| Titel | 1 |
| Impressum | 5 |
| Inhaltsverzeichnis | 6 |
| Autorenverzeichnis | 8 |
| Anlagenübergreifende Dateninfrastruktur zur proaktiven Instandhaltung und Prozessverbesserung | 12 |
| 1 Motivation - Warum überhaupt Daten erfassen? | 12 |
| 2 Einsatzgebiete eines Messsystems | 13 |
| 3 Ein vierphasiges Vorgehensmodell zur Prozessanalyse als Grundlage für Prozessoptimierung | 15 |
| 4 Zentrale Plattform zur Realisierung des vierphasigen Vorgehensmodells | 16 |
| 5 Anforderungen an Datenerfassung und Datenaufzeichnung | 17 |
| 6 Von der Ad-hoc-Analyse zur automatisierten Kennwertbildung | 21 |
| 7 Zusammenfassung | 23 |
| Lean Smart Maintenance - Controlling | 24 |
| 1 Einleitung | 24 |
| 2 Lean Smart Maintenance | 24 |
| 3 Schwachstellenanalyse | 28 |
| 3.1 Bereiche der Schwachstellenanalyse | 29 |
| 3.2 Arten und Methoden der Schwachstellenermittlung | 30 |
| 3.2.1 Kenngrößenbezogene Schwachstellenidentifikation | 30 |
| 3.2.2 Schadensstatistikbezogene Schwachstellenidentifikation | 31 |
| 3.2.3 Kausalitätsbezogene Schwachstellenermittlung | 32 |
| 4 Umfassende Schwachstellenanalytik im LSM-Konzept | 33 |
| 4.1 CMMS-gestützte Schwachstellenanalyse | 34 |
| 4.2 Erweiterte Schwachstellenanalyse durch Big Data Analytics | 36 |
| 5 Literatur | 36 |
| Meilensteine auf dem Weg zur Smart Maintenance | 38 |
| 1 Einleitung | 38 |
| 2 Die Instandhaltungsstrategie | 38 |
| 3 Optimierung des Instandhaltungssystems als Basis einer kontinuierlichen Verbesserung | 39 |
| 4 Implementierung des Instandhaltungssystems als mobile Anwendung | 40 |
| 5 Total Energy Management als Datenbasis für Predictive Maintenance | 40 |
| 6 Entwicklung einer Hüllkurvensystematik für die Früherkennung von Maschinenstörungen | 41 |
| 7 Entwicklung und Implementierung von innovativen Instandhaltungsmethoden | 41 |
| 8 Nutzung des Big Data Tools „Splunk“ als effizientes Analyse- und Visualisierungssystem | 42 |
| 9Zukünftige Herausforderungen für eine smarte und effiziente Instandhaltung | 43 |
| Effizienzsteigerung in der Instandhaltung | 44 |
| 1 Einleitung | 44 |
| 2 Ausgangssituationen | 46 |
| 3 Optimierungsansatz | 47 |
| 4 Durchführung der Transformationen | 48 |
| 4.1 Instandhaltungssysteme bei der HKM | 48 |
| 4.2 Entwicklung des Standards in den Pilotbereichen | 51 |
| 4.3 Der Standardprozess für IH-Betriebe | 52 |
| 4.4 Der Standardprozess für Werkstattbetriebe | 57 |
| 4.5 Hüttenweite Prozess-Implementierung | 57 |
| 5 Nachhaltigkeit | 58 |
| 5.1 Das zentrale Kernteam der IH-Optimierung | 58 |
| 5.2 Kennzahlensystem | 59 |
| 5.3 Quartalsweise Fortschritts-Audits | 60 |
| 5.4 Hüttenweite Arbeitskreise | 62 |
| 6 Flankierende Maßnahmen | 62 |
| 6.1 Koordination hütteninterner Leistungen (DLK-Prozess) | 63 |
| 6.2 Fremddienstleistungskoordination | 64 |
| 7 Finanzielle Erfolge | 65 |
| 8 Zusammenfassung | 65 |
| Herausforderungen in der Ausgestaltung vonIndustrie-4.0-Lösungen | 66 |
| 1 Einleitung | 66 |
| 2 Industrie 4.0 als technologiegetriebener Ansatz | 67 |
| 3 Anzunehmende Veränderung durch Digitalisierung in der Fabrik | 69 |
| 4 Lean Manufacturing als Führungsprozess | 70 |
| 5 Toyota konzentriert sich auf Variabilität | 71 |
| 6 Die Einteilung von Variabilität in zwei Klassen | 72 |
| 7 Beschleunigung des Modell- und Verbesserungs-PDCAs | 74 |
| 8 Wirkweisen | 75 |
| 9 Brownfield | 76 |
| 10 Realisierung von Vorteilen durch die Schnittstelle Mensch-Maschine | 78 |
| 10.1 Nutzersicht – Aufbau eines Nutzerprofils | 79 |
| 10.2 Anbietersicht und Product/Market-Fit | 80 |
| 11 Fazit | 81 |
| 12 Literatur | 82 |
| Best Practice durch Benchmarking | 84 |
| 1 Einleitung | 84 |
| 2 Die kontinuierliche Weiterentwicklung von Organisationen | 85 |
| 3 Potenzialermittlung mittels Benchmarking | 86 |
| 3.1 Arten des Benchmarkings | 87 |
| 3.1.1 Verdecktes und offenes Benchmarking | 88 |
| 3.1.2 Internes Benchmarking | 88 |
| 3.1.3 Wettbewerbsorientiertes Benchmarking | 88 |
| 3.1.4 Funktionales oder branchenexternes Benchmarking | 88 |
| 4 Phasen des Benchmarking-Prozesses | 89 |
| 5 Benchmarking am Beispiel des MA2-Preises | 91 |
| 5.1 Datenbasis der MA2 Benchmarkingstudie | 91 |
| 5.2 Das MA2-Bewertungsmodell | 92 |
| 5.2.1 Bewertungskategorie "Managementsysteme und -konzepte" | 94 |
| 5.2.2 Bewertungskategorie "Aufbauorganisation" | 95 |
| 5.2.3 Bewertungskategorie "Instandhaltungsprävention" | 98 |
| 5.2.4 Bewertungskategorie "Kontinuierlicher Verbesserungsprozess" | 99 |
| 5.2.5 Bewertungskategorie "Zielsystem, Controlling, Kennzahlen" | 99 |
| 5.2.6 Bewertungskategorie "Ablauforganisation" | 103 |
| 5.2.7 Bewertungskategorie "Instandhaltungsstrategie" | 106 |
| 5.2.8 Bewertungskategorie "Ersatzteilmanagement" | 108 |
| 5.2.9 Bewertungskategorie "Schulung und Training" | 109 |
| 6 Zusammenfassung | 111 |
| 7 Literatur | 112 |
| Informationsmanagement und -technologien in der Instandhaltung | 114 |
| Predictive Maintenance | 122 |
| 1 Einleitung | 122 |
| 2 Beschreibung des Gesamtsystems | 124 |
| 3 Low-Cost-Sensorkit aus dem Consumer-Bereich für die Industrie | 126 |
| 3.1 Notwendigkeit eines Low-Cost-Sensorkits | 127 |
| 3.2 Aktuelle Ansätze der Nutzung von Embedded Systems und Sensorik aus demConsumer-Bereich im industriellen Umfeld | 127 |
| 3.3 Anforderungen der Industrie | 128 |
| 3.4 Umsetzung des Low-Cost-Sensorkits | 128 |
| 4 IoT-Architektur | 130 |
| 4.1 Überblick über bestehende IoT-Architekturen | 130 |
| 4.2 Aufbau der IoT-Architektur | 130 |
| 5 Komponente des Data Analytics anhand einer exemplarischen Umsetzung desPredictive-Maintenance-Systems | 132 |
| 5.1 Vorgehensmodelle der Data Analytics | 132 |
| 5.2 Geschäftsverständnis | 134 |
| 5.3 Datenverständnis | 135 |
| 5.4 Datenaufbereitung | 137 |
| 5.5 Modellierung | 139 |
| 5.6 Auswertung | 140 |
| 5.7 Einsatz | 140 |
| 6 Zusammenfassung und Ausblick | 141 |
| 7 Literatur | 141 |
| Dynamische Grenzwerte für intelligenteInstandhaltung | 144 |
| 1 Condition Monitoring | 144 |
| 2 Stand der Technik | 145 |
| 3 Erwartungswerte | 145 |
| 4 Schlussfolgerungen | 148 |
| 5 Literatur | 149 |
| Vernetzte Maschinen - Vernetzte Instandhaltung | 150 |
| 1 Einleitung | 150 |
| 1.1 Schneller - Flexibler - Agiler | 150 |
| 1.2 Erfolgsfaktoren | 151 |
| 2 Umsetzung | 152 |
| 2.1 Gefahren von Industrie 4.0 in der Produktion | 152 |
| 2.2 Standardisierung - Systematisierung - Normierung | 152 |
| 3 Erfolgsfaktoren der STIWA Group | 152 |
| 3.1 Fokus: Kernkompetenz | 153 |
| 3.2 Fokus: Systemarchitektur | 154 |
| 3.3 Fokus: Daten | 155 |
| 3.4 Fokus: Regelkreise | 156 |
| 4 Nutzen | 157 |
| 4.1 Preventive Maintenance | 157 |
| 4.2 Predictive Maintenance | 158 |
| 4.3 Branchenbeispiele | 158 |
| 4.3.1 Beispiel: Preventive Maintenance - Branche Consumer Goods | 158 |
| 4.3.2 Beispiel: Preventive Maintenance - Branche Automotive | 159 |
| 4.3.3 Beispiel: Predictive Maintenance - Branche Medizintechnik | 161 |
| 5 Fazit/Zusammenfassung | 162 |
| 6 Literatur | 163 |
| Schwachstellenanalyse zur Gewährleistung der Handlungsfähigkeit in komplexen Systemen | 164 |
| 1 Einleitung | 164 |
| 2 Grundlegende Begriffe | 165 |
| 2.1 Schwachstelle | 165 |
| 2.2 Schadensstelle | 165 |
| 2.3 Störung | 165 |
| 2.4 Fehler | 165 |
| 2.5 Ursachen von Schwachstellen | 165 |
| 2.6 Schwachstellenanalyse | 166 |
| 3 Methoden der klassischen Schwachstellenanalyse | 167 |
| 3.1. Paretoprinzip | 167 |
| 3.2 Ursache-Wirkungsdiagramm/Ishikawa-Diagramm | 171 |
| 3.3 Vergleich klassische Vorgehensweise - datengetriebener Ansatz | 171 |
| 4 Datengestützte Schwachstellenanalyse | 172 |
| 4.1 Assoziationsanalyse | 172 |
| 4.2 Generalized Sequential Pattern Analyse (GSP) | 174 |
| 5 Vorgehen zur datengestützten Schwachstellenanalyse | 176 |
| 6 Beispielhafte Anwendung der datengestützten Schwachstellenanalyse | 180 |
| 6.1 Ausblick | 182 |
| 7 Conclusio | 182 |
| 8 Literatur | 183 |
| Optimierung des anlagenspezifischen Instandhaltungsstrategiemixam Beispiel eines komplexen Fertigungssystems | 186 |
| 1 Einleitung | 186 |
| 2 Herausforderungen für die Instandhaltung in der mechanischen Fertigung bei BMW | 187 |
| 3 Modell zur anlagenspezifischen Instandhaltungsstrategiemixoptimierung | 190 |
| 3.1 Anlagenkritikalitätsbestimmung | 191 |
| 3.1.1 Kriteriendefinition und -auswahl | 191 |
| 3.1.2Kritikalitätsermittlung am Beispiel des Fertigungssystems von BMW Steyr | 192 |
| 3.2 Identifikation von Schwerpunktanlagen | 194 |
| 3.2.1 Kostenauswertung | 195 |
| 3.2.2 Risikoauswertung | 195 |
| 3.2.3 Identifikation der Schwerpunktsanlagen am Beispiel des Fertigungssystemsvon BMW Steyr | 195 |
| 3.3 Detailanalysen der Schwerpunktsanlagen | 197 |
| 3.3.1 Detaillierte Kostenanalysen | 198 |
| 3.3.2 Detaillierte Schwachstellenanalyse | 198 |
| 3.4 Anpassung Instandhaltungsstrategiemix | 203 |
| 3.4.1 Methodik zur Instandhaltungsstrategiemixanpassung | 204 |
| 3.4.2 Instandhaltungsstrategiemixanpassung am Beispiel des Fertigungssystems vonBMW Steyr | 208 |
| 3.5 Erfolgskontrolle | 210 |
| 3.5.1 Möglichkeiten zur Erfolgskontrolle | 210 |
| 3.5.2 Erfolgskontrolle am Beispiel des Fertigungssystems von BMW Steyr | 210 |
| 4 Resümee | 211 |
| 5 Kriterienkatalog zur Anlagenbewertung | 212 |
| 6 Literatur | 215 |
| Total Productive Management | 218 |
| 1 Einleitung | 218 |
| 1.1 Segment Ressource Efficiency | 219 |
| 2 TPM in einem global agierenden Chemiekonzern | 219 |
| 3 Markt- und Umweltbedingungen | 220 |
| 3.1 Ganzheitliche Produktionssysteme | 220 |
| 3.2 Die Herausforderung | 221 |
| 4 Modellierung der Vorgehensweise | 221 |
| 5 Transfer der Modellierung in die Praxis | 223 |
| 6 Die Entscheidung für den ganzheitlichen Ansatz | 224 |
| 7 Vorbereitung der Umsetzung in der Organisation | 224 |
| 8 Weiterentwicklung der autonomen Instandhaltung | 226 |
| 9 Einführung der Säule 3 - geplante Instandhaltung | 227 |
| 10 Quintessenz aus der autonomen und geplanten InstandhaltungDie bisher beschriebene autonome und geplante Instandhaltung sind derzeitig | 230 |
| 11 Projektdokumentation als Transmitter für das Training von Führung und Verhalten | 230 |
| 12 Barrieren und Hindernisse in der Umsetzung | 231 |
| 13 Zielverfolgung mit der richtigen Botschaft | 232 |
| 14 Literatur | 233 |
| Service 4.0 und Predictive Maintenance | 236 |
| 1 Service 4.0 im Kontext der digitalen Transformation | 236 |
| 1.1 Die digitale Transformation – ihre Auswirkungen, Chancen und Risiken | 236 |
| 1.2 Service 4.0 und seine Anwendungsfelder | 237 |
| 2 Predictive Maintenance – Kernanwendung von Service 4.0 | 238 |
| 2.1 Definition und Charakteristika von Predictive Maintenance | 238 |
| 2.2. Predictive Maintenance – Anforderungen an Unternehmen | 239 |
| 2.3 Wertbeitrag, Geschäftsmodelle und Roadmap für Predictive MaintenanceLösungen | 241 |
| 3.?????? Predictive Maintenance – das Gesamtkonstrukt muss stimmen | 245 |
| 3 Predictive Maintenance – das Gesamtkonstrukt muss stimmen | 245 |
| Weitere E-Books bei TÜV Media | 0 |
