Dr. Maximilian Beinhofer:<\/strong> In so einem Fall reden wir von korrektiver Instandhaltung. Damit kann einhergehen, dass eine Maschine oder eine Anlage teilweise oder komplett stillsteht. Das hei\u00dft: Die Verf\u00fcgbarkeit wird reduziert, was unter Umst\u00e4nden betriebswirtschaftliche Nachteile f\u00fcr den Nutzer mit sich bringt. Ein weiteres Problem: Eventuell muss der Fehler erst gesucht werden, das kostet wertvolle Zeit.<\/p>\n Man kann Verschlei\u00dfteile alternativ einfach regelm\u00e4\u00dfig austauschen\u2026<\/strong><\/p>\n Ja, das nennt man pr\u00e4ventive Instandhaltung. Dabei geht es darum, dass aufgrund von Erfahrungswerten bestimmte Wartungs- oder Austauschzyklen festgelegt werden. Das garantiert eine sehr hohe Anlagenverf\u00fcgbarkeit. Der Nachteil: Die Kosten sind h\u00f6her, weil auch Teile getauscht werden, die noch einen Abnutzungsvorrat haben. Die gro\u00dfe Kunst besteht darin, den idealen Zeitpunkt zu finden \u2013 sowohl f\u00fcr den Wartungsgeber als auch den Wartungsnehmer. Eine gute L\u00f6sung ist daher das Condition Monitoring, also die Zustands\u00fcberwachung, sowie die pr\u00e4diktive Instandhaltung. Auf Basis sogenannter digitaler Zwillinge gilt sie als eine der zentralen Innovationen im Bereich Industrie 4.0.<\/p>\n Wie funktioniert pr\u00e4diktive Instandhaltung?<\/strong><\/p>\n Mithilfe der Zustands\u00fcberwachung von Komponenten \u00fcber Sensoren kann man in der Software darstellen, ob sich ein Problem anbahnt. Idealerweise geschieht das in Echtzeit oder nur mit minimaler Verz\u00f6gerung. Der Kern unseres Ansatzes lautet: Mit smarter Algorithmik, also Methoden aus dem Bereich Machine Learning und Data Science, vernetzen beziehungsweise fusionieren wir bei TGW bereits vorhandene Daten aus den Sensoren so intelligent, dass wir sehr exakte Aussagen \u00fcber den Zustand bzw. den Verschlei\u00df von Komponenten treffen k\u00f6nnen. Das spart Kosten, weil wir keine zus\u00e4tzlichen Sensoren anbringen m\u00fcssen.<\/p>\n Haben Sie ein Praxisbeispiel?<\/strong><\/p>\n \u00a0I<\/strong>n unserem preisgekr\u00f6nten Pickroboter Rovolution messen wir den Zustand des Vakuums in der Greifvorrichtung. Kommt es etwa aufgrund von Staubbelastung der Umgebung zu einem Druckverlust, sehen wir das sofort und k\u00f6nnen reagieren.<\/p>\n Wie geht man mit \u00e4lteren Anlagen um, die nicht \u00fcber die n\u00f6tigen Sensoren verf\u00fcgen?<\/strong><\/p>\n Man kann zus\u00e4tzliche Sensoren, zum Beispiel f\u00fcr die Messung von Vibrationen, anbringen. Je nach Gr\u00f6\u00dfe der Anlage k\u00f6nnen dabei von einigen wenigen bis mehr als hundert Sensoren ben\u00f6tigt werden, wodurch im Vorfeld unbedingt eine Wirtschaftlichkeitsanalyse durchgef\u00fchrt werden sollte. Grunds\u00e4tzlich gilt aber, dass auch bestehende Intralogistikanlagen nachr\u00fcstbar sind.<\/p>\n Was ist der Unterschied zwischen pr\u00e4diktiver und pr\u00e4skriptiver Instandhaltung?<\/strong><\/p>\n Die beiden Ans\u00e4tze bauen aufeinander auf. Als Basis der pr\u00e4diktiven Instandhaltung ben\u00f6tigt man die Zustands\u00fcberwachung. Hier reicht es nicht zu wissen, ob ein Sensor belegt ist oder nicht. Es geht darum, wie weit der Verschlei\u00df fortgeschritten ist. Liegen diese Daten vor, kann man mithilfe pr\u00e4diktiver Instandhaltungssoftware eine Prognose erstellen, dass eine Komponente ab einem bestimmten Wert beispielsweise noch ungef\u00e4hr drei Monate h\u00e4lt. Die pr\u00e4skriptive Instandhaltung gibt dann den Ratschlag, in drei Monaten genau dieses oder jenes zu machen.<\/p>\n Was sind Hauptvorteile von pr\u00e4diktiver Instandhaltung?<\/strong><\/p>\n Im Prinzip geht es um Optimierung der Anlagenverf\u00fcgbarkeit bei niedrigsten Kosten. Zudem wird die Feedback-Schleife laufend verbessert. Algorithmen stellen sicher, dass sich das selbstlernende System permanent optimiert.<\/p>\n In welchen Bereichen ist pr\u00e4diktive Instandhaltung sinnvoll?<\/strong><\/p>\n Im Prinzip \u00fcberall in einer Anlage. Am interessantesten sind jedoch die verbindenden Elemente. Wenn beispielsweise einer von zehn Kommissionier-Arbeitspl\u00e4tzen ausf\u00e4llt, sind noch 90 Prozent der Pick-Leistung verf\u00fcgbar. F\u00e4llt aber ein Sortersystem aus, \u00fcber das s\u00e4mtliche Waren laufen, dann bedeutet der Ausfall sofortigen Stillstand.<\/p>\n Was sind die Herausforderungen bei pr\u00e4diktiver Instandhaltung?<\/strong><\/p>\n Zum einen geht es darum, mit dem geringsten Aufwand den gr\u00f6\u00dften Hebel zu erzeugen. Zum anderen besteht die technische Herausforderung darin, die Netzwerke der Anlage so zu nutzen, dass die ben\u00f6tigten Daten f\u00fcr die Predictive Maintenance-Software \u00fcbertragen werden k\u00f6nnen. Die dritte Herausforderung sind die Feedback-Schleifen. Wenn in der F\u00f6rdertechnik Probleme auftreten, m\u00fcssen die Techniker vor Ort das melden. Als Hersteller muss man intelligente Methoden entwickeln, damit Feedback zum einen unmittelbar erfolgt und zum anderen auch maschinell auswertbar ist.<\/p>\n Wie wird das sichergestellt?<\/strong><\/p>\n Um die Algorithmen trainieren zu k\u00f6nnen, muss man genau wissen, wann eine Wartung erfolgte und was exakt gemacht wurde. Sonst glaubt das System, dass sich von selbst eine Verbesserung eingestellt hat. Dieser Report darf aber kein frei formulierter Text des Technikers sein. Es m\u00fcssen standardisierte Antworten aus einem Drop-Down-Men\u00fc sein, denn man braucht maschinenlesbare Daten, um das Machine Learning-System trainieren zu k\u00f6nnen. Gleichzeitig muss die Feedback-Schleife schnell und einfach zu bedienen sein, damit der Wartungstechniker das Feedback rasch geben kann.<\/p>\n F\u00fcr welche Module entwickelt TGW pr\u00e4diktive Instandhaltung?<\/strong><\/p>\n Beim Pickroboter Rovolution ist Condition Monitoring schon verf\u00fcgbar. Parallel dazu entwickeln wir eine spezielle Cloudl\u00f6sung zur Datenerfassung und -verarbeitung. Im Prinzip geht es darum, dass von der Mechatronik bis zur IT k\u00fcnftig alle Daten erfasst werden sollen \u2013 selbstverst\u00e4ndlich werden dabei die Vorschriften der DSGVO und Datensicherheit eingehalten. Wir erfassen die Daten mehrerer Kunden. Das hat den Vorteil, dass ein Neukunde von den Daten der Bestandskunden profitiert und von der Software Ratschl\u00e4ge erh\u00e4lt, was er tun soll, um seine Anlage zu optimieren. Am Ende des Prozesses steht der digitale Zwilling. Dabei kann man nicht nur im Replay-Modus analysieren, was passiert ist, sondern auch in Echtzeit sehen, was gerade geschieht. In einem weiteren Schritt kann man auch in die Zukunft schauen und Vorhersagen treffen.<\/p>\n Wie wird sich die Nachfrage nach L\u00f6sungen aus dem Bereich pr\u00e4diktive Instandhaltung entwickeln?<\/strong><\/p>\n Das Thema ist derzeit popul\u00e4r. Ich gehe davon aus, dass in f\u00fcnf bis zehn Jahren nur noch Anlagen verkauft werden, die diesen Service bieten. Bei gro\u00dfen Einzelmaschinen ist es bereits jetzt \u00fcblich, dass ein Vibrationssensor zum Einsatz kommt. Bei den gro\u00dffl\u00e4chig vernetzten intralogistischen Anlagen gibt es momentan noch verschiedene Strategien.<\/p>\n \u00a0<\/strong>Sehen die Kunden den Benefit und sind willens f\u00fcr solche Services zu bezahlen?<\/strong><\/p>\n Ich glaube, dass sich langfristig die Gesch\u00e4ftsmodelle, die hinter Wartungsvertr\u00e4gen stehen, ver\u00e4ndern werden. Die neuen Tools und Services bieten Vorteile f\u00fcr Kunden \u2013 und diese Vorteile werden am Ende in der Gesamtkostenbetrachtung (TCO, Total Cost of Ownership) sichtbar. Dementsprechend werden wir auch unsere Gesch\u00e4ftsmodelle anpassen.<\/p>\n Titelfoto: \u00a9 TGW \/ Bildlegende:<\/em><\/strong> PickCenter Rovolution von TGW: Condition Monitoring sichert eine hohe Verf\u00fcgbarkeit des mehrfach preisgekr\u00f6nten Pickroboters. <\/em><\/p>\n \u2022 TGW setzt beim mehrfach preisgekr\u00f6nten Pickroboter Rovolution auf Zustands\u00fcberwachung \u2022 Digitaler Zwilling als zentrale Innovation im Industrie 4.0-Zeitalter (Marchtrenk) Im Rahmen der Industrie 4.0-Entwicklung soll [\u2026]<\/span><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1572,1573,1666],"tags":[],"class_list":["post-13752","post","type-post","status-publish","format-standard","hentry","category-intralogistik","category-regionen","category-rubriken"],"acf":[],"yoast_head":"\n![\"\"](\"https:\/\/transportjournal.com\/wp-content\/uploads\/sites\/2\/2025\/12\/TGW_22.4.21_2.jpg\")
Dr. Maximilian Beinhofer <\/strong>leitet den Bereich Cognitive Systems Development im Headquarter der TGW Logistics Group in Marchtrenk, \u00d6sterreich. Er studierte Mathematik an den Universit\u00e4ten Aachen sowie Freiburg und promovierte dort im Fachbereich Informatik in Probabilistischer Robotik. Im Jahr 2014 startete der Wissenschaftler als Logistik- und IT-Consultant seine Karriere bei TGW. Seit 2016 leitet er das Entwicklungsteam im Bereich Cognitive Systems Development.<\/p><\/blockquote>\n","protected":false},"excerpt":{"rendered":"