Die autonome Fabrik: Kann eine Maschine ihr eigenes Ersatzteil bestellen?
Im Laufe dieser Serie haben wir eine Entwicklung verfolgt, die bei der Maschine beginnt und weit über sie hinausgeht:
- Teil 1 – Von Wartungsplänen zu KI: Wir haben betrachtet, wie sich Predictive Maintenance von klassischen Zuverlässigkeitsmethoden und Condition Monitoring hin zu KI-gestützten Prognosen entwickelt hat.
- Teil 2 – Predictive Maintenance gibt Ihnen 30 Tage. Und jetzt?: Wir haben gezeigt, was nach einer Frühwarnung passieren muss – von der Identifikation des richtigen Ersatzteils über die Prüfung der Verfügbarkeit bis hin zu aktuellen Lieferzeiten.
- Teil 3 – Woher weiß eine Maschine, dass sie kurz vor dem Ausfall steht?: Wir haben untersucht, wie Sensoren, Zustandsdaten und KI Veränderungen im Maschinenverhalten erkennen und daraus relevante Informationen für die Instandhaltung ableiten können.
- Teil 4 – Roboterhunde, Drohnen und smarte Sensoren: Wir haben uns angesehen, wie mobile Inspektionstechnologien die Möglichkeiten erweitern, Zustandsdaten über eine größere Zahl von Anlagen hinweg zu erfassen.
- Teil 5 – Von Predictive Maintenance zur vorausschauenden Ersatzteilplanung: Wir sind der Frage nachgegangen, ob Informationen über erwartete Instandhaltungsbedarfe auch die Ersatzteilplanung vorausschauender machen können.
All diese Entwicklungen führen zu einer letzten Frage: Wenn ein System erkennen kann, dass sich der Zustand einer Komponente verschlechtert, abschätzen kann, wann ein Eingriff notwendig wird, und weiß, dass dafür ein bestimmtes Ersatzteil benötigt wird – könnte die Maschine irgendwann den gesamten Prozess anstoßen, der dieses Ersatzteil rechtzeitig an den richtigen Ort bringt?
Oder anders gefragt: Kann eine Maschine ihr eigenes Ersatzteil bestellen?
Ein Teil der Automatisierung ist bereits Realität
Die Vorstellung klingt zunächst futuristisch. Einzelne Schritte dieses Prozesses gehören in industriellen Softwaresystemen jedoch längst zum Standard.
In SAP S/4HANA können beispielsweise Materialkomponenten einem Instandhaltungsauftrag zugeordnet werden. Bei Lagermaterial kann das System automatisch eine Reservierung erzeugen, bei Nichtlagermaterial eine Bestellanforderung für die externe Beschaffung. Je nach Konfiguration kann SAP außerdem automatisch eine Bezugsquelle für eine Nichtlagerkomponente ermitteln.
Automatisierung muss also nicht damit beginnen, dass eine Maschine selbstständig entscheidet, was sie bestellen möchte. Industrielle Systeme können bereits heute einen bestätigten Instandhaltungsbedarf in nachgelagerte Material- und Beschaffungsprozesse überführen.
Die anspruchsvollere Frage stellt sich früher im Prozess: Können wir mit ausreichender Sicherheit bestimmen, welches Ersatzteil benötigt wird, wann es benötigt wird und ob eine Bestellung überhaupt die richtige Maßnahme ist?
Bevor ein Teil bestellt wird, muss klar sein, welches Teil benötigt wird
Stellen wir uns vor, Condition Monitoring erkennt zunehmende Vibrationen an einem Motor und die Analyse deutet darauf hin, dass ein Lager voraussichtlich ausgetauscht werden muss.
Damit ein automatisierter Prozess an dieser Stelle weiterlaufen kann, muss das System zunächst die physische Komponente eindeutig dem richtigen Materialstammsatz zuordnen können.
In der Praxis ist das keineswegs selbstverständlich. Dasselbe physische Ersatzteil kann an verschiedenen Standorten unter unterschiedlichen Bezeichnungen oder Materialnummern geführt werden. Herstellerinformationen können fehlen, Beschreibungen uneinheitlich sein und Dubletten im ERP existieren.
Instandhaltungsstücklisten können dabei helfen, technische Objekte mit den zugehörigen Ersatzteilen zu verknüpfen. SAP nennt die Zuordnung von Ersatzteilen und die Materialplanung ausdrücklich als zentrale Einsatzbereiche von Instandhaltungsstücklisten. Wie wertvoll diese Verbindung tatsächlich ist, hängt jedoch von der Qualität der zugrunde liegenden Materialstammdaten ab.
Genau hier wird SPARROW.Clean für die weitere Automatisierung relevant. Bereinigte, standardisierte und deduplizierte Ersatzteildaten sind nicht nur ein Effizienzthema für das Stammdatenmanagement. Sie bilden eine wichtige Grundlage dafür, dass automatisierte Prozesse zuverlässig auf Materialinformationen zugreifen und diese eindeutig interpretieren können.
Ein erfahrener Instandhalter erkennt unter Umständen, dass zwei unterschiedlich beschriebene Materialstammsätze dasselbe Lager meinen. Ein automatisierter Prozess braucht diese Eindeutigkeit, bevor er eine Entscheidung treffen kann.
Bevor ein Teil gekauft wird, muss klar sein, ob es bereits vorhanden ist
Auch wenn das richtige Ersatzteil eindeutig identifiziert wurde, bedeutet das noch lange nicht, dass es bestellt werden sollte.
Das benötigte Lager könnte am betreffenden Standort nicht verfügbar sein, während an einem anderen Standort desselben Unternehmens mehrere Exemplare auf Lager liegen. Prüft ein automatisierter Prozess ausschließlich den lokalen Bestand, könnte er eine Bestellung auslösen, obwohl das benötigte Teil innerhalb des Unternehmens bereits vorhanden ist.
Der Vorgang wäre technisch automatisiert – die zugrunde liegende Entscheidung aber nicht unbedingt sinnvoll.
Je stärker Hersteller ihre Instandhaltungs- und Materialprozesse automatisieren, desto wichtiger wird deshalb die standortübergreifende Bestandstransparenz.
SPARROW.Stock schafft Transparenz über Ersatzteilbestände an verschiedenen Lagerorten, während SPARROW.Pool die standortübergreifende Nutzung vorhandener Teile unterstützt, anstatt jeden Standort als isolierte Bestandswelt zu betrachten.
Die relevante Frage lautet dann nicht mehr nur: „Ist das Teil an diesem Standort verfügbar?“ Sondern vielmehr: „Ist das Teil irgendwo in unserem Unternehmen verfügbar – und kann es rechtzeitig dorthin gebracht werden, wo es benötigt wird?“
Erst auf dieser Grundlage lässt sich sinnvoll entscheiden, ob eine externe Beschaffung tatsächlich notwendig ist.
Bevor nachbestellt wird, muss klar sein, ob das Teil überhaupt auf Lager gehören sollte
Hinter der eigentlichen Transaktion verbirgt sich noch eine weitere Entscheidung.
Nehmen wir an, das letzte verfügbare Lager wird von einem anderen Standort transferiert und für die geplante Instandhaltungsmaßnahme verwendet. Sollte es anschließend automatisch nachbestellt werden?
Eine einfache Bestandsregel könnte diese Frage bejahen, sobald der Bestand unter einen festgelegten Mindestwert fällt. Eine fundiertere Planung würde jedoch berücksichtigen, warum das Teil verbraucht wurde, wie kritisch die Anlagen sind, in denen es eingesetzt wird, wie häufig es benötigt wird, wie lange die aktuelle Wiederbeschaffung dauert und ob an anderen Standorten noch geeignete Bestände vorhanden sind.
Genau hier setzt SPARROW.Plan an. Statt historische Min-/Max-Parameter dauerhaft als gegeben zu betrachten, können Bestandsempfehlungen Faktoren wie historische Verbräuche, Kritikalität und Lieferzeiten berücksichtigen und neu berechnet werden, wenn sich die zugrunde liegenden Bedingungen verändern.
Wie wir in Teil 5 gesehen haben, könnten Informationen aus Condition Monitoring und Instandhaltung diesen Ansatz künftig noch dynamischer machen. Wenn bereits Hinweise darauf bestehen, dass ein weiterer Eingriff mit derselben Komponente wahrscheinlich wird, könnten solche Informationen perspektivisch auch in die Entscheidung einfließen, ob und wann der Bestand wieder aufgefüllt werden sollte.
Hier zeigt sich ein wesentlicher Unterschied: Eine Beschaffungstransaktion zu automatisieren ist vergleichsweise einfach. Eine gute Bestandsentscheidung zu automatisieren ist deutlich anspruchsvoller.
Die autonome Prozesskette braucht verlässliche Daten
Damit wird deutlich, worauf es bei der autonomen Fabrik tatsächlich ankommt.
Die sichtbarsten Technologien befinden sich häufig direkt an der Maschine: Sensoren, KI-Modelle, Computer Vision, Drohnen oder Roboter. Ein großer Teil der Infrastruktur, die für stärker automatisierte Instandhaltungsprozesse benötigt wird, ist jedoch wesentlich weniger spektakulär.
Ein System muss wissen, welche physische Komponente zu welchem Material gehört. Es braucht verlässliche Stammdaten, Transparenz über Bestände an verschiedenen Standorten, aktuelle Informationen zu Lieferzeiten und eine Entscheidungsgrundlage dafür, ob ein Teil gekauft, transferiert, nachbestellt oder möglicherweise gar nicht bevorratet werden sollte.
Fehlt diese Grundlage, führt mehr Automatisierung im schlimmsten Fall lediglich dazu, dass schlechte Entscheidungen schneller umgesetzt werden.
Datenqualität und Ersatzteiloptimierung sollten deshalb nicht getrennt von der Entwicklung zunehmend autonomer Instandhaltungsprozesse betrachtet werden. Sie gehören zu der Infrastruktur, die notwendig ist, damit Unternehmen solchen Prozessen vertrauen können.
Wo sollte der Mensch weiterhin entscheiden?
Selbst bei einer sehr guten Datenbasis wird vollständige Autonomie nicht in jedem Fall sinnvoll sein.
Eine prognostizierte Störung ist immer mit einer gewissen Unsicherheit verbunden. Der Austausch einer Komponente kann einen Produktionsstillstand erfordern, der mit der Fertigungsplanung abgestimmt werden muss. Bei einem hochpreisigen Ersatzteil kann eine Freigabe durch den Einkauf erforderlich sein. Und wenn ein seltenes kritisches Ersatzteil von einem Standort zu einem anderen transferiert wird, kann dadurch das Risiko lediglich innerhalb des Unternehmens verschoben werden.
Auch die Instandhaltungsfunktionen von SAP zeigen, dass Automatisierung nicht zwangsläufig bedeutet, jede Entscheidung sofort auszuführen. In SAP S/4HANA Cloud können Planer beispielsweise festlegen, ob eine Reservierung oder Bestellanforderung sofort, erst bei Freigabe des Instandhaltungsauftrags oder zunächst gar nicht angelegt werden soll. SAP beschreibt dabei unter anderem das Beispiel eines Motors, der möglicherweise ausgetauscht werden muss und bei dem die Beschaffung bewusst zurückgestellt werden kann, bis der tatsächliche Bedarf bestätigt ist.
Das ist auch für die weitergehende Automatisierung ein sinnvoller Ansatz.
Die Zukunft muss nicht darin bestehen, Menschen vollständig aus dem Prozess zu entfernen. Systeme könnten vielmehr zunehmend diejenigen Entscheidungen übernehmen, bei denen die Datenlage zuverlässig, die Regeln eindeutig und die betrieblichen Auswirkungen überschaubar sind. Unsichere, außergewöhnliche oder besonders risikoreiche Entscheidungen bleiben dagegen beim Menschen.
Die entscheidende Frage lautet damit nicht nur, ob eine Maschine ein Ersatzteil bestellen kann, sondern unter welchen Bedingungen wir einem System diese Entscheidung überlassen wollen.
Von Prediction zu Prevention
Zu Beginn dieser Serie haben wir auf die Entwicklung von Predictive Maintenance zurückgeblickt und gesehen, dass das grundlegende Ziel keineswegs neu ist. Instandhaltungsteams versuchen seit jeher, Ausfallmuster früh genug zu erkennen, um eingreifen zu können, bevor die Produktion stillsteht.
Was sich verändert, sind die Menge und Qualität der verfügbaren Informationen sowie die Geschwindigkeit, mit der Unternehmen darauf reagieren können.
Sensoren können Veränderungen im Maschinenverhalten erkennen, Analysen bewerten, ob diese auf einen sich verschlechternden Zustand hindeuten, und die Instandhaltung kann daraus ableiten, wann ein Eingriff wahrscheinlich notwendig wird. Verlässliche Materialdaten ermöglichen anschließend die Zuordnung der physischen Komponente zum richtigen Ersatzteil. Standortübergreifende Bestandstransparenz zeigt, ob dieses Teil bereits irgendwo im Unternehmen vorhanden ist, während eine dynamische Planung dabei unterstützt zu entscheiden, ob der Bestand anschließend wieder aufgefüllt werden sollte.
Die Beschaffung wird damit zum Ergebnis einer zusammenhängenden Prozesskette – und nicht zu deren Ausgangspunkt.
Die autonome Fabrik wird deshalb nicht durch ein einzelnes KI-Modell, einen Roboter oder eine Softwareplattform entstehen. Entscheidend wird sein, Maschinenzustand, Instandhaltung, Materialdaten, Bestandsplanung und Beschaffung so miteinander zu verbinden, dass Informationen zuverlässig zwischen diesen Bereichen fließen können.
Für Hersteller liegt die Chance dabei nicht zwangsläufig darin, Menschen aus Ersatzteilentscheidungen herauszunehmen. Vielmehr geht es darum, manuelle Suchen, fragmentierte Daten und statische Prozesse zu reduzieren, die heute verhindern, dass Menschen und Systeme vorhandene Predictive-Maintenance-Informationen nutzen, solange noch Zeit zum Handeln bleibt.
Denn letztlich geht es nicht darum, einen Ausfall vorherzusagen. Es geht darum, seine Auswirkungen auf den Betrieb zu verhindern.
