Seminar

Predictive Maintenance in der Praxis

Leitfaden für die Planung und Umsetzung im Maschinenbau

Bildmotiv zum Seminar Predictive Maintenance in der Praxis
© zapp2photo / Adobe Stock

Predictive Maintenance (vorausschauende Instandhaltung) bietet vielversprechende Chancen für den Maschinenbau. Über die gezielte Nutzung von Maschinendaten und den daraus gewonnenen Informationen können Kosten reduziert, die Planbarkeit der Wartung verbessert und die Verfügbarkeit von Maschinen erhöht werden.

Im Seminar lernen Sie, welche Aspekte für eine erfolgreiche Umsetzung von prädiktiver Instandhaltung relevant sind. Fallstudien aus dem Maschinenbau und Anlagenbau erleichtern den Transfer der Lerninhalte auf die Situation in Ihrem Unternehmen.

Inhalte

Grundlagen

  • Vorausschauende Instandhaltung als wichtiger Baustein von Industrie 4.0
  • Marktübersicht existierender Lösungen
  • Mögliche Schwachstellen bisheriger Ansätze

Umsetzung

  • Wichtige Voraussetzungen und häufig auftretende Hindernisse
  • Technologien und Partner zur Datenanbindung (z.B. Industriestandard umati)
  • Ganzheitliches Vorgehensmodell zur effizienten Realisierung
  • Methoden aus dem Bereich Künstliche Intelligenz (z.B. Neuronale Netze)

Fallstudien und Business Cases

  • Wie kann Predictive Maintenance von der Konzeption bis zur Umsetzung erfolgreich realisiert werden?
  • Praxisbeispiele aus dem Maschinenbau und Anlagenbau

Methoden

Checklisten, Fallstudien aus der erfolgreichen Projektpraxis (Theorie) und Leitfaden (praxisnahe Umsetzung)


Wie profitieren Sie von diesem Seminar?

Kompakt und fundiert gewinnen Sie Wissen über den ganzheitlichen Prozess zur Umsetzung von vorausschauender Instandhaltung – Von der Ideenfindung über den Business Case bis hin zur technischen Realisierung. Nach dem Besuch des Seminars sind Sie in der Lage, den Status Quo und die nächsten Schritte in Ihrem Unternehmen besser einzuschätzen. Die zur Verfügung gestellten Checklisten ermöglichen Ihnen, den Weg hin zu einer vorausschauenden Instandhaltung effizienter zu gestalten.


Zielgruppe

Fachkräfte und Führungskräfte aus den Bereichen After Sales Service, Instandhaltung, Produktion und Informationstechnologie (IT), Verantwortliche für Digitalisierung und Innovation aus dem Maschinenbau sowie Interessenten aus Anwenderfirmen


Ihre Experten

Rico Knapper ist Geschäftsführer und Chief Data Scientist der anacision GmbH. Als Diplom-Technomathematiker mit langjähriger Führungserfahrung in der Forschung hat Herr Knapper bereits zahlreiche erfolgreiche Projekte zu Predictive Maintenance geleitet und umgesetzt.

Dr. Sebastian Gottwalt ist Senior Data Scientist bei der anacision GmbH. Als promovierter Wirtschaftsingenieur hat er langjährige Erfahrung in der Nutzung von Daten für die Konzeption und Umsetzung neuer Lösungen im Bereich von Predictive Maintenance.

Dr. Johanna Reichert ist Senior Data Scientist bei der anacision GmbH und promovierte Neurowissenschaftlerin. Sie hat bereits an einer Vielzahl von Projekten im Bereich Predictive Maintenance sowie an der Entwicklung datenbasierter Lösungen in diesem Bereich mitgewirkt.

Die Durchführung des Seminars erfolgt mit zwei der genannten Experten.

Veranstaltungsdetails

Dauer: 1 Tag

Websessions live

im virtuellen Raum

Gebühren (zzgl. MwSt.)

VDMA-Mitglieder

€ 490

Nichtmitglieder

€ 630

Hilfe & FAQ

Sie haben Fragen zur Anmeldung, sind sich nicht sicher, ob Sie einen Zugang zur Lernwelt haben oder möchten wissen, wie wir Ihre Daten verarbeiten? Hier finden Sie vielleicht die Antwort:

Ihr Kontakt zu uns

+49 69 6603 1334
mbi@vdma.org

Sie erreichen uns an Werktagen von 08:15 bis 16:45 Uhr. Wir sind gerne persönlich für Sie da.

Inhouse

Diese Veranstaltung ist auch als firmeninterne Schulung verfügbar.

Info-Service

Erhalten Sie regelmäßig und automatisch aktuelle Infos zu passenden Weiterbildungen.

Deutsche Bahn – Veranstaltungsticket

Mit dem Veranstaltungsticket 2022, einem Kooperationsangebot des VDMA und der Deutschen Bahn, reisen Sie entspannt und zu vergünstigten Konditionen zu Ihrer Veranstaltung.

Mehr erfahren