Mit Predictive Maintenance den Business Value maximieren

kommentiert 0
gelesen 76

„Wir lassen uns helfen, bis wir dumm sind“ ist der Wortlaut eines Artikels von Gunter Dueck, der im November in der FAZ erschienen ist. Er setzt sich kritisch mit der Frage auseinander, wie Unternehmen mit den Herausforderungen der Digitalisierung umgehen. Eine davon ist, nicht passiv zu sein, sondern proaktiv die Chancen in die Hand zu nehmen, die zunehmende Vernetzung und Digitalisierung für das eigene Unternehmen bieten. Eine solche Chance, die durch Vernetzung und Datenanalyse entsteht, ist das Geschäftsmodell der proaktiven Wartung – Predictive Maintenance. Das bedeutet, über die laufende Analyse der Maschinendaten, mögliche Defekte und Muster bereits frühzeitig zu identifizieren. Eine Maschine wird bereits gewartet, noch bevor es zum Ausfall kommt. Das spart Kosten und eröffnet darüber hinaus Möglichkeiten für neue Geschäftsmodelle.

Aber:

Welche Chancen bringt Predictive Maintenance für das eigene Business?
Welche Technologie soll die Basis für die neue Lösung sein?
Welche Best Practices gibt es und wie kann man sie sinnvoll adaptieren?

Diesen Fragen sind wir auf dem diesjährigen IoT Expertentalk in unserer Niederlassung in München gemeinsam mit unseren Kunden und Dialogpartnern auf den Grund gegangen. 

Innovativ mit Predictive Maintenance

Eine gute Abgrenzung zwischen Preventive Maintenance und Predictive Maintenance hat unser Referent Stephan Pepersack von der Microsoft Deutschland GmbH in seinem Vortrag formuliert. Was viele Unternehmen bereits heute durchführen ist die sogenannte Preventive Maintenance. Sie basiert auf dem Wissen über den durchschnittlichen Verbrauch, Verschleiß oder die Lebenszeit eines Teils oder des Produkts. Anhand dieser Durchschnittswerte wird ein entsprechender Service angesetzt – ohne zu wissen, ob der Service bereits tatsächlich nötig ist oder welches Teil eventuell ersetzt werden muss. Klassisches Beispiel ist das Wartungslicht beim Auto nach einer bestimmten Anzahl von gefahrenen Kilometern.

Predictive Maintenance hingegen schließt Echtzeit-Umweltfaktoren und das Verhalten des Produktes in der Anwendung mit ein. Daraus werden Algorithmen und Muster abgeleitet, die eine vorausschauende Wartung ermöglichen.

Predictive Maintenance in der Cloud

 
Dr. Florian Plentinger gab in seinem Vortrag Einblicke in Predictive Maintenance bei der MAN Turbo & Diesel SE, einer Teilgruppe der MAN SE und führender Hersteller von Schiffsmotoren. Sein Ansatz: Predictive Maintenance beinhaltet zu allererst, zu verstehen wie der Kunde tickt. In seinem Fall interessiert sich selbiger in der Regel für das gesamte Schiff, nicht nur für den Motor. Durch die Vernetzung gelingt genau dieses Einbinden in ein größeres Ökosystem. Das zeigt auch der Blick auf den IoT Reifegrad eines Unternehmens: Je weiter die Vernetzung voranschreitet, desto mehr Optimierungspotenzial ergibt sich.

Die Kunst liegt auch hier in der Interpretation der Daten. Durch IoT wird das Produkt oder die Maschine lediglich in die Lage versetzt, Daten zu versenden oder zu empfangen. Aber nur wenn sie zu Informationen werden, kann Wissen daraus generiert und die richtigen Maßnahmen abgeleitet werden. Eine Herausforderung ist hier, die Zeitspanne zwischen der Datenerhebung und der Handlung, die darauf folgt, so kurz wie möglich zu halten. Denn bereits innerhalb eines Tages kann bei einem Schiffsmotor ein kleiner Schaden, der einfach zu beheben gewesen wäre, ansteigen zu mehreren hunderttausend Dollar.

Der Einsatz von Predictive Maintenance liefert wiederrum das Wissen darüber, wann z.B. eine bestimmte Komponente der Maschine kaputt geht. Dann kann entsprechend gegengesteuert werden. Predictive Maintenance steigert die Schnelligkeit des Reagierens bzw. Handels enorm.

Somit ist Predictive Maintenance der Enabler für neue Geschäftsmodelle wie Pay per Use, da hierrüber eine hohe Verfügbarkeit und Laufzeit der Maschine sichergestellt wird.

Predictive Maintenance: kein Hype, sondern essentiell für die Kundenzufriedenheit

 
Stephan Pepersack von Microsoft startete mit einer interessanten Studie von Bain in seinen Vortrag. Sie hat herausgefunden, dass 80 Prozent der Unternehmen überzeugt sind, ihren Kunden einen guten Service zu bieten. Fragt man jedoch die Kunden, fällt die Antwort erschreckend anders aus. Hier empfinden nur 8 Prozent den Service als gut. Diese starke Abweichung zeigt deutlich, wie groß die Potenziale im Aftersales sind.

Eine ebenso interessante Erkenntnis: Guter Service zeichnet sich für den Kunden dadurch aus, dass er Zeit und Aufwand spart. Und genau hier setzt Predictive Maintenance an: Das Ziel ist, sich schon vorher in die Lage zu versetzen, mit dem richtigen Werkzeug und dem richtigen Ersatzteil zu einer passenden Zeit beim Kunden aufzutauchen.

Sein Learning: Predictive Maintenance ist nicht nur ein Hype der letzten Jahre, sondern essentiell für die Kundenzufriedenheit.

Pepersack lieferte zudem die wesentlichen Punkte einer Value Proposition, die am Ende eines geplanten Predictive Maintenance-Projekts stehen sollten:

  • Reduktion von geplanten Wartungen dank Echtzeitanalyse und Warnungen von Sensordaten.
  • Kürzere Wartungen bzw. Reparaturen, da die Servicetechniker das Problem bereits kennen und wissen, wie es behoben werden kann.
  • Weniger SLA-Vergehen, da die Maschinen eine höhere Verfügbarkeit haben und damit weniger Strafen verursachen.
  • Weniger Anrufe an den Hotlines, weil die bessere Verfügbarkeit zu weniger Beschwerden führt.
  • Austausch und Reparatur auf Gewährleistung

 
Im Ergebnis führt das zu mehr Kundentreue. Denn zufriedene Kunden bleiben und wandern nicht ab.

Microsoft versteht sich hier mit der Cloud-Plattform Azure als Enabler, um Predictive Maintenance Services anzubieten und für Kunden nutzbar zu machen. Hier gibt es auch konkrete Projekte zwischen Microsoft und doubleSlash als Integrationspartner.

Mehr zur Partnerschaft mit Microsoft  

Best Practice: Das intelligente Windturbinengetriebe

Dr. Dietmar Tilch, Director Industrial Technology – Condition Monitoring Systems bei der ZF Industrieantriebe Witten GmbH zeigte in seinem Vortrag, warum es sich als Komponentenhersteller lohnt, das Feld Predictive Maintenance zu betreten. 

An seinem Beispiel der Windturbinen wird deutlich: Wartungen oder Ausfälle sind in diesem Fall extrem zeit- und kostenaufwändig. Ein Techniker muss allein für die Problemermittlung auf das Windrad hinauf steigen, was mit einem erheblichen Aufwand verbunden ist. Hinzu kommt eine hohe Zeitinvestition für die An- und Abreise, da Windparks in der Regel in entlegeneren Gegenden stehen.

Über die Vernetzung der Turbine entsteht hier ein enormer Mehrwert. Anhand der gesammelten Daten können insbesondere Vorhersagen zum Verhalten des Windenergieanlagengetriebes getroffen werden. Das bedeutet zum einen, im Schadensfall schon vorab zu wissen, welches Teil ausgetauscht werden muss. Zum anderen wird durch den Einbezug von Verhaltens- und Umweltinformationen wie Temperatur, Wind und Belastung ein vorausschauendes Eingreifen ermöglicht, um Schädigungen aktiv zu vermeiden, z.B. über eine Optimierung von Betriebszuständen, mit der Überlastungen verhindert werden können.
Die Vernetzung ermöglicht die Überwachung aus der Ferne, damit der Servicetechniker nur im tatsächlichen Wartungs- oder Schadensfall auf das Windrad steigen muss, um ein Teil auszutauschen oder zu reparieren.

Das Potenzial von Predictive Maintenance wird erweitert, wenn ein Rücklauf der Erkenntnisse in die Produktweiterentwicklung stattfindet und die Daten dazu verwendet werden, eine optimale Steuerung des Windparks zu gewährleisten, so dass die Windenergieanlage immer nur bis zu einem vertretbaren Stresslevel läuft. Auf diese Weise können Leistungsfähigkeit, Zuverlässigkeit und Lebensdauer der Hauptkomponenten gesteigert und ungeplante Wartungen vermieden werden.
Damit nimmt die ZF eine Vorreiterrolle in Sachen Predictive Maintenance ein.  

Tilch ist der Überzeugung: Condition Monitoring (Zustandsüberwachung) ist nur der Anfang – die Königsdisziplin ist Predictive Maintenance. Die Zutaten dafür sind Domänenwissen zur Interpretation der Daten und ein Instrumentarium, mit dem Analysen einen möglichst breiten Nutzen entfalten können. Hier bieten Cloud-basierte Lösungen zahlreiche Vorteile. Neben dem eigenen Know-how lassen sich Cloud-Lösungen durch die Hinzunahme von Partnern intelligent zu einem größeren „Ökosystem“ erweitern.

Von Big Data zu Smart Data

Eines wurde durch die Vorträge ganz deutlich: Die Kunst, Daten zu Informationen zu machen, ist die Basis für Predictive Maintenance. Mit ihrem Lightningtalk „Strategien auf dem Weg zum „Data-Driven“ Unternehmen in einem vernetzten Ökosystem“ zeigten unsere Kollegen Marc Mai, Markus Beller und Walter Melcher wie aus Big Data Smart Data wird, also Daten, aus denen ein Value entsteht.

In Datenbeständen von Unternehmen schlummern – auch im Hinblick auf Predictive Maintenance – große Potenziale. Das Problem ist nur, dass Unternehmen oft nicht wissen:

  • …über welche Daten sie im Detail verfügen
  • …wo diese Daten gespeichert werden
  • …in welcher Qualität die Daten vorliegen und wie aktuell sie sind
  • …wem die Daten gehören und
  • …wer auf die Daten zugreift

 

Um diese Potenziale zu realisieren, bedarf es einer Datenstrategie. Für doubleSlash gibt es zwei Herangehensweisen, mit denen sich die Daten-Potentiale entfalten lassen: Entweder von den Daten zum Anwendungsfall (Bottom Up) oder über den Anwendungsfall zu den Daten (Top Down).

 

 

 

 

 

 

 

 

Beim Bottom Up Ansatz, der für viele Unternehmen der einfachere ist, richtet sich der Blick auf die vorhandenen Daten:

  • Welche Datentöpfe gibt es im Unternehmen?
  • Welche technischen Daten werden dort gespeichert?
  • Wie ist die technische Qualität der Daten pro Datensatz?
  • Zu welchen fachlichen Daten lassen sich die technischen Daten verdichten?

 
Beim Top Down Ansatz kommen die Fragen von der fachlichen Seite:

  • Welche Anforderer gibt es im Unternehmen?
  • Was sind die Use Cases der Anforderer?
  • Welche fachlichen Daten werden pro Use Case benötigt?

 

 

Ist erstmal ein Bild davon entstanden, wie Datenangebot- und Nachfrage zusammenspielen wird es interessant, denn Lücken können durch Anreichen von externen Daten aus dem digitalen Ökosystem, also anderen Unternehmen, gefüllt werden.
Beim Auto könnte dies z.B. die Darstellung von Wetterdaten im Fahrzeug sein. Die Daten eines externen Wetterproviders werden integriert und sorgen zusammen mit den (eigenen) Positionsdaten des Fahrzeugs dafür, dass die Wetterprognose am entsprechenden Ort angezeigt werden kann.
Einen Schritt weiter geht das Modell dann, wenn sich Unternehmen bewusst machen, welche Daten sie besitzen und wie diese für andere Unternehmen nutzbar sein könnten, um daraus neue Services und Mehrwerte für Kunden zu bieten. Ein Beispiel dafür ist BMW CarData – ein Geschäftsmodell, das Drittanbietern wie Werkstätten oder Versicherungen ermöglicht, kundenspezifische Services anzubieten. So gelang BMW der Weg vom Daten Anforderer hin zum Daten Provider via eigener Datenplattform.

 

 

Wie Smart Data Geschäftsmodelle erweitern oder verändern können, zeigen Plattformen wie Strava, ein Social Network für Radfahrer, das mittlerweile aufbereitete Trackingdaten für die Konzeption von zukünftigen Städtemodellen zur Verfügung stellt. Ein weiteres Beispiel ist ChargeNow, der Ladeservice von BMW. Nach Integration von zahlreichen Ladeinfrastrukturbetreibern, hat man sich entschlossen, am digitalen Ökosystem teilzunehmen und angekündigt, den Service auch anderen Automobilhersteller anzubieten. Die Vorteile: Mehr Revenue durch mehr Kunden, schnellere Skalierung der Plattform und stärkere Positionierung des Markennamens. 

Diese Beispiele zeigen: Wer Erfolg aus Daten schöpfen will, sollte durch die neuen Möglichkeiten auch Markt und Wettbewerb neu bewerten und Daten als Value schaffende Ressource betrachten. Um an smarte Daten zu gelangen, ist es nicht immer zwingend notwendig, alles selber entwickeln. Oftmals bietet sich das Nutzen von bereits existierenden Plattformen an, um Komplexität zu reduzieren und Risiken zu minimieren.

Diese Beispiele zeigen: Wer Erfolg aus Daten schöpfen will, sollte seinen Markt und die Konkurrenz neu überdenken, den Value kennen, den seine Daten liefern und bestehende Plattformen nutzen.
So gelingt dann am Ende auch der Weg von Big Data zu Smart Data in 3 Schritten:

  • Kennenlernen der eigenen Datenwelt
  • Kennenlernen des digitalen Ökosystems und
  • den Kunden neu kennenlernen.

 

 

Mehr zu Predictive Maintenance erfahren
Zurück zur Übersicht

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

*Pflichtfelder

*