Zurück
Mit Predictive Maintenance & Quality die Kosten senken und Qualität steigern
Alles rund um ERP
Trends

Mit Predictive Maintenance & Quality die Kosten senken und Qualität steigern

Stillstandszeiten von Maschinen und Anlagen haben naturgemäß einen direkten Einfluss auf die Auslastung (und damit auf die Overall Equipment Effectiveness bzw. OEE) und somit auch auf die Produktionskosten. Ungeplante Störungen spielen dabei eine herausragende Rolle.

Daher werden oftmals zyklische und vorbeugende Wartungsmaßnahmen ergriffen, um solchen Störungen des Produktionsflusses aus dem Weg zu gehen. Diese Maßnahmen verursachen potentiell unnötige Kosten durch Stillstände oder Ersatzteilverbrauch und daraus abgeleitet höhere Bestände an „kritischen“ Teilen.

Driftverhalten bei der Qualität von Produkten

Ein weiterer Aspekt ist die Qualität der hergestellten Produkte oder Baugruppen. Der Wartungszustand der Ausrüstung und Werkzeuge hat einen direkten Einfluss auf die Qualität (und damit ebenfalls auf die OEE). Insbesondere automatisierte Produktionssysteme zeigen ein Driftverhalten bei der Qualität der produzierten Güter. Dies kann an Abnutzung oder ungünstigen Betriebsbedingungen liegen.

Es kommt nun darauf an, nicht nur die reinen maschinenbezogenen Betriebsdaten (Druck, Temperatur, Drehzahl, …) zu berücksichtigen, sondern auch die erfassten (oder erfassbaren) Qualitätsdaten (Toleranzen, Oberflächengüte, Funktion, …).

Dazu müssen diese Daten zueinander in Beziehung gesetzt und bewertet werden. Alle diese Daten sind im Verbund von ERP, Qualitätsmanagement und MES, je nach Konfiguration der Anwendungen und Systemstruktur, verfügbar.

Unser Experte

Falls Sie bei diesen Fragen Unterstützung benötigen, beraten unsere Experten Sie gerne. Jetzt unverbindlich Kontakt aufnehmen.

KI ermittelt Wartungstermine

Die PSI bietet auf der Grundlage von relevanten und gelabelten Maschinendaten KI-basierte Werkzeuge zur Ermittlung von sinnvollen Wartungsterminen als Ergänzung zu den PSI-eigenen ERP und MES-Lösungen an. Neben den Maschinendaten fließen auch Daten aus Aufträgen, Materialien, Qualitätsdaten oder auch der Wartungshistorie ein. Ebenso finden auch erwartete Nutzungsdaten aus bereits eingeplanten Aufträgen Eingang in die Terminierung von Wartungsaktivitäten.

Zur Anwendung kommen Methoden des Deep Learning und der erweiterten Fuzzy-Logik (Deep Qualicision Technologie). Die Bewertung der Daten erfolgt durch ein sogenanntes qualitatives Labeln. Wechselwirkungen zwischen bestimmten Daten werden identifizierbar und können berücksichtigt werden. Unternehmerische Aspekte wie die Kritikalität einer Anlage können durch unterschiedliche Gewichtung einzelner Kriterien ebenfalls betrachtet werden.

In der Verbindung mit dem PSI Instandhaltungsmanagement wird die Durchführung und Dokumentation aller Aktivitäten abgesichert. Die Wartungsdaten fließen wieder in den Prozess ein und verbessern kontinuierlich die Vorhersagen zu notwendigen Wartungsaktivitäten.

Karl Tröger

Karl Tröger

Business Development Manager

Karl Tröger führt in seinen Beiträgen Perspektiven von Kunden, Markt, Wissenschaft, Software-Entwicklung und Marketing zusammen. Der Diplom-Ingenieur der Elektronik und Nachrichtentechnik veröffentlicht regelmäßig viel beachtete Publikationen über die Zukunft von fertigungsnaher Software.

Karl Tröger

Bleiben Sie auf dem Laufenden


Nach oben