Predictive Maintenance. Aktueller Stand, Erfolgsfaktoren und Nutzenpotentiale

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

1 Einleitung
1.1 Problemstellung
1.2 Zielsetzung und Vorgehensweise

2 Predictive Maintenance - Grundlagen
2.1 Bedeutung von Predictive Maintenance
2.2 Abgrenzung der Instandhaltungsstrategien
2.3 Anwendungsmöglichkeiten von Predictive Maintenance

3 Predictive Maintenance - Technische Voraussetzungen
3.1 Condition Monitoring
3.1.1 Grundlagen der Zustandsüberwachung
3.1.2 Vernetzung und Kommunikation
3.2 IoT-Plattformen
3.3 Predictive Analytics
3.3.1 Grundlagen zu Vorhersagemodellen
3.3.2 Exkurs: Aufbau eines Predictive Maintenance Modells
3.4 Aspekte der IT-Sicherheit

4 Predictive Maintenance - Anwendungsbeschreibung
4.1 Implementierungsübersicht für PdM-Lösungen
4.2 Nutzenpotenziale von PdM-Lösungen
4.2.1 Vorteile für den Hersteller
4.2.2 Kundennutzen durch PdM
4.3 Chancen durch PdM-Lösungen
4.4 Entwicklung digitaler Geschäftsmodelle für PdM-Lösungen

5 Gestaltungsmöglichkeiten der empirischen Sozialforschung

6. Anlagenbau KG
6.1 Empirische Vorgehensweise
6.2 Unternehmenspraktische Fragestellungen zu PdM
6.2.1 Wartungsstrategie bei K. Anlagenbau
6.2.2 Anwendungsmöglichkeiten von Predictive Maintenance bei K. Anlagenbau
6.2.3 Technische Möglichkeiten und Herausforderungen bei K. Anlagenbau
6.2.3.1 Condition Monitoring bei K. Anlagenbau
6.2.3.2 Plattformen bei K. Anlagenbau
6.2.3.3 Predictive Analytics bei K. Anlagenbau
6.2.3.4 IT-Sicherheit bei K. Anlagenbau
6.2.4 Vorteile für K. Anlagenbau
6.3 Externe Rahmenfaktoren hinsichtlich PdM
6.3.1 Kundenbedürfnisse hinsichtlich Predictive Maintenance-Lösungen
6.3.2 Nutzen für K. Anlagenbau-Kunden
6.3.3 Rechtliche Rahmenbedingungen
6.4 Implementierungsübersicht von PdM bei K. Anlagenbau
6.5 Chancen für K. Anlagenbau
6.6 Darstellung digitaler Geschäftsmodelloptionen für K. Anlagenbau

7 Fazit

Anhang

Literaturverzeichnis

Verzeichnis der Internetquellen

Verzeichnis firmenbezogener Quellen

Verzeichnis der Expertenmeinungen

Hinweis

Gegenstand dieser Arbeit ist eine Untersuchung der Erfolgsfaktoren und Nutzenpotenziale von Predictive Maintenance als Service-Leistung, welche dann, bezogen auf ein Unternehmen ana­lysiert wurden. Firmenbezogene Informationen wurden in der vorliegenden Arbeit aus Daten­schutzgründen anonymisiert. K. Anlagenbau KG stellt dabei ein fiktives Unternehmen dar.

Der Inhalt dieser Arbeit darf weder als Ganzes noch in Auszügen Personen außerhalb des Prüfungsprozesses und des Evaluationsverfahrens zugänglich gemacht werden, sofern keine anders lautende Genehmigung des Verfassers vorliegt.

Ausnahmen bedürfen der schriftlichen Genehmigung von:

Marco Hartmann

Ravensburg, 14.10.2020

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Abbildungsverzeichnis

Abbildung 1: Darstellung der Instandhaltungsstrategien

Abbildung 2: Zukünftig erwartete Aufteilung des Marktes für PdM

Abbildung 3: Schema einer Maschinenvernetzung

Abbildung 4: IoT-Architektur

Abbildung 5: Nutzenkategorien und ihre Relevanz

Abbildung 6: Industrie 4.0 Geschäftsmodell

Abbildung 7: PdM Geschäftsmodell

Abbildung 8:

Abbildung 9: Konzept der Mobile-App des K. Anlagenbau-Portals

Abbildung 10: Rangfolge der Kundenziele zu Produktionsmaschinen und -anlagen

Abbildung 11: Bereitschaft über Einbindung in das Firmennetz und Datenfreigabe

Abbildung 12: Implementierungsübersicht einer PdM-Lösung für K. Anlagenbau

1 Einleitung

1.1 Problemstellung

Die zunehmende Vernetzung von Maschinen in der Industrie, bietet Unternehmen neue Möglichkeiten. Unter anderem lassen sich Maschinenzustände rund um die Uhr überwa­chen und wichtige Daten sammeln. Anhand der erfassten Daten und mithilfe intelligenter Systeme, lassen sich Vorhersagen für mögliche Maschinenausfälle treffen und somit unge­wollte Stillstände verhindern.¹ Die Frage hierbei ist jedoch, welcher Nutzen dadurch für die Unternehmen entsteht und welche Erfolgsfaktoren sich bei den Anbietern dieser Lösungen ergeben. Des Weiteren stellt sich die Frage, ob Kunden bereit sind, vor dem Hintergrund der IT-Sicherheit und des Datenschutzes, Maschinen und Anlagen in ihr Firmennetz einzu­binden und die Daten dem Anbieter zur Verfügung zu stellen.

Die aktuellen Entwicklungen dahingehend zeigen, dass sich Unternehmen durchaus be­wusst sind, welche Rolle Predictive Maintenance in der verarbeitenden Industrie künftig einnehmen wird. So stimmten über 75% der Teilnehmer einer Umfrage zu, dass Predictive Maintenance in der Zukunft zum einen noch essenzieller und wichtiger wird, zum anderen als Voraussetzung für den Erhalt der Wettbewerbsfähigkeit gilt.² Dass Predictive Mainte­nance bereits bei einigen Unternehmen präsent ist, zeigt eine Studie des VDMA, wonach 81% der Teilnehmer einer Umfrage angeben, sich bereits intensiv mit dem Thema zu be­fassen. Für 40% hat PdM sogar eine sehr hohe Bedeutung, da darin Potenzial zur Differen­zierung, aber auch ein Erfolgsfaktor für nachhaltige Serviceumsätze gesehen wird.³

Hinsichtlich der technischen Herausforderungen für Predictive Maintenance bezüglich IT- Sicherheit, Auswahl und Verfügbarkeit der Daten oder auch der IT-Infrastruktur sind sich die Teilnehmer einer Befragung im DACH-Gebiet⁴, durchgeführt von der Unternehmensbe­ratung BearingPoint, uneinig. Demnach bewegen sich die Ergebnisse bei der Frage, ob die Herausforderungen zur Umsetzung von PdM als hoch oder gering eingeschätzt werden, zwischen 43% und 57%.⁵

Auch bei der K. Anlagenbau KG sollen im Zuge der Digitalisierung und Industrie 4.0, Lö­sungen erarbeitet werden . Neben Umsatzwachstum zählt mittlerweile auch die Entwick­lung zur „Smarten Fabrik“ zu den Zielen des Unternehmens, wobei die Digitalisierung ein gern gesehenes Mittel zur Vereinfachung und zur effizienten Gestaltung von Prozessen darstellt. Dass das After- Sales-Geschäft künftig immer mehr an Bedeutung gewinnen kann, und sich daraus neue Geschäftsmodelle, beispielsweise durch Predictive Maintenance-Lö- sungen ergeben können, hat die K. Anlagenbau KG nun ebenfalls erkannt.⁶

1.2 Zielsetzung und Vorgehensweise

Ziel dieser Arbeit ist es einerseits, den aktuellen Stand von Predictive Maintenance wiederzugeben. Hierbei sind aktuelle Lösungs-Ansätze zu analysieren und die technischen Voraussetzungen zu identifizieren. Andererseits sollen Vorteile und Chancen, aber auch Herausforderungen bei der Einführung von Predictive Maintenance-Lösungen ausgearbeitet werden. Der Schwerpunkt der Analyse liegt hierbei vor allem auf dem Nutzenpotenzial und den Bedürfnissen der Kunden. Für K. Anlagenbau soll diese Untersuchung zeigen, ob Predictive Maintenance vom Kunden gefordert wird und somit Lösungen entwickelt werden müssen. Hierbei sind für K. Anlagenbau die technischen Voraussetzungen und Möglichkeiten zu identifizieren und die Vorteile und Chancen zu analysieren. Die Bereitschaft der Kunden, die Maschinendaten bereitzustellen, soll ein weiterer Aspekt der Untersuchug im Zuge dieser Arbeit darstellen. Auch die Frage, welche Möglichkeiten in Form von neuen Geschäftsmodellen sich hierdurch ergeben, wird analysiert.

Die vorliegende Arbeit ist in einen konzeptionellen und einen praxisorientierten Teil gegliedert.

Im konzeptionellen Teil werden, unter Verwendung der empirischen Forschungsmethode der Sekundäranalyse, die wissenschaftlichen Erkenntnisse zu Predictive Maintenance beschrieben. Herangezogen werden dafür fundierte wissenschaftliche Fachbücher und Fachzeitschriften, sowie aktuelle Studien, als auch Dissertationen. In Kapitel 2 wird dabei zunächst ein Verständnis für Predictive Maintenance geschaffen und die aktuellen Entwicklungen analysiert. Zudem sind in diesem Zuge eine Abgrenzung der Instandhaltungsstrategien vozunehmen und die Anwendungsmöglichkeiten von Predictive Maintenance zu untersuchen. In Kapitel 3 folgt eine Beschreibung der technischen Voraussetzungen für die Implementierung einer PdM-Lösung. Beschrieben werden hierbei die Zustandsüberwachung durch Condition Monitoring, die Integration von IoT-Plattformen, Predictive Analytics und die Aspekte der IT-Sicherheit. In Kapitel 4 werden anschließend die Anwendungsmöglichkeiten von Predictive Maintenance beschrieben. Zunächst wird hierbei eine Implementierungsübersicht gegeben, woraufhin die Nutzenpotenzale von PdM untersucht wreden. Im Zuge dessen sind die Chancen durch PdM-Lösungen und die Entwicklung neuer Geschäftsmodelle dadurch, zu erläutern. Im Anschluss an Kapitel 4 erfolgt eine wissenschaftliche Herleitung der Gestaltungsmöglichkeiten der empirischen Forschungen, welche im praxisorientierten Kapitel verwendet werden. Hier erfolgt eine wissenschaftliche Herleitung der möglichen Forschungsmethoden, welche in Kapitel 6 eingesetzt werden.

Zu Beginn des praxisorientierten Kapitels (Kapitel 6), erfolgt eine Beschreibung der eingesetzten, in Kapitel 5 hergeleiteten Methoden der empirischen Sozialforschung, welche Primär- und Sekundäranalysen beinhalten. Mit der Analyse diverser Unternehmensdokumente sollen dabei wichtige Erkenntnisse über den Stand und die Möglichkeiten von K. Anlagenbau hinsichtlich Predictive Maintenance-Lösungen als Serviceleistung gewonnen werden. Ebenso werden hierfür Experteninterviews mit Personen aus unterschiedlichen Unternehmensbereichen geführt. Um die Bedürfnisse der Kunden zu identifizieren, ist eine Kundenbefragung durchzuführen.

Im Anschluss an die Beschreibung der empirischen Vorgehensweise erfolgt, nach der Vorstellung des Unternehmens, eine Ist-Analyse und eine Erläuterung des Soll-Konzepts. Darauffolgend wird die Wartungsstrategie als zentrales Element, so wie sie bei K. Anlagenbau aktuell besteht und welche Möglichkeiten zuküntig bestehen, untersucht. Anschließend werden die unternehmenspraktischen Fragestellung, welche bei Predictive Maintenance für K. Anlagenbau entstehen, erläutert. Darin werden die Anwendungsmöglichkeiten beschreiben, die technischen Möglichkeiten und Herausforderungen untersucht, aber auch die entstehenden Vorteile für K. Anlagenbau identifiziert. Darauf folgt die Analyse externer Rahmenfaktoren für K. Anlagenbau. Hierbei werden einerseits die Kundenbefürfnisse anhand der Kundenbefragung vorgestellt, andererseits wird der Nutzen der Kunden durch mögliche K. Anlagenbau-PdM-Lösungen beschrieben. Im Zuge der rechtlichen Rahmenfaktoren werden zudem die rechtlichen Rahmenbedingungen, welche eine Implementierung dieser Lösungen bei K. Anlagenbau beeinflussen könnte, dargestellt. Während in Kapitel 6.7 die wesentlichen Bedingungen einer PdM-Implementierung bei K. Anlagenbau zusammengefasst und übersichtlich dargestellt werden, werden in Kapitel 6.8 die Chancen für K. Anlagenbau beschrieben. Im letzten Kapitel des praxisorientierten Teils, werden die Geschäftsmodelloptionen, welche sich für K. Anlagenbau durch eine PdM-Implementierung ergeben, aufgezeigt.

Abschließend wird mit dem Kapitel 7 das Fazit der Arbeit erläutert, eine kritische Würdigung der Forschungsergebnisse vorgenommen und darüber hinaus ein Ausblick gegeben.

2 Predictive Maintenance - Grundlagen

2.1 Bedeutung von Predictive Maintenance

Um die Wettbewerbsfähigkeit eines Unternehmens langfristig sicherzustellen, ist es unab­dingbar, sich durch Lösungen im Hinblick auf Industrie 4.0 und Digitalisierung, Wettbe­werbsvorteile zu verschaffen.⁷ Das digitale Wachstum der deutschen Industrie nimmt je­doch nur langsam zu, wie anhand der Entwicklung des Industrie 4.0-Indexes der letzten Jahre in Anlage 1 zu sehen. Unternehmen konzentrieren sich meist auf einzelne Industrie 4.0-Projekte, anstatt das Thema umfassend zu behandeln. So das Ergebnis der Staufen AG in einer Studie zum deutschen Industrie Index 4.0 im Jahr 2019. Predictive Maintenance wird dabei innerhalb der Studie als die meist genannte Anwendung im Kontext von Industrie 4.0 beschrieben.⁸ Grund hierfür könnte die zunehmende Komplexität der Produktionssys­teme und Maschinen darstellen, welche dahingehend anspruchsvollere Instandhaltungs­verfahren erfordern.⁹ Unter Instandhaltung versteht man dabei die „Kombination aller tech­nischen und administrativen Maßnahmen sowie Maßnahmen des Managements während des Lebenszyklus einer Betrachtungseinheit zur Erhaltung des funktionsfähigen Zustandes oder der Rückführung in diesen, sodass sie die geforderte Funktion erfüllen kann“.¹⁰ Ein innovatives Instandhaltungsverfahren im Zeitalter von Industrie 4.0 und der fortschreiten­den Digitalisierung stellt hierbei das Predictive Maintenance dar. PdM, zu Deutsch vo­rausschauende oder prädiktive Instandhaltung, beschreibt eine Wartungsstrategie, bei der notwendige Maßnahmen proaktiv und zustandsabhängig eingeleitet werden, um Maschi­nenstillstände zu vermeiden oder so zu planen, dass der Betriebsablauf nicht gestört wird.¹¹ Dies geschieht durch Ausstattung der Anlagen mit entsprechenden Sensoren, um mit Hilfe deren Daten, Vorhersagen treffen zu können.¹² Unter Berücksichtigung der erfassten Be­triebsdaten der Anlagen lassen sich die optimalen Wartungszeitpunkte errechnen. Hierbei baut Predictive Maintenance auf dem Condition Monitoring, also dem Erfassen von Echt­zeitdaten der Maschinen und Anlagen oder einzelner Komponenten, auf.¹³

Predictive Maintenance stellt dabei vor allem für den Maschinenbau, als führende Branche im deutschen industriellen Sektor, die Schlüsselinnovation von Industrie 4.0 dar. Der VDMA und Roland Berger sehen PdM im Zuge einer Studie aus dem Jahr 2017 sogar als ent­scheidenden Faktor für den nachhaltigen Erfolg im Service. Diese Technologien sollen demnach zu starken strategischen Veränderungen bei den Kunden im Hinblick auf Wartung und Produktion führen. Bei den Maschinenbauern ergibt sich dabei ein Wandel der Service- Geschäftsmodelle.¹⁴

Für den weiteren Verlauf dieser Arbeit sind die zu erkennenden Sichtweisen auf PdM, ei­nerseits als Anwender von PdM-Lösungen in der eigenen Produktionsinstandhaltung¹⁵, an­dererseits als Maschinenhersteller und Anbieter von PdM-Lösungen als Serviceleistung für eigene Produkte¹⁶, zu unterscheiden. Des Weiteren ergibt sich dabei eine Sichtweise durch Plattformanbieter für PdM-Lösungen.¹⁷ Auch wenn der Überschneidungsgrad hierbei sehr hoch ist, liegt der Fokus dieser Arbeit auf dem Blickwinkel von PdM-Lösungen als Service­Komponente von Maschinen- und Anlagenherstellern.

2.2 Abgrenzung der Instandhaltungsstrategien

Im Hinblick auf die Instandhaltung zeichnet sich ein Muster ab, welches drei grundlegende Strategien beschreibt: Reactive Maintenance, Preventive Maintenance und Predictive Maintenance. Reactive Maintenace, auch bezeichnet als Corrective Maintenance¹⁸, beschreibt ein Eingreifen bei bereits vorliegendem Problem, sprich, wenn der Defekt bereits erfolgt ist. Bei der vorbeugenden oder auch proaktiven Wartung, welche als Preventive Maintenance bekannt ist, werden zustandsunabhängig regelmäßige Wartungen durchgeführt und Verschleißteile ausgetauscht.¹⁹ Predictive Maintenance beschreibt, wie bereits in Kapitel 2.1 erläutert, eine zustandsabhängige Wartung, bei der mit Hilfe von Maschinendaten frühzeitige Defekte prognostiziert werden.

Eine etwas differenziertere Sichtweise zeigt die Abbildung 1. Zwar wird hier ebenfalls zwischen drei Wartungsstrategien unterschieden, jedoch bildet die dritte Strategie Conditionbased Maintenance und beinhaltet Condition Monitoring als Erweiterung von Preventive Maintenance, durch die Integration von Sensoren. Die Wartungsstrategie Predictive Maintenance wird dabei als Erweiterung des Conditionbased Maintenance durch Machine Learning beschrieben, welches demnach als Kernelement für Datenanalysen und die Implementierung von prädiktiven Modellen zu verstehen ist.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Darstellung der Instandhaltungsstrategien20

Demnach erfolgt PdM erst, wenn die durch Zustandsüberwachung erhobenen Daten analysiert und entsprechende prädiktive Modelle durch Machine Learnig Algorithmen entwickelt werden.^{20 21}

Machine Learning beschreibt dabei im Allgemeinen durch Algorithmen generiertes Wissen durch Erfahrung. Die Maschine lernt dabei selbständig durch die Analyse großer Datenmengen und erkennt Muster und Zusammenhänge, mit denen sich Vorhersagen treffen lassen.²² Eine nähere Beschreibung hierzu erfolgt in Kapitel 3.3.

Eine weitere Möglichkeit der Abgrenzung lässt sich hinsichtlich der industriellen Revolutio­nen vornehmen, wie Anlage 2 darstellt. Demnach zeigt sich die Entwicklung der Instand­haltungsstrategien, beginnend mit dem Corrective Maintenance Ende des 18. Jahrhun­derts, kurz vor der ersten industriellen Revolution. Die zweite Instandhaltungsstrategie, das Preventive Maintenance entstand demnach Mitte des 20. Jahrhunderts zwischen der zweiten und dritten industriellen Revolution. Ansätze von Predictive Maintenance entstan­den bereits zu Beginn der der 70er Jahre, innerhalb der dritten industriellen Revolution. Im Zuge der vierten industriellen Revolution entstand demnach die neuste Strategie: Cyber­Physical Maintenance.²³ Diese Strategie beinhaltet die Instandhaltung mithilfe Cyberphy­sischer Systeme. Cyberphysische Systeme lassen sich dabei als die Kombination einzel­ner physischer Komponenten definieren, welche intelligent durch verschiedene Sensoren miteinander vernetzt sind und zudem selbststeuernd Prozesse beeinflussen.²⁴ Cyber-Phy­sical Maintenance lässt sich jedoch auch als technische Erweiterung der vorausschauen­den Wartung durch spezialisierte Cyberphysische Systeme definieren und stellt daher nicht unbedingt eine eigenständige Instandhaltungsstrategie dar.²⁵

2.3 Anwendungsmöglichkeiten von Predictive Maintenance

Grundlegend sind die Anwendungsmöglichkeiten von PdM-Lösungen sehr vielfältig. Neben der bereits erwähnten Anwendung im Maschinen- und Anlagenbau, ist Predictive Main­tenance auch in vielen anderen Branchen zu finden, wie beispielsweise der Luftfahrt, dem Schienenverkehr, oder beim Militär.²⁶ Predictive Maintenance bietet dabei für jegliche Branchen spezifische Lösungen. In der Luftfahrt ermöglicht Predictive Maintenance bei­spielsweise eine verbesserte Planung der Lieferung, Lagerung und des Austauschs von hochwertigen Triebwerkteilen. Durch eine Analyse und Überwachung dieser, kann zum ei­nen der Ist-Zustand und zum anderen die Zustandsentwicklung bestimmt und eine Wartung dementsprechend ausgeführt werden. Eine weitere Anwendungsmöglichkeit stellt die Zu­standsüberwachung von Zügen im Schienenverkehr dar. Durch die Zustandsanalyse ver­schiedener relevanter Teile eines Zuges können mögliche Defekte frühzeitig erkannt und behoben werden, um Ausfälle oder Verspätungen zu verhindern und den Kunden 100%ige Zuverlässigkeit zu garantieren. Auch das Militär ist in der Lage, Gebrauch von PdM-Lösun­gen zu machen. Im Zuge eines Projektes der britischen Luftwaffe, lassen sich mit Hilfe von Vorhersagemodellen für die Instandhaltung der Kampfflugzeuge, über 2,5 Milliarden Euro innerhalb von 25 Jahren einsparen.²⁷ Diese Bespiele zeigen die Vielseitigkeit und Potenzi­ale dieser Technologie.

Sehr häufig ist Predictive Maintenance jedoch im Maschinen- und Anlagebau zu finden und kann als zukünftige Kernkomponente der Industrie 4.0 gesehen werden. Die Zustand­süberwachung von Produktionsmaschinen oder einzelner Komponenten soll dabei vor al­lem Maschinenausfälle verhindern und Kosten reduzieren.²⁸ Der Maschinenbau stellt sich dabei jedoch nicht nur als Nutzer von PdM-Lösungen dar, wie Abbildung 2 zeigt. Für be­fragte Unternehmen einer Studie des VDMA aus dem Jahr 2017, bilden Maschinebauer und Zulieferer, mit einem Anteil von 37%, zukünftig den größten Markt für Predictive Main­tenance. Maschinenbauer und Zulieferer, die zusätzlich eine eigene Plattform anbieten, werden demnach ein Anteil von 29% zugeschrieben. Dahinter folgen Softwareanbieter und unabhängige Plattformbetreiber mit 22%. Für Startups wird ein geringer Marktanteil von lediglich 12% vermutet.^{29 30}

Abbildung in dieser Leseprobe nicht enthalten

Das folgende Kapitel beschreibt die technischen Voraussetzungen, um PdM-Lösungen zu integrieren und zeigt ebenfalls, welche Herausforderungen dabei bestehen.

3 Predictive Maintenance - Technische Voraussetzungen

In Kapitel 2 wurde Predictive Maintenance bereits als Lösung für vorausschauende und planbare Wartungsvorgänge beschrieben. Im folgenden Kapitel werden die technischen Voraussetzungen von PdM durch Condition Monitoring, Maschinenvernetzung und -kom­munikation, IoT-Plattformen und Predictive Analytics beschrieben.

3.1 Condition Monitoring

3.1.1 Grundlagen der Zustandsüberwachung

Wie bereits in Kapitel 2.1 erläutert, baut Predictive Maintenance auf dem Condition Monito­ring auf, was das Erfassen von Maschinendaten in Echtzeit bedeutet. Als Grundvorausset­zung für die Anwendung von PdM müssen also die Daten der Maschinen und Anlagen in ausreichender Menge und Qualität erfasst werden, um dadurch prädiktive Vorhersagen zu ermöglichen.³¹ Dies erfordert zunächst eine Ausstattung der Maschinen und Anlagen mit Sensoren. Diese zeichnen dabei physikalische Faktoren auf, wie beispielsweise Tempera­turen, Lichteinfall, Stromaufnahme und Durchflussraten in der Fluidmechanik oder auch Akustik.³² Allgemein dienen Sensoren also zur „quantitativen und qualitativen Messung von physikalischen, chemischen, klimatischen, biologischen und medizinischen Größen.“³³ Diese industriellen Sensoren fallen dabei unter den Begriff Industrial Internet of Things (IIoT), also das Internet der Dinge im industriellen Kontext. Damit gemeint sind verschie­dene smarte Objekte wie beispielsweise Sensoren, Aktoren oder auch mobile Geräte, die miteinander kommunizieren und kooperieren.³⁴ IIoT ist eine Erweiterung des IoT, des Inter­net of Things. Das IoT bezieht sich dabei auf die Vernetzung von Alltagsgegenständen, die durch eine IoT-Plattform und darauf ausgeführte Anwendungen ein sogenanntes Ökosys­tem bilden. Führende IoT-Plattformanbieter richten dabei ihre Aufmerksamkeit zunehmend auf die Anbindung von Industrieanlagen, also dem IIoT.³⁵

Um also Condition Monitoring betreiben zu können, müssen die Maschinen und Anlagen, beziehungsweise die smarten Objekte vernetzt sein. Das folgende Kapitel beschreibt dabei die Vernetzung als Voraussetzung für Predictive Maintenance und zeigt die technischen Umsetzungsmöglichkeiten hierfür auf.

3.1.2 Vernetzung und Kommunikation

Um Daten von Maschinen und Anlagen analysieren zu können, bedarf es zunächst einer Übermittlung dieser Daten. Um dies gewährleisten zu können, benötig es leistungsstarke Kommunikationssysteme, aber auch performante Plattformen zur Verarbeitung der Da- ten.³⁶ Übergeordnete Systeme, beispielsweise ERP- oder BDE-Systeme, interagieren da­bei über entsprechende Schnittstellen mit den Maschinen und Anlagen und sorgen für eine effektive Vernetzung.³⁷

Der Aufbau einer Maschinenvernetzung ist in Abbildung 3 dargestellt. Demnach werden die Daten der Maschine erhoben und über eine Zwischenkomponente, also einem Microcon­troller oder einem Gateway, in eine zentrale Datenbank, beispielsweise einer Cloud, ge­speichert. Über Web Interfaces oder Mobile Apps können die Daten aus der Datenbank, beziehungsweise der Cloud, abgerufen werden.^{38 39}

Abbildung in dieser Leseprobe nicht enthalten

Im weiteren Verlauf dieser Arbeit werden die Möglichkeiten und die einzelnen Komponen­ten der Maschinenvernetzung näher beschrieben.

Grundsätzlich ist bei der Kommunikation von Maschinen und Anlagen zwischen der M2M- Kommunikation, also der Machine-to-Machine Vernetzung und dem IoT zu unterscheiden.⁴⁰

Bei der konventionellen M2M Verbindung erfolgt die Kommunikation der Maschinen entwe­der untereinander, sofern sich diese innerhalb derselben Anwendung befinden, oder aber mit einem Zentralserver. Über Datenspeicher, in Form von Microcontroller, werden die dort gespeicherten Daten weitergegeben. Die Datenübertragung erfolgt dabei nicht direkt über das Internet, sondern über den Mobilfunk oder ein Netzwerkkabel. Die IoT-Kommunikation basiert dabei zunächst auf derselben Technik. Der Unterschied liegt lediglich in der Vernet­zung mit dem Internet. Einzelne Komponenten sind dabei internetfähig und übertragen ihre Daten über Gateways, beispielsweise an eine Cloud. Der IoT-Lösung wird, aufgrund der Vielfältigkeit und der Flexibilität durch Cloud-Computing, also dem Verlagern der Daten auf externen Servern, zukünftig ein größeres Potential zugeschrieben.⁴¹ Aus diesem Grund wird im weiteren Verlauf näher auf die IoT-Kommunikation eingegangen.

Eine mögliche IoT-Architektur, welche sich auch auf den industriellen Sektor zur Maschi­nenkommunikation übertragen lässt,^{42 43} ist dabei in Abbildung 4 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: IoT-Architektur43

Die Architektur beinhaltet demnach 4 Ebenen. Die erste Ebene bilden die Devices, also die Geräte, die entweder integrierte Sensoren besitzen oder mit diesen verbunden sind. Die Sensoren zeichnen dabei physikalische Faktoren auf, wie bereits in Kapitel 2.3.1.1 erläu­tert. Der Driver stellt die Gerätesoftware dar und sorgt für die Kommunikationsfähigkeit der Sensoren und Aktoren. Aktoren, auch Aktuatoren genannt, sind jegliche Ausgabeele­mente, die mit Hilfe elektrischer Energie, Bewegungen erzeugen oder Kräfte aufbringen.⁴⁴ Die zweite Ebene bildet das Gateway. Ein Gateway ist eine Komponente, die eine Verbin­dung zwischen zwei Systemen herstellt. Gateways werden dann benötigt, wenn Devices nicht die erforderlichen Technologien besitzen, um direkt mit anderen Systemen kommuni­zieren zu können. Gateways heben hierbei mögliche Kommunikationsbeschränkungen auf und helfen bei der Übersetzung und Übermittlung von Nachrichten zwischen den Devices und der nächsten Ebene, der Architektur. Für eine direkte Kommunikation der Devices mit der nächsten Ebene, benötigt es zunächst eine Technologie zur Kommunikation, beispiels­weise WiFi. Des Weiteren wird ein übereinstimmendes Transportprotokoll, wie beispiels­weise HTTP benötigt, aber auch eine kompatible Auszeichnungssprache, wie zum Beispiel XML. Die nächste Ebene beinhaltet die IoT Integration Middleware. Diese Komponente erhält die Daten der Geräte direkt oder über ein Gateway und stellt diese der obersten Ebene zur Verfügung oder übermittelt Befehle zur Ausführung durch die Aktoren. Die Mi­ddleware wird dabei definiert als Software, die zwischen zwei Komponenten geschaltet ist und diese miteinander verbindet und deren Interaktion ermöglicht.⁴⁵ Oft ist diese Software auch unter dem Begriff IoT Plattform oder IoT Middleware Plattform zu finden, da es sich hierbei tatsächlich um eine Plattform handelt.⁴⁶ In Kapitel 3.2 werden die IoT-Plattformen in diesem Kontext näher analysiert und beschrieben.

Die oberste Ebene der Architektur bildet die Application. Die Applikation stellt dabei die Software dar, die mithilfe der Middleware die Daten von Sensoren abgreift oder Befehle für die Aktoren steuert.⁴⁷ Eine Applikation im Sinne der Wirtschaftsinformatik ist eine Anwen­dung der EDV zur Lösung von fachspezifischen Problemstellungen mithilfe eines Software­systems.⁴⁸

Im Zuge der Vernetzung der Produktion für Predictive Maintenance ist das Thema IT- Sicherheit und Datenschutz bedeutend und zudem die größte Herausforderung für viele potenzielle Anwender.⁴⁹ Kapitel 3.4 beleuchtet diesen Aspekt und zeigt mögliche Risiken auf.

3.2 IoT-Plattformen

Eine Bitkom-Studie aus dem Jahr 2018 bricht die wesentlichen Bestandteile einer Plattform auf drei Komponente n herunter. Dazu zählen ein Server zur Datenbewahrung, ein Spei­cher zum Speichern der Daten und ein Netzwerk für den Zugriff auf die gespeicherten Daten. Definiert wird die Plattform dabei als der Ort der Aggregation der gespeicherten Da­ten mit den Applikationen, welche auf der Plattform zur Verfügung gestellt werden. IoT- Plattformen sind meist Bestandteil digitaler Geschäftsmodelle, welche innerhalb der Studie als die eigentliche Revolution von Industrie 4.0 dargestellt wird. Die Verbreitung von IoT- Plattformen am Markt nimmt dabei immer weiter zu. Im Zuge einer Unternehmensbefragung innerhalb der Bitkom-Studie stellte sich heraus, dass bereits über 40% der Befragten, IoT- Plattformen nutzen. Die hohen Bedenken hinsichtlich Datensicherheit und Datenintegrität als meistgenannter Grund gegen IoT-Plattformen zeigen jedoch, dass hier noch deutlich Aufklärungsbedarf besteht. Weitere Gründe für die Nichtnutzung sind zudem die Kosten und das Fehlen personeller Ressourcen.⁵⁰

Um die Vernetzung der Systeme und der Gegenstände zur Schaffung eines digitalen Ab­bildes zu ermöglichen, wird eine Plattform benötigt.⁵¹ Damit lassen sich verschiedene IoT- Endpunkte, wie Sensoren, Gateways oder Anwendungen steuern. Einerseits können dabei IoT-Energieströme überwacht und Daten aggregiert werden. Andererseits werden Daten­analysen und die Entwicklung von Anwendungen ermöglicht. Eine IoT-Plattform charakte­risiert sich dabei entweder als lokale Software-Suite, also als Anwendungspaket verschie­dener, logisch integrierter Dateien und Anwendungsprogrammen, oder als Cloud-Lösung im Sinne einer Platform as a Service (PaaS). Die IoT-Plattform stellt dabei für die IoT-End- punkte die Verbindung zwischen der physischen und der digitalen Welt her. Dabei kann die Anwendungsplattform verschiedene Funktionen beinhalten. Dazu zählen beispielsweise das Gewährleisten eines reibungslosen Datenflusses, das Verwalten der Geräte, aber auch das Erheben, Speichern und Analysieren der Daten. Die Anforderungen der IoT-Plattfor- men liegen dabei vor allem in der intuitiven Bedienung und der Möglichkeit des Fernzu- griffs.⁵² Im Hinblick auf PdM als integrierte Serviceleistung der Maschinenhersteller, dient die Plattform als Schnittstelle. Die relevanten Daten sind dabei über verschiedene Endkno­ten abrufbar. Diese können dann beispielsweise Mobile Apps, Web Interfaces oder Dash­boards darstellen,⁵³ wie Abbildung 3 zeigt.

3.3 Predictive Analytics

3.3.1 Grundlagen zu Vorhersagemodellen

Um letztendlich Vorhersagen über mögliche Maschinenausfälle treffen zu können, müssen die im Zuge des Condition Monitoring erhobenen Sensordaten analysiert werden. Predic­tive Analytics beschreibt dabei die Art und Weise des Aufbaus und der Nutzung von Vor­hersagemodellen anhand von Merkmalen historischer Daten. Die Vorhersagen und somit das Verständnis des Begriffs Predictive, kann dabei von temporärer oder nicht temporärer Natur sein. Einerseits lassen sich Prognosen beispielsweise über zukünftige Preise oder Maschinenausfälle treffen, andererseits lassen sich durch Datenanalysen aber auch Doku­mente oder Gegenstände identifizieren. Um jedoch solche Vorhersagen treffen zu können, müssen die dafür vorgesehenen Modelle durch Machine Learning trainiert werden.⁵⁴ Beim Machine Learning, also dem Maschinellen Lernen, programmieren sich Computer mithilfe von Algorithmen selbst. Der Unterschied zu traditionellen statistischen Programmen liegt darin, dass mittels Rückkopplung, die Algorithmen beziehungsweise die Entscheidungsre­geln an das Erlernte angepasst werden, wie Anlage 3 zeigt. Ein Algorithmus stellt dabei eine Reihe von Regeln zur Berechnung oder Problemlösung dar.⁵⁵

Machine Learning basiert dabei auf künstlicher Intelligenz. Die Forschung rund um KI ist dabei keine Neuheit. Bereits 1956 befassten sich Wissenschaftler innerhalb des „Summer Research Project on Artificial Intelligence“ damit und sahen die Schaffung einer Intelligenz auch außerhalb des menschlichen Gehirns als möglich. Von da an nahm die Bedeutung Rund um die Technologie der künstlichen Intelligenz stetig zu. Die technologische Entwick­lung und diverse Meilensteine, welche in Anlage 4 dargestellt sind, trieben die KI-Forschung stetig voran. Künstliche Intelligenz entwickelte sich dabei in den vergangenen Jahren ver­stärkt in Richtung des ML.⁵⁶

Auf eine tiefergehende Analyse der unterschiedlichen Lernverfahren und Algorithmen wird im Zuge dieser Arbeit verzichtet. Das Kapitel soll lediglich ein Grundverständnis über die Herkunft und Funktionsweise von prädiktiven Modellen schaffen. Der folgende Exkurs gibt jedoch einen Einblick in den Aufbau eines Modells in Bezug auf Predictive Maintenance- Problemstellungen.

3.3.2 Exkurs: Aufbau eines Predictive Maintenance Modells

Für Predictive Maintenance Lösungen werden prädiktive Modelle angewendet, um optimale Wartungszeitpunkte zu bestimmen, bevor defekte Maschinenkomponenten zu ungewollten Stillständen führen. Es gilt zu verstehen, dass PdM-Problemstellungen völlig unterschied­lich sind und sich nicht mit demselben Modell lösen lassen. Jedes Business Problem muss daher individuell betrachtet werden. Sofern das Business Problem bekannt ist und die er­hobenen Daten aufbereitet vorliegen, kann ein passendes Modell entwickelt werden. Der erste Schritt ist hierbei die Auswahl einer Zielvariable und jene Merkmale, die diese beein­flussen und sich aus den Sensordaten ergeben. Verschiedene Sensoren geben dabei den Zustand einer Maschine oder einzelner Komponenten wieder. Die Zielvariable gibt bei­spielsweise Rückschluss auf einen Defekt. Je nach Korrelation der Merkmale mit der Ziel­variable, werden die Daten daraufhin selektiert. Verschiedene Scoring Modelle unterstützen dieses Auswahlverfahren. Nicht oder wenig korrelierende Merkmale werden dabei aussor­tiert. Daraus ergibt sich ein Datensatz mit den wichtigsten Variablen und deren Sensorda­ten. Somit liegen nun Daten vor, deren Zielvariable auf die Merkmale zurückzuführen sind. Die Zielvariable stellt beispielsweise eine defekte oder nicht defekte Anlage dar. Die Sens­ordaten bilden die Merkmale. Um nun zuverlässige Vorhersagen treffen zu können, muss das Modell mit Hilfe eines Algorithmus trainiert werden. Hierfür wird ein zuvor separierter Trainingsdatensatz verwendet. Sofern das Modell trainiert und entsprechend angepasst wurde, wird ein kleinerer, ebenfalls zuvor separierter Testdatensatz verwendet, um das Mo­dell zu testen. Dabei ist darauf zu achten, dass das Model nicht einem Overfitting unterliegt, also einer Überanpassung an die zuvor verwendeten Trainingsdaten. Das PdM-Modell ist nun bereit, um für das spezifische Business Problem eingesetzt zu werden. Es lässt sich dabei ganz einfach, beispielsweise als Web Service für Smart Devices oder Server, in den Produktionsbetrieb integrieren. ⁵⁷

3.4 Aspekte der IT-Sicherheit

Neben den Herausforderungen, wie der IT-Infrastruktur, die Auswahl der Daten oder der Anwendung statischer Methoden, stellt sich für Unternehmen laut einer Umfrage, die IT- Sicherheit als die größte Hemmschwelle für die Implementierung von PdM-Lösungen dar.⁵⁸ Die Vernetzung der Produktionsanlagen und die Einbindung von IoT-Geräten bringt meist auch entsprechende Sicherheitslücken mit sich. Die Cyber-Schwachstellen der Geräte kön­nen dabei zu Vermögensschäden oder physischen Defekten führen.⁵⁹ Da ist es nicht ver­wunderlich, dass viele Unternehmen die IT-Sicherheit als größte Herausforderung sehen und von der Vernetzung der Maschinen und Anlagen und somit von PdM-Lösungen, teil­weise noch absehen.⁶⁰

Ein mögliches Risiko birgt hierbei die unsichere Datenübertragung der IoT-Komponenten in die Cloud. Diese Daten sind vor allem im Zuge der Industriespionage ein beliebtes Ziel. Daher gilt es, neben der Verschlüsselung der Daten, auch die Sensibilität der Daten zu beurteilen und dadurch entstehende Risiken einzuschätzen. Eine weiterer Aspekt ist die Vertrauenswürdigkeit des Lieferanten und der Plattformanbieter. Der Zugriff auf die Daten ermöglicht ihnen, gegebenenfalls Aussagen über die Performance der Maschinen- und An­lagenbetreiber zu treffen und erhalten somit einen Einblick in deren Wirtschaftlichkeit. Hier­bei gilt es zu klären, wem die erhobenen Daten gehören und ob auf Seite der Lieferanten und Plattformanbieter, entsprechende Sicherheitsmaßnahmen im Hinblick auf Datenschutz vorhanden sind. In diesem Zuge spielen die Kenntnisse der Lieferanten hinsichtlich der IT- Sicherheit eine wichtige Rolle. Für PdM-Lösungen sollte eine Robustheit und Sicherheit durch sichere Programmierung und Softwarestruktur, aber auch eine Verschlüsselung der Daten gewährleistet sein. Lieferanten fehlen hierbei jedoch häufig die notwendigen Res­sourcen, um diese Grundsätze zu wahren und die Besonderheiten des Datenschutzes zu beachten. Im Hinblick auf den Datenschutz ist aus juristischer Sicht zu klären, ob, innerhalb der erhobenen Datenbestände, sensible Daten enthalten sind und Rückschlüsse auf indi­viduelle Personen ermöglicht werden. Im Sinne der DSGVO müssen solche Daten entwe­der anonymisiert werden oder eine Einwilligung betroffener Personen vorliegen. Um diesen Sicherheitsrisiken beim Einsatz von PdM-Lösungen vorzubeugen, gilt es einerseits aus Sicht des Maschinenherstellers, den Plattformanbieter zu hinterfragen, andererseits durch Sicherheitszertifikate den Anforderungen der Kunden gerecht zu werden.⁶¹

4 Predictive Maintenance - Anwendungsbeschreibung

In Kapitel 3 wurden die technischen Voraussetzung beschrieben, um Predictive Mainte­nance umzusetzen. Das folgende Kapitel betrachtet PdM nun aus der anwendungsorien­tierten Sicht und beschreibt unter anderem Gestaltungsmöglichkeiten und Vorteile für Ma­schinenhersteller.

4.1 Implementierungsübersicht für PdM-Lösungen

Für die Implementierung einer PdM-Lösung bedarf es zunächst den technischen Voraus­setzungen, wie in Kapitel 3 beschrieben. Es muss also einerseits eine Zustandsüberwa­chung vernetzter Maschinen und Anlagen erfolgen, wobei Daten auf einer IoT-Plattform gespeichert, bereitgestellt, analysiert und mit geeigneter KI verarbeitet werden. Anderer­seits gilt es aber auch, Voraussetzungen für eine erfolgreiche Anwendung von PdM-Lösun- gen sicher zu stellen. Hierzu zählen vor allem die Identifikation eines konkreten Business Problems, dessen Lösung einen Mehrwert erzeugen soll. Genauer geht es hierbei um die Identifikation existierender Problemstellungen, die für PdM-Lösungen geeignet sind, zum Beispiel häufig ausfallende Maschinen oder Komponenten. Zudem soll der Anwendungsfall technisches Verbesserungspotenzial mit sich bringen und Vorhersagen zu Ausfällen er­möglichen. Auch ist bei der Einführung von PdM-Lösungen zu bedenken, welche Kosten gespart werden und wodurch gewinnbringende Erträge erzielt werden können.⁶²

Ein weiterer Schritt für die erfolgreiche Implementierung ist die „ Make or Buy“ Entschei­dung hinsichtlich der PdM-Lösung. Ob die Lösung des Cloud-Anbieters mit integrierter IoT- Infrastruktur eine passende Anwendung für das jeweilige Business Problem darstellt, ist daher individuell abzuwägen. Um dabei keine Zeit zu verlieren, ist es durchaus sinnvoll, frühzeitig mit einem „ Proof of Concept “, also einem Prototypen, zu starten. Die Frage, ob sich im jeweiligen Fall Vorhersagen durch Modelle treffen lassen, ist zunächst zu analysie­ren. Hierbei kann auch vorerst offline, also mit lokaler KI-Software getestet werden, bevor eine Cloud-Lösung implementiert wird. Ist der Prototyp erfolgreich, kann ein Pilotprojekt, beispielsweise direkt mit einem Kunden, gestartet werden. Die Sammlung von Erfahrungen und das stetige Optimieren des Modells führt dabei zu optimalen Voraussetzungen, um zukünftig PdM-Lösungen als Service anzubieten.⁶³

Da im Zuge dieser Arbeit PdM als Serviceleistung beschrieben wird, ist der Kunde auch bei der Implementierung mit einzubeziehen und stellt einen entscheidenden Faktor dar. Mit Predictive Maintenance als Service der Zukunft können die Kunden dabei auf verschiedene Weise erreicht werden. Ob durch eine gemeinsame Entwicklung einer PdM-Lösung mit dem Kunden, verschiedene Digitalmodelle oder durch Kollaborationen. Dem Hersteller bieten sich unterschiedliche Möglichkeiten.⁶⁴ Dafür ist vor allem Klarheit über die tatsächlichen Anforderungen der Kunden in Bezug auf PdM wichtig. Dass dies in der Praxis jedoch häufig nicht gegeben ist, zeigt die Studie des VDMA, wonach sich 89% der darin befragten Unter­nehmen, unklar bezüglich der tatsächlichen Kundenanforderungen sind.⁶⁵

Als kritische Erfolgsfaktoren hinsichtlich PdM, können in diesem Zuge die Daten und das Geschäftsmodell gesehen werden. Bezüglich der Datenanalysen muss zum einen ent­sprechendes Knowhow vorhanden sein, um die gewünschten Ergebnisse zu erzielen. Zum anderen ist die Datenqualität sicherzustellen. Um Fehlmessungen und falsche Werte zu vermeiden, sind daher stetige Datenkontrollen durchzuführen.⁶⁶ Auf den Erfolgsfaktor Ge­schäftsmodelle wird in Kapitel 4.4 näher eingegangen.

Im Zuge der BearingPoint Studie aus dem Jahr 2017, zeigte sich, dass die befragten Un­ternehmen eher zurückhaltend hinsichtlich Predictive Maintenance agieren. Lediglich 21,6% haben einzelne Projekte umgesetzt, nur 13,5% Pilotprojekte. Rund 46% gaben an, bereits die Potenziale von Predictive Maintenance zu diskutieren. Über 15% weisen jedoch keine Aktivitäten in diesem Bereich vor. Die Ursache für diese bestehende Inaktivität der Unternehmen könnten einerseits die in Kapitel 3 beschriebenen technischen Voraussetzun­gen und die damit verbundenen Herausforderungen darstellen. Andererseits können jedoch auch nicht-technische Herausforderungen einen solchen Grund darstellen, wie Anlage 5 zeigt. Für die befragten Unternehmen innerhalb der Studie zeigt sich dahingehend ein ho­her Implementierungsaufwand als größte Herausforderung. Teilweise werden die abtei­lungsübergreifende Zusammenarbeit und die hohen Investitionskosten als ebenfalls große Herausforderung gesehen. Im Gegensatz dazu wird eine fehlende Akzeptanz der Mitarbei­ter und fehlende Kompetenz im Bereich Analytics, eher als gering herausfordernd einge­schätzt.⁶⁷

Ein weiterer, wichtiger Aspekt, welcher bei der Implementierung von Predictive Mainte­nance zu bedenken ist, bezieht sich auf die Fähigkeit für ein „ Retrofit “ der zu überwachen­den Maschinen oder Komponenten.⁶⁸ Unter Retrofit ist dabei die Anpassung einer Ma­schine an aktuelle Anforderungen, also eine Anlagenmodernisierung, zu verstehen. Dabei werden gewisse Komponenten ausgetauscht oder angepasst, die Anlage an sich bleibt die­selbe. Veraltete Analgen können somit auf den neusten Stand gebracht werden und müs­sen nicht zwingend entsorgt und gegebenenfalls teuer ersetzt werden.⁶⁹ Im ersten Schritt sind hierbei zunächst die Maschinen, Komponenten oder einzelnen Teile zu identifizieren, die für eine PdM-Integration benötigt und digitalisiert werden müssen. Diese werden dann mit entsprechenden Sensoren ausgestattet und vernetzt, wodurch eine IoT-Umgebung ent­steht. Somit können entsprechende Daten erhoben werden, um Predictive Maintenance zu ermöglichen.⁷⁰

Hinsichtlich rechtlicher Aspekte unterliegt Predictive Maintenance gewissen gesetzlichen Regelungen. Der Kern der Anwendung von Predictive Maintenance ist die Erfassung und Verarbeitung von Daten der vernetzten Maschinen oder Komponenten. Daten stellen dabei keine körperliche Sache dar und sind dem Eigentumsrecht nach §905 BGB daher nicht zuordenbar. Auch hinsichtlich Datenschutzrecht gibt es bei Maschinendaten keine beden­ken, da diese im Regelfall ohne Personenbezug generiert werden. Sollte dies jedoch der Fall sein, ist vom Anlagenbetreiber sicherzustellen, dass, wie bereits in Kapitel 3.4 beschrie­ben, die Daten nach den rechtlichen Bestimmungen der DSGVO übermittelt und ausgewer­tet werden. In solchen Fällen ist es gegebenenfalls ratsam, den Betriebsrat vor der Einfüh­rung von Predictive Maintenance einzuschalten. Ein weiterer rechtlicher Faktor stellt hierbei zudem die Vertragsgestaltung dar, welche Einfluss auf bestimmte Pflichten nehmen kann. Beispielhaft ist hier die Gewährleistung und Haftung zu nennen.⁷¹ Die Gewährleistungsan­sprüche der Kunden beinhalten dabei die Nacherfüllung in Form einer Ersatzlieferung oder Reparatur. Diese Rechte stehen dem Käufer, sofern keine individuellen Vereinbarung ge­troffen werden, zwei Jahre nach Auslieferung der Ware zu. Hierbei ist jedoch zu beachten, dass innerhalb der ersten sechs Monate gesetzlich zu vermuten ist, dass der Mangel schon zum Zeitpunkt des Kaufs der Sache vorgelegen hat. Hier liegt die Beweislast auf Seiten des Verkäufers. Er hat die gesetzliche Vermutung zu wiederlegen. Nach Ablauf der sechs Mo­nate erfolgt eine Beweislastumkehr. Nach diesem Zeitpunkt liegt es beim Käufer zu bewei­sen, dass die aufgetretenen Mängel bereits vor der Übergabe vorgelegen haben.

Im Hinblick auf Verschleißteile kennt das Gesetz keine Sonderregelung. Es werden ledig­lich Sachmängel aufgeführt. Eine zu erwartende Abnutzung ist jedoch keinem Sachmangel zuzuordnen, wonach der Verkäufer nicht haftet. Da die Abgrenzung zwischen einem Sach­mangel und einem Verschleiß jedoch eine gewisse Unschärfe aufweist, ist im Einzelfall abzuwägen, ob die Kaufsache eine vom Käufer erwartbare Beschaffenheit aufweist.⁷²

Des Weiteren ist, abhängig vom jeweiligen Geschäftsmodell, der entsprechende Vertrags­typ zu gestalten und auszurichten.⁷³ Näheres zu Geschäftsmodellen wird in Kapitel 4.4 be­schrieben. Wie eine Studie der WHU zeigte, können bei der Einführung von Zukunftstech­nologien wie Predictive Maintenance und Künstliche Intelligenz, Kooperationen von Vorteil sein. Unternehmen müssten dadurch die benötigte Expertise nicht komplett selbst aufbrin­gen. Dies soll vor allem bei mitteständische Familienunternehmen die Innovationen voran­treiben, bei denen laut der Studie der WHU, allgemein eine geringe Anwendung von Zu­kunftstechnologien zu erkennen ist.⁷⁴

Das nachfolgende Kapitel beschreibt nun die Nutzenpotenziale, die durch eine erfolgreiche Anwendung von PdM-Lösungen entstehen.

4.2 Nutzenpotenziale von PdM-Lösungen

Nutzenpotenziale welche als „...eine in der Umwelt, im Markt oder in der Unternehmung latent oder effektiv vorhandene Konstellation, die durch Aktivitäten der Unternehmung zum Vorteil aller Bezugsgruppen erschlossen werden kann“⁷⁵ zu verstehen sind, bestehen so­wohl für den Hersteller, als auch für den Kunden, wie die nachfolgenden Kapitel zeigen.

4.2.1 Vorteile für den Hersteller

Von den Vorzügen durch PdM-Lösungen können die Maschinen- und Anlagenhersteller profitieren. Dabei ergeben sich vor allem Vorteile hinsichtlich der Kosten, der Planung und dem Ersatzteilmanagement.

In Bezug auf die Kosten sind es vor allem die reduzierten Serviceeinsätze für Instandhal­tungen, die für den Hersteller von Vorteil sind. Instandhaltungen und Reparaturen erfolgen mit Hilfe von PdM-Lösungen lediglich Zustandsorientiert und nicht in festen Zyklen, was die Einsatzhäufigkeit reduziert.⁷⁶ Die Kostenvorteile ergeben sich vor allem bei Serviceeinsät­zen innerhalb der Gewährleistung. Hier hat der Hersteller die Servicekosten selbst zu tra­gen, welche beispielsweise für Ersatzteile, Personal, Reise und Transport entstehen.⁷⁷

Ein weiterer Vorteil ergibt sich für die Planung von Wartungs- und Serviceintervallen. Durch generiertes Wissen über den Zustand der Maschine oder der Komponenten und die Vor­hersagen durch ML bezüglich der Lebensdauer, sind Serviceeinsätze bereits im Voraus planbar.⁷⁸ Die Verbesserung der Koordination der Serviceeinsätze eröffnet dem Hersteller zudem einen optimierten Ressourceneinsatz hinsichtlich Personal, aber auch in Bezug auf die Bevorratung der Ersatzteile.⁷⁹

Die verbesserte Planung und die Reduktion der Kosten können sich darüber hinaus positiv auf die Kundenzufriedenheit auswirken.⁸⁰

Für den Hersteller bietet sich durch PdM-Lösungen auch der Vorteil zur Optimierung des Ersatzteilmanagements. Nicht benötigte Ersatzteile im Lager können erhebliche Kosten verursachen. Bei genauen Prognosen kann der Hersteller die Ersatzteilproduktion oder - beschaffung bedarfsgerecht steuern.⁸¹ Die Bereitstellung von Ersatzteilen wird durch Pre­dictive Maintenance planbar, da der Zustand über die verbauten Teile durchgehend be­kannt ist und auch einen Aufschluss über den Ausfallzeitpunkt geben kann. Dadurch kann die Lagerung von Ersatzteilen deutlich minimiert werden.⁸²

Auch die Daten, die für Predictive Maintenance-Lösungen erhoben werden, können Vor­teile für den Hersteller darstellen. Einerseits entstehen Informationen über das individuelle Kundenverhalten und gegebenenfalls auch deren Bedürfnisse. Andererseits können Er­kenntnisse über die eigenen Maschinen, Anlagen oder Komponenten gewonnen werden.⁸³ Mit den gewonnen Informationen und Erkenntnissen können gewisse Chancen realisiert werden, welche in Kapitel 4.3 näher erläutert werden.

Im folgenden Kapitel werden nun Möglichkeiten beschrieben, die sich aus den Vorteile von PdM-Lösungen für Hersteller ergeben.

4.2.2 Kundennutzen durch PdM

Wie bereits in den vorherigen Kapiteln beschrieben, ist der grundlegende Vorteil von PdM- Lösungen, Maschinenausfälle zu verhindern, in dem Maschinendaten analysiert und De­fekte vorhergesagt werden. Dieser Vorteil ist die Basis einer Reihe weiterer Nutzenpoten­ziale, von denen die Anwender von PdM-Lösungen profitieren können.⁸⁴

Im Zuge VDMA-Studie „Predictive Maintenance - Service der Zukunft - und wo er wirklich steht“, wurde die Einschätzung der Studienteilnehmer zum Nutzen von Predictive Mainte­nance untersucht, wie Abbildung 5 zeigt. Die Antworten der Befragten lassen sich dabei in zwei Kategorien unterteilen. Einerseits ergaben sich Potentiale zur Kostensenkung, ande­rerseits zur Leistungssteigerung. Der Anteil der Antworten, die der Kategorie Kostensen­kung zugeordnet wurden, betrug dabei 21%. Der Anteil der Angaben zu leistungssteigern­den Nutzenpotenzialen lag bei 79%. Innerhalb der Kategorie der Kostensenkung befanden sich die meisten Antworten, mit einem Anteil von 15%, bei den reduzierten Kosten für Re­paraturen und Ersatzteile. Der restliche Anteil von 6% verteilt sich auf die Nutzenpotentiale hinsichtlich reduziertem Koordinationsaufwand mit Servicedienstleistern und des kunden­seitigen Abbaus von Servicepersonal, wobei 1% sonstige, andere Vorteile beinhalten. In Bezug auf die Leistungssteigerung durch PdM erhält das Potential hinsichtlich Anlagen- und Maschinenverfügbarkeit mit 33% den größten Anteil der Kategorie und somit auch ins­gesamt. Darauf folgen die erhöhte Produkt- und Prozessqualität mit 18%, Verbesserte Pla­nung von Servicezyklen mit 12% und eine erhöhte Lebensdauer der Anlage mit 11%. Mit lediglich 5% nimmt das Potential für erhöhte Betriebssicherheit und Nachhaltigkeit einen eher geringeren Anteil an. Im Folgenden werden verschiedene Potentiale, die durch PdM erreicht werden, näher beschrieben.⁸⁵

Abbildung in dieser Leseprobe nicht enthalten

Der Einsatz von PdM-Lösungen kann zu Kosteneinsparungen und Leistungssteigerungen führen, in dem die zuvor genannten Potentiale ausgeschöpft werden.

Instandhaltungen beispielsweise, werden mit Hilfe von PdM nur noch durchgeführt, wenn eine tatsächliche Notwendigkeit dafür besteht, sprich wenn sich der Zustand der Maschine oder der Komponenten so verschlechtert, dass ein zukünftiger Ausfall zu vermuten ist. Ebenso können zustandsorientierte Vorhersagen den Ausfallzeitpunkt für Ersatzteile be­stimmen, sodass diese nur noch bei tatsächlich bevorstehendem Defekt gewechselt wer­den müssen. Anlage 6 verdeutlicht hierbei den Effekt von Predictive Maintenance in Bezug auf die Ersatzteilversorgung gegenüber herkömmlicher Verfahren. Dabei wird deutlich, dass hinsichtlich der Ersatzteile für Maschinen- und Anlagen bereits vor Eintreten des De­fekts gehandelt werden kann, während bei herkömmlichen Methoden, ein Handeln erst nach Eintreten des Defekts möglich ist.^{86 87} Daraus resultiert eine Reduktion der Lagerkosten, da die Teile erst zu beschaffen sind, wenn ein Defekt bevorsteht und somit die Lagerzeit verkürzt wird. Dadurch werden die Lagerhaltungskosten reduziert und Lagerplatz gespart.⁸⁸ Laut des Beratungsunternehmens Accenture können durch Predictive Maintenance-Lösun- gen sogar Einsparungen der Reparaturkosten um bis zu 12% und der Instandhaltungskos­ten um bis zu 30% erzielt werden. Hinsichtlich Maschinen und Anlage ist demnach sogar eine Reduktion der Ausfälle um bis zu 70% zu erreichen.⁸⁹ Die Unternehmensberatung McKinsey nennt im Gegensatz dazu eine mögliche Verringerung der Ausfallzeiten um 30%- 50% und zusätzlich eine mögliche Erhöhung der Maschinenlebensdauer von 20%-30%.⁹⁰ Die Maschinenlebensdauer ist dabei, vor allem durch das Austauschen zustandsüber­wachter Verschleißteile vor deren Defekt, zu steigern.⁹¹

Neben den bereits genannten Vorteilen bietet der Einsatz von Predictive Maintenance zu­dem einen verbesserten Ressourceneinsatz, da Stillstandzeiten besser geplant werden können und eine effiziente Nutzung von Kapazitäten, in Form von Betriebsmittel und Per­sonal⁹², ermöglicht wird. Der daraus resultierende störungsfreie Betrieb der Maschine er­höht nicht nur die Effizienz, sondern wirkt sich auch positiv auf die Qualität aus. Auch eine Steigerung des Outputs kann dadurch erzielt werden.⁹³

Da mögliche Ausfälle der Anlagen oder einzelner Komponenten bei Predictive Maintenance frühzeitig bekannt sind, ist ebenfalls der Koordinationsaufwand dahingehend geringer. Die Serviceeinsätze sind deutlich besser planbar, da bereits frühzeitig ein auftretender De­fekt ersichtlich ist.⁹⁴ Ohne Zustandsüberwachung und den entsprechenden Vorhersagemo­dellen können Serviceeinsätze meist erst nach eintretendem Defekt geplant werden, wenn die Maschine oder Anlage bereits stillsteht und somit eine entsprechende Dringlichkeit und ein gewisser Druck vom Kunden besteht. Daher entsteht durch Predictive Maintenance- Lösungen der Vorteil für den Anwender, dass er Wartungen und Reparaturen weder beauf­tragen, planen, noch durchführen muss. Dies erfolgt durch den Anlagenhersteller und bildet somit die höchste Ausbaustufe für Serviceleistungen.⁹⁵

[...]

---

¹ Vgl. Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 3 ff.

² Vgl. Blume, M. u. a. (2017), https://www.t-systems.com (Stand: 02.12.2019)

³ Vgl. Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 6

⁴ Unter dem DACH-Gebiet wird die Region Deutschland, Österreich und Schweiz verstanden.

⁵ Vgl. Duscheck, F.; Blameuser, R.; Gehrmann, S. (2017), https://www.bearingpoint.com (Stand: 20.02.2020), S. 8

⁶ Vgl. K., J. (2018), https://verwaltung.K.-kg.de (Stand: 11.04.2020)

⁷ Vgl. Gluchowski, P. u. a. (2019), S. 987

⁸ Vgl. o. V. (2019b), https://www.staufen.ag (Stand: 26.03.2020), S. 7 ff.

⁹ Vgl. Bink, R.; Zschech, P. (2017) S. 553

¹⁰ DIN 31051:2019-06

¹¹ Vgl. Jodlauk, S. (2019), S. 26; siehe hierzu auch Gluchowski, P. u. a. (2019); siehe hierzu auch Suneet, J. (2018), S. 10; siehe hierzu auch Bink, R. Zschech, P. (2017), S. 552

¹² Vgl. Gluchowski, P. u. a. (2019), S. 988 f.

¹³ Vgl. Bink, R.; Zschech, P. (2017) S. 554

¹⁴ Vgl. Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 3 ff.

¹⁵ Vgl. Wöstmann, R. u. a. (2019), S. 94 ff.; vgl. hierzu auch Lucke, D.; Defranceski, M.; Adolf, T. (2017), S. 81 ff.

¹⁶ Vgl. Leimeister, J. M. (2020), S. 61 ff.; vgl. hierzu auch

¹⁷ Vgl. o. V. (2019a), S. 21

¹⁸ Vgl. Allgeyer, T. (2018), https://www.frenus.com (Stand: 24.02.2020)

¹⁹ Vgl. Gluchowski, P.; u. a. (2019), S. 991

²⁰ Enthalten in: Wöstmann, R. u. a. (2019), S. 95

²¹ Vgl. Wöstmann, R. u. a. (2019), S. 96; vgl. hierzu auch Nagel, M. (2018), S. 114 f.

²² Vgl. Grupp, M. (2018), https://industrieanzeiger.industrie.de/management/it/selbst-ist-die- maschine/ (Stand 20.02.2020); vgl. hierzu auch o. V. (2016), https://t3n.de/news/ai-ma chine-learning-nlp-deep-learning-776907/ (Stand: 20.02.2020); vgl. hierzu auch Luber, S.; Litzel, N. (2016), https://www.bigdata-insider.de/was-ist-machine-learning-a-592092/ (Stand: 20.02.2020); vgl. hierzu auch o. V. (2017a), https://expertsystem.com/machine- learning-definition/ (Stand: 20.02.2020)

²³ Vgl. Adu-Amankawa, K. Anlagenbau u.a. (2019), S. 3587 f.

²⁴ Vgl. Lee, J. Bagheri, B. Kao, H.-A. (2014), S. 18 ff.; vgl. hierzu auch Leimeister, J. M. (2020), S. 62

²⁵ Vgl. Lucke, D.; Defranceski, M.; Adolf, T. (2017), S. 75 f.

²⁶ Vgl. Schreiner, J.; Mundt, E. (2020), https://www.industry-of-things.de (Stand:24.03.2020); vgl. hierzu auch o. V. (2017c), https://easy-software.com (Stand 23.03.2020)

²⁷ Vgl. o. V. (2017c), https://easy-software.com (Stand 23.03.2020)

²⁸ Vgl. Gluchowski, P. u. a. (2019), S. 986 ff.; vgl. hierzu auch Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 12

²⁹ Vgl. Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 12

³⁰ Enthalten in: Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 12

³¹ Horstick, B. (2018), https://www.vth-verband.de (Stand: 21.02.2020), S. 4

³² Vgl. Hoffmann, D. (2019), https://www.instandhaltung.de (Stand: 21.02.2020)

³³ Hering, E.; Schönfelder, G. (2018), S. 1

³⁴ Vgl. Maglaras, L. u. a. (2017), S. 806

³⁵ Vgl. Sinsel, A. (2019), S. 4 ff.

³⁶ Vgl. Horstick, B. (2018a), https://www.vth-verband.de (Stand: 21.02.2020), S. 5

³⁷ Vgl. Lager, H. (2019), S. 203

³⁸ Vgl. Parpala, R. C.; Iacob, R. (2017), S. 2

³⁹ In Anlehnung an: Parpala, R. C.; Iacob, R. (2017), S. 2

⁴⁰ Vgl. Nyrén, J. (2016), S. 44 f.; vgl. hierzu auch Frick, T. W. (2019a), https://industrie-wegweiser.de (Stand 12.03.2020); vgl. hierzu auch o. V. (2017b), https://www.mica.network (Stand: 12.03.2020)

⁴¹ Vgl. Frick, T. W. (2019a), https://industrie-wegweiser.de (Stand 12.03.2020); vgl. hierzu auch Nyrén, J. (2016), S. 44 f.;

⁴² Vgl. Wöstmann, R.; u. a. (2019), S. 100 ff.

⁴³ Enthalten in: Guth, J. u. a. (2016), S. 2

⁴⁴ Vgl. Roddeck, W. (2017), S. 691 f.

⁴⁵ Vgl. Guth, J. u. a. (2016), S. 2 f.

⁴⁶ Vgl. da Cruz, M. A. A. (2018), S. 876

⁴⁷ Vgl. Guth, J. u. a. (2016), S. 3

⁴⁸ Vgl. Lackes, R.; Siepermann, M. (o. J.), https://wirtschaftslexikon.gabler.de (Stand 03.03.2020)

⁴⁹ Vgl. Duscheck, F.; Blameuser, R.; Gehrmann, S. (2017), https://www.bearingpoint.com (Stand: 20.02.2020), S. 8

⁵⁰ Vgl. o. V. (2018), https://www.bitkom.org (Stand: 04.03.2020)

⁵¹ Vgl. Sinsel, A. (2020), S. 6

⁵² Vgl. Kruse Brandäo, T.; Wolfram, G. (2018), S. 111 f.

⁵³ Vgl. Guth, J. u. a. (2016), S. 1 ff.

⁵⁴ Vgl. Kelleher, J. D.; Mac Namee, B.; D‘Arcy, A. (2015), S. 1 f.

⁵⁵ Vgl. Paper, D. (2020), S. 1

⁵⁶ Vgl. Buxmann, P.; Schmidt, H. (2019), S. 3 ff.

⁵⁷ Vgl. Barga, R.; Fontama, V.; Tok, W. H. (2015), S. 221 ff.

⁵⁸ Vgl. Duscheck, F.; Blameuser, R.; Gehrmann, S. (2017), https://www.bearingpoint.com (Stand: 20.02.2020), S. 8

⁵⁹ Vgl. Leupold, A. u. a. (2018), S. 84; vgl. hierzu auch Vallazza, R. (2018), https://www.autocad- magazin.de (Stand: 06.03.2020)

⁶⁰ Vgl. Duscheck, F.; Blameuser, R.; Gehrmann, S. (2017), https://www.bearingpoint.com (Stand: 20.02.2020), S. 8

⁶¹ Vgl. Weidele, M. (2019), https://industrie-wegweiser.de / (Stand: 06.03.2020)

⁶² Vgl. Fritz, T.; Brandner, M. (2019), https://www.dlg.org (Stand: 19.03.2020); vgl. hierzu auch Schaub, J.; Bergmann, L. (2019), https://www.industry-of-things.de (Stand: 19.03.2020)

⁶³ Vgl. Tesch, M. (2018), https://leanbi.ch (Stand: 22.03.2020); vgl. hierzu auch Christiansen, B. (2019), https://limblecmms.com (Stand: 22.03.2020)

⁶⁴ Vgl. Michel, S. (2017), https://www.industry-of-things.de (Stand: 19.03.2020)

⁶⁵ Vgl. Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 9

⁶⁶ Vgl. Tiedemann, M. (2019), https://www.alexanderthamm.com (Stand: 23.03.2020)

⁶⁷ Vgl. Duscheck, F.; Blameuser, R.; Gehrmann, S. (2017), https://www.bearingpoint.com (Stand: 20.02.2020), S. 5

⁶⁸ Vgl. Wöstmann, R. u. a. (2019), S. 94 ff.

⁶⁹ Vgl. Frick, T. W. (2019b), https://industrie-wegweiser.de (Stand: 26.03.2020)

⁷⁰ Vgl. Wöstmann, R. u. a. (2019), S. 96 f.

⁷¹ Vgl. Knapp, C. (2018), https://www.seitz-partner.de (Stand: 24.03.2020); vgl. hierzu auch Feiler, L.; Forstner, A. (2020), S. 51

⁷² Vgl. o. V. (2019c), https://www.verbraucherzentrale.de (Stand: 21.03.2020)

⁷³ Vgl. Knapp, C. (2018), https://www.seitz-partner.de (Stand: 24.03.2020); vgl. hierzu auch Feiler, L.; Forstner, A. (2020), S. 51

⁷⁴ Vgl. Soluk, J.; Kammerlander, N.; Zöller, M. (2020), https://cms.andersch.strandrover.com (Stand: 19.04.2020)

⁷⁵ Pümpin, C. (1992), S. 47

⁷⁶ Vgl. Bink, R.; Zschech, P. (2017), S. 552 ff.; vgl. hierzu auch Henoch, E. (2019), S. 38

⁷⁷ Vgl. Herter, S. (o. J.), https://www.drherter.com (Stand: 30.03.2020)

⁷⁸ Vgl. Schenk, M. (2018), https://www.vth-verband.de (Stand: 26.03.2020), S. 4 f.

⁷⁹ Vgl. Nagel, M. (2018), S. 119

⁸⁰ Vgl. Albelda, G. (2020), S. 55; vgl. hierzu auch Holtmann, C. (2017), S. 335

⁸¹ Vgl. Menden, C. u. a. (2019), S. 1001 f.

⁸² Vgl. Nagel, M. (2018), S. 119 f.

⁸³ Vgl. Totzek, D.; Kinateder, G.; Kropp, E. (2019), S. 458

⁸⁴ Vgl. Behrends, P. (2019) S. 24; vgl. hierzu auch o. V. (o. J.a), http://www.industry-analytics.de (Stand: 26.03.2020)

⁸⁵ Vgl. Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 7

⁸⁶ Enthalten in: Feldmann, S. u. a. (2017), https://www.rolandberger.com (Stand: 19.02.2020), S. 7

⁸⁷ Vgl. Mezger, M. u. a. (2019), S. 236 f.

⁸⁸ Vgl. o. V. (o. J.a), http://www.industry-analytics.de (Stand: 26.03.2020)

⁸⁹ Vgl. o. V. (2015), https://www.accenture.com (Stand: 26.03.2020), S. 7 f.

⁹⁰ Vgl. Dilda, V. u. a. (2017), https://www.mckinsey.com (Stand: 26.03.2020), S. 1

⁹¹ Vgl. o. V. (2018), S. 29; vgl. hierzu auch o. V. (2020a), http://www.technicalreviewmiddleeast.com (Stand 27.03.2020)

⁹² Vgl. Beutler, A.; Simroth, A. (2019), S. 90

⁹³ Vgl. Schenk, M. (2018), https://www.vth-verband.de (Stand: 26.03.2020), S. 6; vgl. hierzu auch o. V. (2020), http://www.technicalreviewmiddleeast.com (Stand 27.03.2020)

⁹⁴ Vgl. Hönig, M. (2019), S. 70

⁹⁵ Vgl. Jodlauk, S. (2019), S. 26