Home / Themen / Analysen / Europäische Hersteller- und Verkehrsunternehmen wollen Predictive-Maintenance-Einsatz erhöhen

Europäische Hersteller- und Verkehrsunternehmen wollen Predictive-Maintenance-Einsatz erhöhen

83 Prozent der europäischen Hersteller- und Verkehrsunternehmen möchten ihre Ausgaben für Predictive-Maintenance-Lösungen in den nächsten zwei Jahren, um ihre Instandhaltungsprozesse neu zu definieren sowie die operative Effizienz zu steigern.

Quelle: PAC

Um die Instandhaltungsprozesse ihrer Anlagewerte zu optimieren, setzen europäische Hersteller- und Verkehrsunternehmen auf digitale Technologien wie das Internet der Dinge oder vorausschauende Wartung (Predictive Maintenance). So können große Mengen an operativen Daten gesammelt werden, mit denen sich plötzliche Ausfälle von Maschinen und Fahrzeugen vorhersagen lassen. Das Konzept der vorausschauenden Instandhaltung, das den Bereich der Wartung neu definieren sowie die Effizienz der Produktionsvorgänge und Betriebsflotten massiv steigern kann, wird also Realität.

In der Studie „Digital Industrial Revolution with Predictive Maintenance“ eruiert das Marktanalyse- und Beratungsunternehmens PAC, wie große und mittlere europäische Hersteller- und Transportunternehmen die Möglichkeiten von Predictive Maintenance aus Strategie-, Implementierungs- und Betriebssicht sehen und wie sie sich dem Konzept annähern. Die Studie basiert auf einer Umfrage unter mehr als 230 erfahrenen Unternehmens- und IT-Leitern.

Unnötige Kosten werden minimiert

Im Einsatz von Predictive Analytics sehen sie die Chance, unnötige Kosten durch ungeplante und plötzliche Ausfälle deutlich zu minimieren“, so Dr. Milos Milojevic, Industry Analyst bei PAC. „“Die Studienergebnisse zeigen deutlich, dass die Unternehmen in Europa hinsichtlich der Effizienz der Instandhaltungsprozesse ihrer Industrieanlagen oder Fahrzeuge nicht allzu zuversichtlich sind“, 96 Prozent der befragten Unternehmen erachten ihre Wartungsprozesse als nicht sehr effizient. Dies bietet Spielraum für Verbesserungen und weitere Kostenreduktionen in diesen anlageintensiven Industrien.

Knapp über die Hälfte der befragten Unternehmen (55 %) führt derzeit bereits ein Predictive-Maintenance-Projekt durch. Für fast ein Viertel zahlen sich solche Initiativen jetzt schon aus, während der Rest noch die Chancen auslotet. PAC geht allerdings davon aus, dass das Interesse und die Aufwendungen für Predictive Maintenance aufgrund des anhaltenden Kosten- und Wettbewerbsdrucks weiter steigen werden.

Die Verringerung der Reparaturzeiten und ungeplanter Ausfälle wird als eines der Hauptziele von Predictive-Maintenance-Projekten betrachtet (91 % der befragten Unternehmen). 86 Prozent gaben an, betagten Betriebsmitteln zu neuem Schwung verhelfen zu wollen, während 70 Prozent eine verbesserte Kundenzufriedenheit anstreben. Dieser Aspekt ist besonders für produktorientierte Herstellerunternehmen von großer Wichtigkeit, da Predictive Maintenance für sie auch bedeutet, ihren Kunden eine bessere Wartbarkeit der Produkte anbieten zu können.

Die Hürden: Sicherheit und Analyse-Know-How

Aufgrund der steigenden Bedrohungslage im Netz und in der physischen Welt sowie Bedenken hinsichtlich Sicherheit und Datenschutz überlegt der Großteil der Unternehmen sehr gründlich, ob größere Investitionssummen für die vorausschauende Wartung ausgegeben werden sollen. Weitere Hürden auf dem Weg in Richtung Predictive Maintenance sind zudem der Mangel an internen Analytics-Kenntnissen sowie am entsprechenden Wissen, wie die Vorhersageerkenntnisse hinsichtlich der Neuausrichtung der Instandhaltungsprozesse genutzt werden können.

Franck Nassah, Vice President Digital Business Innovations bei PAC, sagt dazu: “Trotz dieser Herausforderungen zeigen die Ergebnisse der Studie, dass sich die Firmen des Potenzials von Predictive Maintenance hinsichtlich der Steigerung der Unternehmenseffizienz bewusst sind, und einige Unternehmen profitieren ja auch bereits von den positiven Effekten.“

Share

Leave a Reply

Your email address will not be published. Required fields are marked *

*