die Erarbeitung eines datenbasierten Dienstleistungskonzepts. Im Fokus standen insbesondere die Echtzeitbeobachtung und -analyse von Werkzeugverschleiß und Be-schädigungen, die Konzeption optimierter Wartungsverträge sowie der Austausch rele-vanter Daten zwischen Serienproduzent und Werkzeugbaubetrieb.
Die Ergebnisse des Forschungsprojekts zei-gen, dass der Einsatz einer Predictive Main-tenance-Lösung große Potenziale zur Erhö-hung der Maschinenverfügbarkeit durch signifikante Reduktion ungeplanter Ausfälle bei gleichzeitiger Verringerung von Instand-haltungskosten durch besser planbare, zu-standsgerechte Instandhaltung in der Serien-produktion bietet. Durch die Bereitstellung entsprechender Dienstleistungen bietet sich Werkzeugbaubetrieben die Möglichkeit, sich wirksam vom Wettbewerb zu differenzieren und ihre Profitabilität zu steigern.
ZusammenfassungProduktionsstillstände in der Serienprodukti-on sind häufig auf Probleme mit den sich auf den Maschinen befindenden Werkzeugen zu-rückzuführen. Einen Weg zur Lösung dieser Probleme bietet das Konzept Predictive Main-tenance, das Methoden zur Prognose von Störfällen wie bspw. Werkzeugversagen und darauf basierend die Ableitung konkreter Maßnahmen beschreibt. Dies führt dazu, dass die Ausfallwahrscheinlichkeit sowie die Instandhaltungskosten und -dauern von Werkzeugen in Serienproduktionsmaschinen signifikant gesenkt werden können, was wie-derum zu einer erhöhten Sicherheit, Produk-tivität und Profitabilität in der Serienproduk-tion führt. Für Werkzeugbaubetriebe ergibt sich dadurch die Chance, durch Erweiterung des bestehenden Dienstleistungsportfolios um Lösungen aus dem Bereich Predictive Maintenance, den Kundennutzen über den gesamten Lebenszyklus des Werkzeugs signi-fikant zu steigern und zusätzliche Geschäfts-felder zu erschließen.
Der vorgestellte generische Prozess stellt in drei Phasen einen systematischen Leitfaden zur Entwicklung von Predictive Maintenan-ce-Lösungen dar. In der Analysephase wer-den zunächst Potenzialbereiche zur Optimie-rung durch Predictive Maintenance-Lösungen identifiziert und anschließend die relevanten Wirkzusammenhänge für die Prognosesyste-matik untersucht. In der nachfolgenden Ge-staltungsphase werden Dienstleistungskon-
Predictive MaintenancePredictive Maintenance
39
ren zurückzuführen sind. Dafür müssen die relevanten Einflussfaktoren identifiziert, kontinuierlich aufgenommen und überwacht werden. So können bspw. hochkomplexe An-lagensysteme in der Prozessindustrie über-wacht werden.
Weitere wichtige Anwendungsgebiete stellen der Schienenverkehr und die Luftfahrt dar. Dort können Predictive Maintenance-Lösun-gen unter anderem für die Überwachung kri-tischer Bauteile eingesetzt werden, um Aus-fallzeiten zu reduzieren und Unfälle zu verhindern. Durch eine stärkere Zusammen-arbeit zwischen Instandhaltung, Produkti-onsplanung und Entwicklung ist zudem eine effizientere Gestaltung neuer Produktions-prozesse möglich, da Instandhaltungskosten drastisch reduziert werden können.
AusblickWeiterer Handlungsbedarf besteht in der Vernetzung der Datenplattform mit den Pla-nungssystemen der beteiligten Wertschöp-fungspartner, um die prognostizierten Aussa-gen direkt in der Planung zu berücksichtigen. Das Konsortium des Forschungsprojekts WerkPriMa arbeitet derzeit ebenfalls an der Integration der Informationen von der Da-tenplattform in den Planungssystemen der beteiligten Serienproduzenten und Werk-zeugbaubetriebe.
Über den Anwendungskontext von Werkzeu-gen hinaus, eignet sich Predictive Maintenan-ce für alle produktionstechnischen Bereiche in denen Verschleiß auftritt. Ferner kann Pre-dictive Maintenance zur Prozessbeherr-schung überall dort eingesetzt werden, wo Fehler auf innere und äußere Einflussfakto-
Predictive Maintenance
40
Autoren
Johan de LangeEhemaliger Gruppenleiter Abteilung UnternehmensentwicklungWerkzeugmaschinenlabor WZL der RWTH Aachen
Christoph KelzenbergLeiter Abteilung UnternehmensentwicklungWerkzeugmaschinenlabor WZL der RWTH Aachen
Prof. Dr. Günther SchuhInhaber des Lehrstuhls für Produktionssystematik Werkzeugmaschinenlabor WZL der RWTH Aachen
Felix StrackeEhemaliger Wissenschaftlicher Mitarbeiter Abteilung UnternehmensentwicklungWerkzeugmaschinenlabor WZL der RWTH Aachen
Christoph FreyWissenschaftlicher Mitarbeiter Abteilung UnternehmensentwicklungWerkzeugmaschinenlabor WZL der RWTH Aachen
Max BuschWissenschaftlicher Mitarbeiter Abteilung UnternehmensentwicklungWerkzeugmaschinenlabor WZL der RWTH Aachen
Predictive MaintenancePredictive Maintenance
41
Unsere Studien –Strategische Entwicklung ...
Corporate Tooling Flexible Tooling Organization
2017
Wolfgang Boos Michael Salmen Maximilian StarkJan WieseThilo SchultesMax Busch
Corporate Tooling – Flexible Tooling Organization2017
F3 Fast Forward Factory2015
F3 Fast Forward Factory
Günther SchuhMartin PitschNicolas KomorekMichael SalmenTh omas Kuhlmann
2015
Corporate Tooling –Intelligent Tool Manufacturing2017
Corporate Tooling Intelligent Tool Manufacturing
Wolfgang BoosMichael SalmenChristoph KelzenbergDavid GoertzJens Helbig
2017
Corporate Tooling – Agile Tool Development2017
Corporate ToolingAgile Tool Development
Wolfgang BoosMichael SalmenChristoph KelzenbergJohan de LangeFelix Stracke
2017
Fast Forward Tooling
Günther Schuh Wolfgang BoosMartin PitschMichael SalmenTobias HensenTh omas KuhlmannFelix Rittstieg
2015
Fast Forward Tooling2015
Smart Tooling2016
2016
Wolfgang BoosMichael SalmenAdvan BegovicChristoph KelzenbergFelix Stracke
Smart Tooling2016
Intelligente Werkzeuge und datenbasierte Geschäftsmodelle2018
2018
Wolfgang BoosChristoph KelzenbergJohan de LangeThilo SchultesMax Busch
Erfolgreich Lieferanten Managen im Werkzeugbau
2018
Wolfgang Boos Christoph Kelzenberg Jan Wiese Felix Stracke Christoph Ebbecke Tim Graberg Simon Jakubowski Sven Lapper
Intelligente Werkzeuge und datenbasierte Geschäftsmodelle
!
Digitale Transformation im Werkzeugbau2019
2019
Digitale Transformationim Werkzeugbau
Wolfgang BoosChristoph KelzenbergJan WieseDavid GoertzJulian BoshofMax BuschNiklas Kessler
Predictive Maintenance
42
Unsere Studien –Erfolgreich ...
2017
Wolfgang BoosMichael SalmenTobias HensenMax SchippersJan WieseThilo Schultes
Erfolgreich Performance Messen im Werkzeugbau
Erfolgreich Performance Messen2017
ErfolgreichRestrukturieren2017
Erfolgreich Restrukturieren im Werkzeugbau
2017
Wolfgang Boos Karl KuhlmannMichael Salmen Ulrich KenkChristoph KelzenbergJohan de LangeJan Wiese
Erfolgreich Automatisieren2017
Erfolgreich Automatisierenim Werkzeugbau
2017
Wolfgang BoosKristian ArntzLars JohannsenMarcel PrümmerMoritz Wollbrink Marcel WilmsRainer Horstkotte
Erfolgreich Finanzieren im Werkzeugbau
2016
Dr. Wolfgang Boos Dr. Karl KuhlmannMichael Salmen Ulrich KenkThomas Kuhlmann Jens HelbigMaximilian Stark
ErfolgreichFinanzieren2016
Erfolgreich Fertigungstechno-logien Einsetzen2017
Erfolgreich Fertigungs- technologien Einsetzenim Werkzeugbau
2017
Wolfgang BoosKristian ArntzLars JohannsenTim DröscherMoritz WollbrinkMarcel Prümmer
Erfolgreich Fräsen2018
2018
Wolfgang BoosKristian ArntzLars JohannsenMarcel PrümmerRainer HorstkottePhilipp GanserTommy VenekVincent Gerretz
Erfolgreich Fräsen im Werkzeugbau
2018
Wolfgang BoosKristian ArntzFlorian DegenMarcel PrümmerMoritz Wollbrink Rainer HorstkotteMario PothenVincent GerretzMarkus LandwehrFelix Konstantin Maurer
Erfolgreich CAx-Prozess-ketten Gestalten im Werkzeugbau
Erfolgreich CAx-Prozessketten Gestalten2018
Erfolgreich Lieferanten Managen2018
2018
Wolfgang BoosChristoph KelzenbergJohan de LangeThilo SchultesMax Busch
Erfolgreich Lieferanten Managen im Werkzeugbau
Erfolgreich Fokussieren und Segmentieren2019
Wolfgang BoosChristoph KelzenbergJohan de LangeDavid GoertzChristoph Ebbecke
2019
Erfolgreich Fokussieren und Segmentieren im Werkzeugbau
ErfolgreichDigitale Fräs-prozessketten Umsetzen2019
2019
Wolfgang BoosKristian ArntzFlorian DegenMoritz Wollbrink Vincent GerretzTae Hun LeeMario PothenTommy VenekFelix Konstantin MaurerMarkus LandwehrOliver HenrichsSteffen Lowis
Erfolgreich Digitale Fräsprozessketten Umsetzenim Werkzeugbau
Erfolgreich Planen und Steuern im Werkzeugbau2019
2019
Erfolgreich Planen und Steuernim Werkzeugbau
Wolfgang BoosChristoph KelzenbergJan WieseChristoph EbbeckeMax BuschBernd Haase
Erfolgreich Digital Vernetzen
42
2016
Wolfgang BoosMichael SalmenTobias HensenJan WieseJohan de LangeDavid Goertz
Erfolgreich Digital Vernetzen auf dem Shopfl oor im Werkzeugbau
2016
Wolfgang BoosMichael SalmenTobias HensenJan WieseJohan de LangeDavid Goertz
Erfolgreich Digital Vernetzen auf dem Shopfl oor im Werkzeugbau
Erfolgreich Digital Vernetzen2016
Wolfgang BoosMartin PitschMichael SalmenJan WieseChristoph KelzenbergJohan de Lange
Erfolgreich Kalkulierenim Werkzeugbau
2015
ErfolgreichKalkulieren2015
Wolfgang BoosMartin PitschMichael SalmenAdvan BegovicThomas Kuhlmann
2015
Erfolgreich Planenim Werkzeugbau
ErfolgreichPlanen2015
Erfolgreich Mitarbeiter Motivieren2016
Erfolgreich Mitarbeiter Motivierenim Werkzeugbau
2016
Wolfgang BoosMichael SalmenThomas KuhlmannTobias HensenMaximilian Stark
Predictive MaintenancePredictive Maintenance
43
Unsere Studien –Tooling in ...
World of Tooling2015
Wolfgang BoosMartin PitschTh omas KuhlmannMax SchippersMaximilian Stark
World of Tooling2015
2015
Tooling in Germany2018
Tooling in Turkey2016
Tooling in Turkey2016
Dr. Wolfgang BoosMichael SalmenThomas KuhlmannFelix RittstiegJohan de Lange
Tooling in South Africa2014
2014
Tooling in South Africa
Wolfgang BoosMartin PitschNicolas KomorekTh omas KuhlmannMaximilian StarkFelix Rittstieg
World of Tooling2018
Wolfgang BoosMichael SalmenChristoph KelzenbergMaximilian StarkThilo SchultesTim Graberg
2018
Tooling in Germany2016
Tooling in Germany2016
2016
Wolfgang BoosMichael SalmenTobias HensenLars JohannsenChristoph KelzenbergMax Schippers
Tooling in Czech Republic2018
Tooling in Czech Republic
1
Wolfgang BoosChristoph KelzenbergJan WieseDavid Goertz
2018
Tooling in Czech Republic 2018
Herausgeber Werkzeugmaschinenlabor WZLder Rheinisch-Westfälischen Technischen Hochschule AachenSteinbachstraße 19D-52074 Aachen
www.wzl.rwth-aachen.de
WBA Aachener Werkzeugbau Akademie GmbHKarl-Friedrich-Straße 60D-52072 Aachen
www.werkzeugbau-akademie.de
978-3-946612-04-9
Tooling in ChinaSpritzgießwerkzeugbau
2016
Wolfgang BoosMichael SalmenLars JohannsenTobias HensenAdvan BegovicMoritz Wollbrink
Tooling in China2016
Vorderseite
Wolfgang BoosMartin PitschTobias HensenDominik HeeschenLars Johannsen
Tooling in ChinaGroßblech- und Massivumformung
2015
Tooling in China2015
Wolfgang BoosChristoph KelzenbergJohan de LangeJulian BoshofTim Ochel
2019
Tooling in Slovenia2019
Tooling in Slovenia2019
2020
Tooling in Germany2020
Wolfgang BoosChristoph KelzenbergMarcel PrümmerDavid GoertzJulian BoshofRainer HorstkotteTim OchelChristian Lürken
mit Unterstützung der
Tooling in Germany 2020
978-3-946612-51-3
9 783946 612513
Herausgeber Werkzeugmaschinenlabor WZLder Rheinisch-Westfälischen Technischen Hochschule AachenCampus-Boulevard 3052074 Aachen
www.wzl.rwth-aachen.de