Herausforderungen in der Instandhaltung von Anlagen

Ungeplante Ausfallzeiten durch Instandhaltungsmaßnahmen machen mittlerweile elf Prozent des Unternehmensumsatzes aus. Eine gezielte Wartungsstrategie verlängert nicht nur die Lebensdauer von Anlagen und Maschinen, sondern senkt auch die Investitionskosten.

Unsere Expertenbefragung mit Fachleuten aus verschiedenen Branchen zeigt den aktuellen Stand und gibt einen Einblick in die vielfältigen Herausforderungen und Potenziale in der Instandhaltung. Die Ergebnisse haben wir in Form eines Whitepapers aufbereitet und veröffentlicht.

Teilnehmer*innen aus der Instandhaltung

Die Teilnehmenden aus der Instandhaltung verteilen sich auf folgende Bereiche:

  • Strategische Planung: 11 Teilnehmende
  • Operative Einsatzplanung: 5 Teilnehmende
  • Durchführung: 5 Teilnehmende

In der Auswertung der Expertenbefragung stellten die Branchen Automotive sowie Metallerzeugung und -bearbeitung mit jeweils fünf Teilnehmenden die größten Gruppen. Außerdem waren die Branchen Maschinenbau, der sonstige Fahrzeugbau sowie die Luft- und Raumfahrt vertreten. Fast die Hälfte der Befragten arbeitet in großen Unternehmen mit über 50 Millionen Euro Jahresumsatz und über 250 Mitarbeitenden.

So lief die Umfrage ab

Das Fraunhofer IPK in Zusammenarbeit mit der CONTACT Software GmbH führten die Befragung durch. Im April und Mai 2023 fand online ein Pretest statt. Auf Basis der Ergebnisse überarbeitete das Forschungsteam den Fragebogen, mit dem die eigentliche Expertenbefragung von Mitte Februar bis Ende Juni 2024 erfolgte.

Die Teilnehmer*innen wurden per E-Mail, Telefon und persönlicher Ansprache auf Messen auf die Umfrage aufmerksam gemacht und führten sie online durch.

Die Expertenbefragung umfasste 22 Fragen, unterteilt in sechs Kategorien:

  • Unternehmen und Person
  • Beschreibung der Aufgabenfelder
  • Arbeitsorganisation
  • Informationszugänglichkeit für die Aufgabenerfüllung
  • Bewertung der Informationsqualität
  • Einsatz Tools für die Aufgabenerfüllung

Fünf zentrale Ergebnisse der Befragung

  1. Weniger Stillstand durch bessere Planbarkeit: Die Umfrage hebt die Planbarkeit als einen entscheidenden Faktor für die Effizienz der Instandhaltung hervor. Die Befragten betonten, dass unvorhersehbare Ausfälle und die Schwierigkeit, optimale Wartungsintervalle festzulegen, zu erheblichen Problemen führen können. Wer Wartungsintervalle optimal plant, verringert Stillstandzeiten und steigert die Produktivität. Die operative Einsatzplanung versucht, ungeplante Ausfälle weitgehend zu vermeiden, um die Einsatzplanung zu erleichtern.

    Im Rahmen der Durchführung spielen darüber hinaus die planbare Zeit zwischen Instandhaltungsvorgängen als auch die Dauer der eigentlichen Tätigkeit eine wesentliche Rolle.

  2. Herausforderungen durch den Fachkräftemangel: Der Mangel an qualifiziertem Personal stellt eine erhebliche Herausforderung für die Instandhaltung dar. Sowohl die Verfügbarkeit von Fachkräften als auch deren Qualifikation stellen für die Befragten ein Problem dar. Um dem zu begegnen, wird der Einsatz digitaler Geräte als beste Qualifikationsmaßnahme angesehen.

  3. Ausfälle durch fehlende Ersatzteile: Insbesondere der Automobilsektor und der Fahrzeugbau stufen die rechtzeitige Verfügbarkeit von Ersatzteilen und Werkzeugen als kritisch ein. Fehlende Ersatzteile können zu Produktionsausfällen und Verzögerungen führen. Der Einsatz eines digitalen Ersatzteilmanagements wird als mögliche Lösung genannt, aber noch nicht flächendeckend umgesetzt.

  4. Informationen schneller finden: Die Befragten sehen ein effizientes Informationsmanagement als wichtigen Faktor für die Effizienzsteigerung in der Instandhaltung an, da es den schnellen und einfachen Zugriff auf relevante Informationen ermöglicht. Eine klare Datenstruktur und die Digitalisierung von Informationen tragen dazu bei, die Suchzeiten zu verkürzen und die Entscheidungsfindung zu verbessern. Digitale Daten lassen sich zwar grundsätzlich schwieriger strukturieren, reduzieren aber den Suchaufwand merklich.

  5. Digitalisierung und Einsatz neuer Technologien: Das Whitepaper beleuchtet den potenziellen Einsatz digitaler Lösungen wie Predictive Maintenance, Digitale Zwillinge und cloudbasierte IoT-Plattformen. Allerdings zeigt die Befragung, dass viele Unternehmen diese Technologien noch nicht umfassend nutzen. Es wird betont, dass die Einführung digitaler Lösungen einhergehen muss mit einem auf das Unternehmen abgestimmten Informationsmanagement.

Was bedeutet das für die Instandhaltung?

Die Expertenbefragung identifiziert drei Schwerpunkte: den Personaleinsatz, die konkreten Herausforderungen im Arbeitsalltag sowie das Informationsmanagement. In der Mitarbeiterqualifikation liegen demnach große Verbesserungspotentiale. Dabei sehen die Befragten den Einsatz digitaler Geräte als beste Qualifikationsmaßnahme an.

Vernetzte Produktionsanlagen erleichtern Wartungsarbeiten und deren Planung.

Die befragten Personen berichten auch die Ersatzteilverfügbarkeit als große Herausforderung. Hier unterstützt in einigen Fällen bereits ein digitales Ersatzteilmanagement, welches nur bedingt Abhilfe schafft. Grundlage für die erfolgreiche Integration digitaler Assistenzsysteme ist ein auf das Unternehmen abgestimmtes Informationsmanagement, denn die Suche nach Informationen nimmt derzeit einen Großteil der Arbeitszeit ein.

Die Zahlen zeigen, dass digital vorliegende Informationen schneller gefunden werden und somit die Informationssuche weniger Arbeitszeit in Anspruch nimmt. Voraussetzung dafür sind digitale Informationsstrukturen, die bei den befragten Unternehmen aber nur zum Teil vorliegen – viele speichern ihre Daten nach wie vor analog.

Der Weg zur Digitalisierung führt immer über den Pfad der Datenmigration. Das heißt, bestehendes Informationsmanagement muss weg vom Papier, auch in der operativen Instandhaltung.


Laden Sie jetzt das vollständige Whitepaper herunter und erhalten Sie detaillierte Einblicke in den IST-Zustand der Instandhaltung in deutschen Unternehmen.


Welche spezifischen Herausforderungen sehen Sie in Ihrem Unternehmen im Bereich der Instandhaltung? Teilen Sie Ihre Gedanken und Erfahrungen in den Kommentaren!

Nachhaltigkeit als Wettbewerbsvorteil: Mit PLM einen Schritt voraus

Nachhaltiges Denken ist längst kein „Nice to have“ mehr – Regulatorien und Kundenwünsche machen es zu einem zentralen Bestandteil heutiger Innovation. Immer mehr Unternehmen erkennen, dass ökologische Verantwortung und wirtschaftlicher Erfolg kein Widerspruch sein müssen. Besonders in der Produktentwicklung zeigt sich das deutlich: Wo früher das Preis-Leistungsverhältnis im Vordergrund stand, kommt heute die Nachhaltigkeit als weiterer zentraler Faktor hinzu.

Preis-Leistung war gestern – es zählt das Gleichgewicht

Kosten und Effizienz spielen immer noch eine große Rolle. Aber wer auch in Zukunft wettbewerbsfähig bleiben will, muss in unternehmerischen Entscheidungen die Umweltbilanz mitdenken. Die Herausforderung: ein gutes Gleichgewicht zwischen ökonomischer Performance und ökologischer Verantwortung finden. Das gelingt vor allem dann, wenn Nachhaltigkeit nicht erst ganz am Ende, sondern ganz zu Beginn – im Design – mitgedacht wird.

Warum der Produktentwicklungsprozess so entscheidend ist

Rund 80 Prozent der Umweltauswirkungen eines Produkts werden schon in der Entwicklungsphase festgelegt. So kommt bereits der Wahl von Materialien, Herstellungsprozessen, Energieverbräuchen sowie auch der Recyclingfähigkeit innerhalb der Entwicklung eine entscheidende Rolle zu. Wer hier bereits mit belastbaren und transparenten Daten arbeitet, kann mit seinen Entscheidungen die späteren Folgen für die Umwelt gezielt beeinflussen und positiv auf die Bilanz einwirken.

LCA vs. PCF – zwei wichtige Begriffe kurz erklärt

Wer sich mit nachhaltiger Produktentwicklung beschäftigt, kommt an diesen beiden Begriffen kaum vorbei:

  • Life Cycle Assessment (LCA) – die Ökobilanz eines Produkts über seinen gesamten Lebenszyklus hinweg. Von der Rohstoffgewinnung bis zur Entsorgung.
  • Product Carbon Footprint (PCF) – der CO₂-Fußabdruck eines Produkts, ausgedrückt in CO₂-Äquivalenten. Der PCF ist oft ein Teil einer umfassenderen LCA.

Nachhaltigkeit direkt im PLM-System umsetzen

Mit CONTACTs Sustainability-Lösung lassen sich diese Umweltdaten direkt in CIM Database PLM erfassen und nutzen. So werden Materialien, Prozesse und Produktstrukturen systematisch bewertet. Ob manuell eingegeben oder automatisch aus Umwelt-Datenbanken importiert: Die Umweltwirkung eines Produkts lässt sich direkt im System analysieren und verbessern.

Asset Administration Shell – ein Schlüssel zum Datenaustausch in der Lieferkette?

Nachhaltigkeit funktioniert nicht im Alleingang. Besonders bei komplexen Produkten mit vielen Zulieferern ist der souveräne Austausch von Daten entscheidend. Hier kommt das Konzept der Verwaltungsschale (Asset Administration Shell, AAS) ins Spiel – eine standardisierte Abbildung von digitalen Zwillingen für beispielsweise Industriekomponenten.

Mit verschiedenen Submodellen wie zum Beispiel für den Carbon Footprint können Unternehmen ihre Umweltinformationen standardisiert kommunizieren, intern wie extern. So entsteht eine durchgängige Datenbasis über die gesamte Wertschöpfungskette hinweg. Das funktioniert auch mit zugekauften Teilen – vorausgesetzt, die Daten werden standardisiert erfasst und ausgetauscht.

Die drei wichtigsten Erkenntnisse:

  1. Nachhaltigkeit beginnt im Engineering – hier werden entscheidende Weichen gestellt.
  2. Standardisierte Datenformate ermöglichen es, umweltbezogene Daten in den Produktlebenszyklus zu integrieren.
  3. Mit IT-Tools wie CONTACT Elements Sustainability Cloud lässt sich nicht nur ein umweltfreundlicher Betrieb planen, sondern Nachhaltigkeit schon im frühen Entwicklungsprozess umsetzen.

Fazit:

Die Entwicklung nachhaltiger Produkte ist kein Zukunftsthema mehr – sie ist längst Realität. Wer frühzeitig die richtigen Tools nutzt und auf standardisierte Prozesse setzt, verschafft sich nicht nur ökologische Vorteile, sondern auch wirtschaftliche.

Embeddings erklärt: Grundbausteine hinter KI-gestützten Systemen

Mit dem Aufstieg moderner KI-Systeme hört man auch immer häufiger Sätze wie „Text wird in ein Embedding umgewandelt…“, gerade beim Einsatz großer Sprachmodelle (engl. Large Language Models, LLMs). Embeddings sind aber nicht nur auf Texte reduziert, sondern Vektordarstellungen für jede Art von Daten.

In den letzten Jahren hat sich Deep Learning stark weiterentwickelt, insbesondere durch das Trainieren großer Modelle auf umfangreichen Datensätzen. Diese Modelle erzeugen universell einsetzbare Embeddings, die in vielen Domänen nützlich sind. Da die meisten Entwickler nicht die Ressourcen für eigenes Training haben, nutzen sie vortrainierte Modelle.

Viele KI-Systeme basieren auf dem folgenden Schema:

Input → API (zu großem Deep-Learning-Modell) → Embeddings → Embeddings verarbeiten → Output

In diesem Blogeintrag tauchen wir daher tiefer in diesen zentralen Bestandteil von KI-Systemen ein.

Was sind Embeddings?

Einfach gesagt ist ein Embedding eine Art digitale Zusammenfassung: eine Zahlenfolge, die Eigenschaften eines Objekts – sei es Text, Bild oder Audio – beschreibt. Die Embeddings von ähnlichen Objekten liegen im Raum nah beieinander.

Technisch ausgedrückt sind Embeddings Vektordarstellungen von Daten. Sie basieren auf einer Abbildung (Embedder, Encoder), die wie ein Übersetzer funktioniert. Moderne Embeddings sind häufig tiefe neuronale Netze und reduzieren komplexe Daten auf eine niedrigere Dimension. Allerdings gehen durch die Komprimierung teilweise Informationen verloren. Aus einem Embedding lässt sich daher nicht immer der genaue Input rekonstruieren.

Wie funktionieren Embeddings?

Embeddings sind keine neue Erfindung, haben sich durch Deep Learning aber wesentlich verbessert. Nutzer*innen erstellen sie manuell oder automatisch durch maschinelles Lernen. Frühe Methoden wie Bag-of-Words oder One-Hot-Encoding sind einfache Varianten, bei denen Wörter gezählt oder als Binärvektoren dargestellt werden.

Heute übernehmen neuronale Netze diese Arbeit. Modelle wie Word2Vec oder GloVe lernen die Bedeutung und Beziehungen zwischen Wörtern automatisch. In der Bildverarbeitung finden Deep-Learning-Modelle Schlüsselpunkte und extrahieren Merkmale.

Warum sind Embeddings nützlich?

Weil sich nahezu jede Art von Daten mit Embeddings darstellen lässt: Text, Bilder, Audio, Videos, Graphen usw. Im niedrigdimensionalen Vektorraum lassen sich Aufgaben wie Ähnlichkeitssuche oder Klassifikation einfacher lösen.

Wenn man zum Beispiel in einem Text wissen möchte, welches von drei Wörtern nicht zu den anderen passt, ermöglichen Embeddings es diese Wörter als Vektoren darzustellen, zu vergleichen und so die „Ausreißer“ zu erkennen. Außerdem verknüpfen Embeddings unterschiedliche Formate. Eine Textanfrage findet zum Beispiel auch Bilder und Videos.

Für viele Aufgaben müssen Embeddings nicht selbst erstellt werden. Es gibt zahlreiche vortrainierte Modelle, die direkt zur Verfügung stehen – von ChatGPT bis hin zu Bildmodellen wie ResNet. Für spezifische Nischenbereiche oder Aufgaben können diese Modelle entsprechend angepasst werden.

Kleine Zahlen, große Wirkung

Embeddings sind zu einem der Schlagwörter für den Aufbau von KI-Systemen geworden. Die Idee ist einfach: komplexe Daten in handliche Vektoren zu verwandeln, mit denen sich unter anderem Unterschiede und Ähnlichkeiten erkennen lassen. Dabei hat man die Wahl zwischen vortrainierten Embeddings oder der Entwicklung eigener Modelle. Embeddings ermöglichen es, Daten verschiedener Modalitäten (Text, Bilder, Videos, Audio usw.) im selben Vektorraum zu repräsentieren und sind so ein unverzichtbares Werkzeug im Bereich der KI.

Einen ausführlichen Beitrag zum Thema finden Sie auch auf dem CONTACT Research Blog.