Wie gelingt die Transformation? Grundsätzlich stehen drei Wege zur Verfügung: Sie unterscheiden sich darin, wie radikal die Veränderung gestaltet wird und welche Wirkung im Unternehmen erzeugt werden soll:

1. Langsame und vorsichtige Einführung: Man kann sich der Transformation über Einzel- und Leuchtturmprojekte nähern. Hierbei handelt es sich nicht um eine Transformation im engeren Sinne, da sich ein Unternehmen in dieser Phase noch im Reifegrad der Pilotierung oder des Scaling befindet. (Eine Übersicht über die unterschiedlichen Reifegrade finden Sie in Teil 1 der Serie.)
2. Teileinführung agiler Prinzipien in Spin-offs und Digital Labs: Ein Teil des Unternehmens wird abgespaltet (entweder formal als eigene Gesellschaft oder weniger formal als eigener Bereich im Unternehmen) und dann grundlegend neu und agil aufgesetzt.
3. Radikale Transformation: Reorganisation des gesamten Unternehmens.

Auf der Achse von links nach rechts gesehen, zeigen diese drei Ansätze den Radikalitätsgrad einer Transformation an.

Leuchtturm, Spin-off oder doch radikal? – Welche Variante eignet sich für welches Unternehmen?
Bei der Frage, welcher Ansatz zur Anwendung kommt, gibt es kein Richtig oder Falsch. Die Wahl ist abhängig vom Kontext des Unternehmens und vom Digitalisierungsdruck der jeweiligen Branche. Diese Entscheidung ist aber nicht fix, sie kann im Laufe der Zeit auch an aktuelle Gegebenheiten angepasst werden. Begonnen wird in der Regel mit einem Leuchtturmprojekt. Mit zunehmender Erfahrung werden die Vorgehensweisen radikaler. Das hängt auch davon ab, wie schnell und in welchem Ausmaß die Transformation erfolgen soll.

Jeder Ansatz hat Vor- und Nachteile. Während sich mit einem Einzel- bzw. Leuchtturmprojekt im Rahmen eines klar abgegrenzten Vorhabens sowohl neue Arbeitsweisen als auch neue Technologien – oder eine Kombination daraus – einfach ausprobieren lassen und dabei Platz für Fehler und Experimente ist, ist der Effekt gleichzeitig relativ begrenzt. Die Transformation breitet sich nur langsam aus.

Vorteile sind hier die klare Abgrenzung und die Chance, zu experimentieren und auszuprobieren.

Diese Projekte werden oft vom Management initiiert und vollends unterstützt.
Nachteil ist, dass der Fokus oft nicht stark eingehalten wird und z. B. einige Unternehmen mehrere Leuchtturmprojekte gleichzeitig laufen lassen. Die Gefahr besteht, dass die jeweiligen Ansätze stark variieren und nebeneinander herlaufen, statt von den verschiedenen Erfahrungen zu profitieren. Abhilfe schaffen hier Plattformen, auf denen sich die einzelnen Projektbeteiligten übergreifend austauschen können.

Die progressivere Variante der Transformation ist der Aufbau einer eigenen Einheit, in der neue und innovative Lösungen entwickelt werden.

Eine Möglichkeit, um diese Einheit unabhängig und autonom zu gestalten, ist die Gründung einer eigenen Gesellschaft mit einer neu entworfenen Linienorganisation, in der von Anfang an eine flache und von lateraler Führung geprägte Struktur vorherrscht.
Gleichzeitig bleibt das Spin-off/Digital Lab ein abgegrenztes Vorhaben, in dessen Rahmen experimentiert und gelernt werden kann. Mitarbeiter treffen autonome Entscheidungen und haben einen höheren Fokus (vor allem bei Ausgliederungen).
Allerdings lauert hier auch die Gefahr, dass sich eine „Parallelorganisation“ entwickelt, die sich schrittweise vom Mutterunternehmen entfernt. Deshalb ist es ratsam, von Anfang an eine Wiederzusammenführungsstrategie auszuarbeiten.

Die Big-Bang-Variante der Transformation ist die radikale und damit völlige Reorganisation des Unternehmens.

Von Vorteil ist, dass die relativ schnelle Reorganisation auch eine Art Aufbruchsstimmung mit sich bringt. Gleichzeitig kann sich das in einen Nachteil verkehren: Nämlich dann, wenn die Mitarbeiter über die Kommunikation nicht gut genug mit einbezogen werden und die Veränderung Angst macht. Dies kann zu hoher Unsicherheit und damit Unzufriedenheit führen – und damit auch zu einer erhöhten Fluktuation. Gerade bei großen Organisationen sollte die Transformation in mehreren Stufen erfolgen, da ein tiefgreifender Umbau der Linienorganisation und der Geschäftsprozesse während des laufenden operativen Betriebes abläuft.

Erfahren Sie in Teil 3 dieser Beitragsreihe, wie Sie die ersten konkreten Schritte in der Praxis gehen und welche Voraussetzungen zunächst geschaffen werden sollten.

Source

„Lessons Learned“ ist ein sehr effektives Wissensmanagement-Werkzeug, um aus Erfahrungen zu lernen. Es wird vor allem nach Projekten angewendet, um durch Reflexionen Learnings abzuleiten.

„Lessons Learned“ kann ganz einfach in die Praxis umgesetzt werden: In der Abschlussphase eines Projekts führen Sie einen Workshop durch. Die Dauer ist individuell wählbar. Bereits in zwei Stunden können sehr viele Learnings abgeleitet werden. Wer in die Tiefe gehen will, kann auch einen 6-stündigen Workshop durchführen.

Mit diesen beiden Fragen sollen im Rahmen eines einfachen Brainstormings möglichst viele Learnings abgeleitet werden:

• Was ist gut gelaufen?
• Was ist schlecht gelaufen?

Interessant ist dabei die zweite Frage. Hier wird auf Probleme eingegangen. Ziel ist dabei, aus den Fehlern zu lernen, indem die Probleme analysiert werden.

Was waren die Ursachen, Folgen und wie hätten sie vermieden werden können?
Das Ziel des Workshops ist

• aus der 1. Frage Best Practices abzuleiten.
• aus der 2. Frage Verbesserungspotentiale zu definieren.
• 7 kreativitaets und innovationstools 22

Der Erfolgsfaktor von „Lessons Learned“ besteht darin, dass die Workshop-Ergebnisse weiterverwendet werden:

Kommunizieren und teilen Sie die Best Practices.
Es macht Sinn, möglichst viele Projektmitglieder in den Workshop zu involvieren.
Im Anschluss sollte ein Protokoll verfasst werden, welches MitarbeiterInnen in ähnlichen Projekten zur Verfügung gestellt wird.
Leiten Sie Verbesserungsmaßnahmen ab, die zu Optimierungen in der Ablauf- oder Aufbauorganisation (zB Anpassung einer Verfahrensanweisung) oder in Produkten führen.
Des Weiteren wird mit „Lessons Learned“ über Probleme und damit auch über persönliche Konflikte gesprochen. Dadurch werden zwischenmenschliche Probleme nicht in neue Projekte mitgeschleppt, sondern konstruktiv gelöst.

Wie Sie sehen, kann mit wenig Aufwand ein Werkzeug in den Projektmanagement-Prozess integriert werden, das sehr einfach anzuwenden ist und einen hohen Nutzen für Ihre Organisation bringt!

Source

Viele Unternehmen einer Branche orientieren und messen sich am direkten Konkurrenten, kopieren Neuerungen und Innovationen und werden dadurch der Konkurrenz immer ähnlicher. Oft wird versucht sich über den Preis zu differenzieren, wodurch ein Unternehmen nicht wettbewerbsfähig bleibt. Willkommen im roten Ozean! Rote Ozeane sind vorhandene Märkte, bei denen die Konkurrenz geschlagen werden soll, um die existierende Nachfrage zu nutzen.

Blaue Ozeane hingegen sind neue Märkte, die durch ein Unternehmen selbst geschaffen werden. Es gibt noch keine oder kaum Konkurrenz und eine neue Nachfrage wird geweckt. KundInnen und Nicht-KundInnen wird differenzierend ein neuer Nutzen geboten. Bekannte Beispiele sind Starbucks, Low-Fare-Airlines, der Cirque de Soleil und der Weinproduzent Yellow Tail.

Mit der Blue Ocean Methode können Sie Ihre Geschäftsmodelle revolutionieren und neue Chancen generieren. Die Entwickler der Blue Ocean Methode sind W. Chan Kim und Renée Mauborgne. Die Methode wurde auf Basis von empirischen Studien anhand von mehr als 100 Unternehmen entwickelt. Sie ist einfach anzuwenden und hat besonders große Potenziale für KMUs.

Im ersten Schritt werden die wichtigsten Merkmale aus Kundensicht erarbeitet. Deren Ausprägung bei den Wettbewerbern bzw. ähnlichen Produkten wird eruiert und in der Wertkurve dargestellt.

Im nachfolgenden Schritt werden Geschäftsmodelle entwickelt, die darauf basieren, dass

• ein Faktor eliminiert wird.
• ein Faktor reduziert wird, da die Erfüllung zB zu hohe Kosten und somit Preise verursacht.
• ein Faktor gesteigert wird, um einen überdurchschnittlichen Nutzen zu bieten.
• neue Faktoren kreiert werden, bei denen sich das Unternehmen durch einen begeisternden Kundennutzen differenziert.

Das nachfolgende Beispiel einer Wertekurve anhand von Billigfluglinien stellt die Anwendung plakativ in der folgenden Abbildung dar. Beispielsweise wurde die Buchung durch das Internet vereinfacht und der Komfort wie zB Essen an Bord reduziert, jedoch konnten dadurch die Preise signifikant reduziert werden. Das Fluggeschäft wurde revolutioniert. Fliegen war nicht nur mehr der höheren Klasse vorbehalten, sondern wurde zum Fortbewegungsmittel für jede/n.

Abbildung: Beispiel einer Wertekurve anhand von Billigfluglinien (Hinweis: Die Abbildung zeigt ein Beispiel zur Darstellung der Methodik, das daher keinen Anspruch auf Vollständigkeit hat.)

Source

Die Digitalisierung hat alle Wirtschaftsbranchen und Industriezweige fest im Griff. Aktuelle Geschäftsmodelle verlieren an Tragfähigkeit, Kundenbedürfnisse und -erwartungen wandeln sich. Vor diesem Hintergrund werden agile Methoden und Prinzipien immer beliebter. Das hat einen guten Grund: Unternehmen in nahezu allen Branchen sind gezwungen, neue Geschäftsmodelle zu lancieren. Gleichzeitig bringen veraltete Organisationsstrukturen einen hohen Verwaltungsaufwand und lange Entscheidungszyklen mit sich, die sie ausbremsen. Es bleibt also nicht aus, dass Unternehmen fragen müssen: Wie begegnen wir diesen Herausforderungen? Das fängt beim WAS und damit beim Geschäftsmodell an.

Wie wollen wir in Zukunft Geld verdienen?

Darum ist die agile Transformation eine gute Idee:

Unternehmen werden kundenzentrierter, flexibler und eigenverantwortlicher. Profit stellt sich mittel- oder langfristig von alleine ein.

• Generationenwechsel: Die junge, technikaffine Generation hat andere Ansprüche und will in der VUCA-Welt schnell, umfassend und digital angesprochen werden. Neue Strukturen sind hier unabdingbar.
• Neue und innovative Produkte brauchen einen flexiblen Rahmen, in dem sie entstehen können. Starre Strukturen, die in klassischen Organisationen vorherrschen, bremsen hier aus.

Wie starten wir eine agile Transformation?

Viele Unternehmen sind zumindest im Ansatz schon einmal mit Agilität in Berührung gekommen. Wir unterscheiden in drei Stufen, die den jeweiligen Reifegrad einer agilen Organisation anzeigen.

• Awareness: Unternehmen beginnen, sich mit Agilität auseinander zu setzen und überlegen, inwieweit diese Arbeitsweise für sie relevant ist. Dabei gehen Digitalisierung und Agilisierung Hand in Hand: Ausprobieren und loslaufen statt lange vorausplanen, cross-funktionale Teams statt Silodenken.
• Pilotierung: In dieser Phase machen Unternehmen die ersten Erfahrungen, indem sie agile Prinzipien punktuell anwenden – oft geschieht das in IT-Entwicklungsumfeldern. Via Trial and Error werden die ersten Schritte als Lernstadium für die Weiterentwicklung herangezogen.
• Scaling Agile: Agile Methoden und Prinzipien haben sich bewiesen und sollen auch in weiteren Teams und Bereichen ausgerollt werden. In dieser Phase arbeiten schon weit über fünfzehn Teams agil. Skalierungswerkzeuge und -frameworks wie LeSS und LeSS Huge kommen zum Einsatz.
• „End-to-End“ Business Agility: Der finale Schritt, der meines Erachtens nur zu erreichen ist, indem man sich einer umfangreichen Transformation verschreibt („cross the chasmn“), da Business Agility mit der Etablierung von end-to-end verantwortlichen Teams über alle Funktionsbereiche hinweg mit der Konsequenz der Verschmelzung von Business und IT einhergeht.​

Lesen Sie gerne den zweiten Teil dieses Gast-Beitrages und erfahren Sie, in welche drei Arten eine Transformation eingeteilt werden kann.

Über Christoph Schmiedinger

Komplexe Themen und herausfordernde Technologien? Darin fühlt sich Christoph Schmiedinger besonders wohl. So entwickelt er u.a. Digitalisierungsstrategien für Großbanken in Deutschland und Österreich und begleitet hands-on den Wandel vom traditionellen zum agilen Unternehmen. Mit agilen Methoden arbeitet der gebürtige Österreicher seit beinahe zehn Jahren und hat dabei besondere Expertise in agilen Transformationen und skalierten Projekten sowie in der Organisationsentwicklung aufgebaut.

Über borisgloger consulting

borisgloger consulting bietet agiles Consulting und Training in der DACH-Region. Auf Basis agiler Frameworks wie Scrum, Kanban und Design Thinking, führt die Managementberatung Organisationen auf ihren Weg in eine wettbewerbsfähige Zukunft und ist erster Ansprechpartner für Innovations- und Transformationsprozesse. Mehr Informationen unter www.borisgloger.com.

Source

Das Modell zeigt, dass die Kundenzufriedenheit durch Erfüllung von selbstverständlichen Erwartungen (Basisfaktoren) oder explizite Wünsche (Leistungsanforderungen) nur begrenzt zunimmt. Viele dieser Faktoren können die Zufriedenheit nicht steigern, sondern nur Unzufriedenheit verhindern (ähnlich den Hygienefaktoren nach Herzberg). Um KundInnen jedoch zu begeistern, müssen Faktoren geboten werden, die einen hohen Nutzen bringen, den KundInnen allerdings nicht erwarten (Begeisterungsfaktoren).

Abbildung: Kano-Modell

Das Kano-Modell ist ein sehr wertvolles Werkzeug, vor allem, wenn es darum geht, Produkte zu entwickeln, die sich von der Konkurrenz differenzieren sollen. Anhand dieses Modells können die eigenen Produkte dahingehend geprüft werden, ob sie die KundInnen begeistern können und gegenüber dem Wettbewerb wesentliche Stärken aufweisen.

Source

Mit der Einführung der Forschungszulage – der Förderung betrieblicher Forschungs- und Entwicklungsprojekte – wurde dem Ruf nun endlich auch vom großen Bruder Deutschland gefolgt. Die Forschungszulage entlastet Unternehmen mit 25 Prozent der FuE Personalkosten und stellt eine steuerfreie Gutschrift auf dem Finanzamtskonto dar. Eine Beantragung ist erstmals für Projekte mit Beginn nach dem 01.01.2020 möglich und mit einer Bemessungsgrundlage von 4 Millionen Euro pro Wirtschaftsjahr gedeckelt. Daraus ergibt sich eine max. Begünstigung in der Höhe von 1 Million Euro.

Das Hauptaugenmerk bei der Beantragung ist dabei auf die technische Beschreibung zu legen. Das zweistufige Verfahren sieht eine Dokumentation der FuE Vorhaben auf 4000 Zeichen vor. Dies stellt die Basis für die Begutachtung durch die neu geschaffene Bescheinigungsstelle dar. Erhält man hier einen positiven Bescheid, erfolgt die Beantragung auf Auszahlung der Forschungszulage beim zuständigen Finanzamt.

Welche Vorhaben als förderbare FuE einzustufen sind, wird im Wesentlichen im Frascati Manual festgelegt. Die fünf Kernkriterien sehen hier unter anderem Systematik und Transferierbarkeit vor. Wir empfehlen daher, eine Langdokumentation zu erstellen und daraus dann den eigentlichen Antrag zu extrahieren, damit es nicht zu bösen Überraschungen – evtl. bei Betriebsprüfungen – kommt. Weiters ist es unerlässlich, zu argumentieren, dass es sich um etwas Neues und technisch Unsicheres handelt. Dabei darf die Überwindung der technischen Unsicherheit für einen Fachmann nicht offensichtlich sein.

Aus Unternehmenssicht ist die Forschungszulage mit Sicherheit die effizienteste Möglichkeit Entwicklungsprojekte gefördert zu bekommen, auch weil hierauf ein rechtlicher Anspruch besteht, wenn die geforderten Kriterien erfüllt sind im Gegensatz zu Projektförderungen, bei denen ein nicht ausgeschöpfter Topf an Fördermitteln Voraussetzung ist.

Source

Im folgenden Beitrag werden zuerst die Grundvoraussetzungen und Schritte für Predictive Maintenance aus Data Analytics Sicht erläutert, abschließend wird ein konkretes Projektbeispiel im Umfeld von Predictive Maintenance gezeigt.

Grundvoraussetzungen und Schritte für Predictive Maintenance

Predictive Maintenance ist ein Überbegriff für Fehlerdetektion, Fehlerdiagnose und Fehlerprognose, wobei hierzu eine Vielzahl von Anwendungsfällen zählt (z.B. die Überwachung bzw. das Monitoring von Systemen, die frühzeitige Erkennung von Anomalien, die Reduktion von Ausschussproduktion, die frühzeitige Erkennung von Fehlern, die Unterstützung bei der Ursachenforschung von Fehlern bis hin zur Vorhersage von Stillständen von Maschinen und Produktionsanlagen und ggf. noch der Vorschlag möglicher Maßnahmen).

Viele Unternehmen (KMUs aber auch Großunternehmen) sind aktuell mit Themen wie Künstliche Intelligenz (KI), Predictive Maintenance, … überfordert, weil es eine Vielzahl an Methodenbausteinen gibt, die alle unter den Stichworten KI und/oder Predictive Maintenance angeführt werden. Tatsächlich Predictive Maintenance, also im Sinne von Vorhersage von Fehlern und Stillständen z.B. in der Produktion, machen nur die wenigsten. Oftmals ist es auch gar nicht sinnvoll, weil es keinen konkreten Anwendungsfall gibt (z.B. wenn die Produktion ohnehin gut läuft und es sehr wenige Stillstände gibt bzw. auch wenn ein Stillstand vorkommt, dieser für die Produktion keine großen Auswirkungen hat).

Das Thema Predictive Maintenance ist aus Data Analytics Sicht ein gewisses „Henne-Ei-Problem“:

• Man macht Predictive Maintenance zur Überwachung von kritischen Anlagen oder Maschinen und zur frühzeitigen Detektion und Vorhersage von Fehlern, z.B. Stillständen. Da die zu überwachenden Anlagen z.B. aber für die Produktion kritisch sind, werden die Instandhaltungen präventiv nach Wartungsplan durchgeführt. Dadurch fehlt aber die Datenbasis für die Vorhersage von zukünftigen Fehlern, da ein solches System Daten von Stillständen usw. braucht.
• Auf der anderen Seite bieten Predictive Maintenance Anwendungen aber auch die Möglichkeit, eine Vielzahl von Objekten (z.B. PV-Anlagen, Bankomaten, Druckergeräte, …) zu überwachen, wo die Datenbasis aufgrund vieler vergleichbarer Objekte oftmals viel umfassender und besser ist. Die einzelnen Objekte sind meistens nicht so kritisch wie im obigen Beispiel, die möglichen Anwendungsfälle müssen jedoch genauso auf Sinnhaftigkeit überprüft werden.

Um Predictive Maintenance Anwendungen überhaupt durchführen zu können, werden in Abbildung 1 die einzelnen Schritte aus Data Analytics Sicht gezeigt, die dazu notwendig sind:

• Identifikation der vorhandenen Datenquellen: Die im Unternehmen verfügbaren Datenquellen müssen als erstes einmal identifiziert werden. Das ist Grundvoraussetzung. Es gibt eine Vielzahl von Datenquellen (Betriebsdaten, Instandhaltungsdaten, Maschinendaten, Produktdaten, …), die mögliche Kandidaten zur Analyse sind.
• Qualität der Daten: Anschließend muss überprüft und beurteilt werden, wie gut die Datenqualität ist, um für Analysezwecke überhaupt in Frage zu kommen (z.B. Vollständigkeit, Granularität, Dauer der Datenspeicherung, Zeitstempel, …).
• Anwendungsfälle: Daraus können dann mögliche Anwendungsfälle im Umfeld von Predictive Maintenance identifiziert werden, die a) aufgrund der vorhandenen Datenlage überhaupt möglich sind und b) aufgrund der vorhandenen Datenlage vor allem auch sinnvoll

Abbildung 1: Schritte zu Predictive Maintenance Anwendungen (Projekt AutoDetect)

Projektbeispiel aus der anwendungsorientierten Forschung

Im Umfeld von Predictive Maintenance gibt es eine Vielzahl an Beispielen, die in anwendungsorientierten Projekten am Software Competence Center Hagenberg umgesetzt wurden. Von der intelligenten Darstellung / Visualisierung von Daten, über die semi-automatische Datenauswertung zur Detektion von Anomalien bis hin zu komplexen Prognosealgorithmen.

Praxisbeispiel: Überwachung des Spritzgussprozesses und die frühzeitige Detektion instabiler Zustände bei einer Vielzahl von Spritzgussanlagen.

Dieses Projekt wird mit einem österreichischen Produktionsunternehmen durchgeführt, welches eine Vielzahl von Spritzgussanlagen zur Erzeugung von Silikonteilen betreibt. Diese Silikonteile werden mit Fokus auf Massenproduktion produziert und reichen von Dichtungen, Bauteilen für die Autoindustrie bis hin zu Silikonprodukten für den täglichen Haushaltsgebrauch.

Das Spritzgussverfahren ist zwar komplex, hat aber eine Reihe von Vorteilen, wie z.B. eine hohe Wiederholbarkeit des Prozesses, schnelles Prototyping oder die Automatisierung des gesamten Prozesses.

Während des Prozesses gibt es jedoch eine Vielzahl von Situationen, die zu einem schlechten oder zumindest instabilen Zustand einer Maschine sowie ihres Produktionsprozesses führen können und oft in (erhöhtem) Produktionsausschuss enden. Daher wird ein Überwachungssystem entwickelt, das bei potenziell für die Produktqualität relevanten Prozessinstabilitäten automatisch Warnmeldungen versenden kann. Der Nutzen eines solchen Systems ist vielfältig. Zunächst ist das Erkennen von instabilen Prozesssituationen Voraussetzung, um Gegenmaßnahmen ergreifen zu können, damit die Ausschussquote gesenkt oder Maschinenschäden vermieden werden können. Darüber hinaus ist zu bedenken, dass das Unternehmen im Bereich der Massenproduktion von z.T. Kleinstteilen tätig ist und eine vollständige, manuelle Qualitätsprüfung daher unmöglich ist. Zeitbezogenes Wissen über die Prozessstabilität jeder Maschine ermöglicht es, die Qualitätsprüfung auf produzierte Teile aus kritischen Produktionszeiträumen zu fokussieren.

Der entwickelte datengetriebene Ansatz ermöglicht es, kritische Situationen automatisch zu erkennen. Die Maschinen liefern zyklisch (Schuss für Schuss) Statuswerte an ein Maschinendatenerfassungssystem, welche kontinuierlich analysiert werden. Die Prozessbedingungen hängen dabei von verschiedenen Faktoren ab, die sich teilweise gegenseitig beeinflussen, wie z.B. der Maschinenzustand, der Werkzeugzustand, der Materialzustand oder auch Umwelteinflüsse.

Der datengetriebene Ansatz kann diverse bekannte Fehlermuster in den Maschinendaten finden, von gelegentlich auftretenden, vereinzelten kritischen Schüssen bis hin zu sich langsam (in Wochen) verschlechternden Maschinenzuständen z.B. durch Verschleiß von Maschinenteilen. Auf Basis dieser Informationen versucht unser Softwaretool, wiederkehrende Fehlermuster zu lernen. Dabei verwenden wir verschiedenste Analysemöglichkeiten (z.B. Stream Data Processing, klassische Algorithmen des maschinellen Lernens, Ausreißererkennung, robuste Lernalgorithmen, causal discovery, usw.). Abbildung 2 zeigt ein Beispiel für ein solches Monitoring-System zur Überwachung von Spritzgussdaten und Anomaliedetektion.

Abbildung 2: Beispiel des Softwaretools zur Überwachung und Anomaliedetektion von Spritzgussanlagen

Predictive Analytics Message Board – ausgezeichnet mit dem eAward

„Dieses Tool wurde in mehreren Forschungsprojekten des SCCH zum Thema Predictive Maintenance u.a. mit Partnern wie Fronius International, RUBBLE MASTER HMH, BMW Motoren, BRP Rotax oder ISW Industriesoftware entwickelt“, erklärt Freudenthaler. Das „Predictive Analytics Message Board“ dient der Überwachung sowie der frühzeitigen Detektion und Analyse von Fehlern in Maschinen, Produktionsanlagen, Baumaschinen, Bankomaten, Photovoltaik-Anlagen etc. Das Tool arbeitet mit datenbasierter Modellierung, der Analyse lokaler Sensordaten, aber auch mit Vergleichswerten ähnlicher Maschinen. Dadurch können die Anlagenverfügbarkeit erhöht, Stillstände reduziert und Material- und Energiekosten eingespart werden.

Weiterführende Links

Chancen und Potentiale von Daten und AI https://www.youtube.com/watch?v=4uf8ER4lucI

COMET-Projekt FDI (Machine Learning basierte Fehlererkennung und -identifikation) https://www.scch.at/de/das-projekte-details/comet-projekt-fdi

Acknowledgement

Die in diesem Blogbeitrag präsentierten Ergebnisse resultieren aus dem FFG-Projekt „AutoDetect“ (Projekt-Nr. 862019) und aus Forschungsarbeiten, die vom BMVIT, BMDW und dem Land OÖ im Rahmen des COMET-Kompetenzzentrums SCCH gefördert wurden.

Die Inhalte stammen aus dem Jahrbuch der Instandhaltungstage 2020:
B. Freudenthaler. Predictive Maintenance – Grundvoraussetzungen, Schritte und Möglichkeiten aus Data Analytics Sicht. A. Dankl, J. Isopp (Hrsg.): Jahrbuch Instandhaltungstage 2020, pages 131-134, April, 2020.

Source