Digitale Rentabilität: Wie misst man den ROI von Digital ... / 3.2 Business Impact

Dr. Philipp Lill, Dr. Peter Louis

Die Einführung von Predictive Maintenance kann zu erheblichen Kosteneinsparungen bei den Wartungsaktivitäten, zu Einsparungen bei den Qualitätskosten aufgrund von weniger Produktionsfehlern durch defekte Ausrüstung und zu erheblich reduzierten ungeplanten Ausfallzeiten führen, die sich in einer höheren Systemverfügbarkeit niederschlagen.

Um die Rendite zu quantifizieren, werden diese Effekte in ein Gesamtmodell integriert, das die verschiedenen Wirkungsketten verknüpft und dann die Abhängigkeiten in mathematischer Form spezifiziert. Die Einzelheiten des Wirkungsmodells und auch die erforderliche Granularität hängen von der konkreten Situation ab. Das Modell wird jedoch immer um Indikatoren herum strukturiert sein, die die Leistung des jeweiligen Geschäftsprozesses erfassen.

Hier entfaltet sich das Modell der Wirkungsketten um die Overall Equipment Effectiveness (OEE), die ein etablierter Industriestandard zur Messung der Fertigungsproduktivität ist. Die OEE identifiziert den Anteil der Fertigungszeit, der wirklich produktiv ist und wird definiert durch

OEE = (VERFÜGBARKEIT) * (LEISTUNG) * (QUALITÄT)

Ein OEE-Wert von 100 % bedeutet, dass der Herstellungsprozess nur gute Teile (100 % Qualität), so schnell wie möglich (100 % Leistung) und ohne Ausfallzeiten (100 % Verfügbarkeit) produziert.

Predictive Maintenance verspricht Einsparungen bei den Wartungskosten, eine höhere Systemverfügbarkeit und geringere Qualitätskosten.

Die Summe der Einsparungen aus dem Wirkungsmodell bestimmt die Rendite (s. Abb. 3). Ziehen Sie unbedingt die jährlichen Kosten für die Wartung der Lösung für die vorbeugende Instandhaltung ab, um den Gewinn zu ermitteln, der dann in die ROI-Berechnung eingeht.

Abb. 3: Wirkungsmodell am Beispiel von Predictive Maintenance

Praxis-Beispiel

Rechenbeispiel

Das Vorgehen zur mathematischen Formulierung der Wirkungsketten können wir anhand eines einfachen Rechenbeispiels für das Szenario in Abb. 3 veranschaulichen. Nehmen wir an, wir hätten eine einzelne Fertigungsmaschine, die im Idealfall 24 Stunden an 7 Tagen in der Woche produktiv läuft und unter optimalen Bedingungen pro Stunde 10 Teile produzieren kann. Mit jedem gefertigtem Teil, das den Spezifikationen genügt, wird ein Mehrwert von 100 EUR erzeugt (= Differenz zwischen dem Verkaufspreis der gefertigten Teile von 300 EUR und den Stückkosten von 200 EUR). Im Idealfall, ohne Berücksichtigung von Ausfallzeiten, Wartungskosten und Qualitätskosten, würde die Maschine pro Jahr einen Mehrwert erzeugen von:

365*24*10*100 Euro = 8.760.000 EUR

In der Praxis werden jeden Monat 2 Tage für Wartung eingeplant, mit Wartungskosten von 5.000 EUR pro Tag. Trotz Wartung fällt die Maschine im Schnitt 2x im Jahr durch unerwartet hohen Verschleiß aus. Aufgrund der notwendigen Reparatur steht die Maschine dann jeweils für 5 Tage nicht zur Verfügung.

In Betrieb ist die Maschine in der Praxis pro Jahr also nur

365 – 12*2 – 2*5 = 331 Tage.

Der Verfügbarkeitsfaktor beträgt damit:

331/365 = 90,7 %

und es entstehen Wartungskosten in Höhe von

12*2*5.000 Euro = 120.000 EUR.

Durch den Verschleiß der Maschine genügen die gefertigten Teile in den letzten 5 Tagen vor dem Ausfall nicht mehr der geforderten Spezifikation. Jährlich wird demnach Ausschuss produziert an insgesamt

2*5 = 10 Tagen.

Der Qualitätsfaktor beträgt damit

(331 – 10)/331 = 97,0 %

und die Stückkosten des produzierten Ausschusses ergeben Qualitätskosten in Höhe von

10 St/h*24 h/Tag*10 Tage*200 EUR/Stück = 480.000 Euro.

Den Leistungsfaktor setzen wir zur Vereinfachung auf 100 %. In unserem Beispiel beträgt die Gesamtanlageneffektivität OEE

90,7 %*100 %*97,0 % = 87,9 %

und der pro Jahr durch die Maschine erzeugte Mehrwert beträgt

8.760.000*87,9 % = 7.704.000 EUR.

Unter Berücksichtigung der Wartungskosten und Qualitätskosten ergibt sich netto ein Mehrwert von nur noch

7.704.000 – 120.000 – 480.000 = 7.104.000 Euro.

Die neue IoT Lösung zu Predictive Maintenance erlaubt eine zuverlässige kontinuierliche Überwachung des Zustands der Fertigungsmaschine. Dies erlaubt eine Reduzierung der Wartungsintervalle auf durchschnittlich alle 2 Monate (statt jeden Monat), und gleichzeitig eine Vermeidung der Hälfte der verschleißbedingten Ausfälle. Die notwendigen Investitionen für die IoT Lösung belaufen sich einschließlich Transformationskosten auf 1.200.000 EUR. Hinzu kommen 150.000 EUR pro Jahr für Wartung der IoT Lösung. Wie schnell amortisiert sich die Investition?

Mit Predictive Maintenance ist die Maschine künftig im Jahr produktiv an:

365 – 6*2 – 5 = 348 Tagen.

Der Verfügbarkeitsfaktor erhöht sich auf

348/365 = 95,3 %,

der Qualitätsfaktor auf

(348 – 5)/348 = 98,6 %,

und die Gesamtanlageneffektivität auf

OEE = 94,0 %

Die Fertigungsmaschine erzeugt pro Jahr nun einen Mehrwert von

8.760.000*9450 % = 8.234.000 EUR.

Gleichzeitig reduzieren sich die Wartungskosten der Maschine auf

6*2*5.000 Euro = 60.000 EUR