Developing a model for the maturity level assessment of knowledge-based maintenance of a manufacturing company

Abstract

Maintenance departments are confronted with challenges and new requirements for process stability and machine availability due to technical advances in computer science, innovation in information and communication technologies as well as the continuous rise of digitalized manufacturing. A shift within knowledge-based maintenance strategies from descriptive to predictive and further to prescriptive maintenance models is enhanced by scientists and many manufacturing companies. To improve their knowledge-based maintenance maturity level, companies need to assess their actual maturity to derive measures and strategies to move further. After an extensive literature research, this thesis concludes that besides empirical approaches, an analytical maintenance maturity model, considering the multi-dimensionality of maintenance problems is nonexistent. The problem definition derived from that situation is to develop a model, which quantitatively assesses the maturity level of knowledge-based maintenance of any given manufacturing company. To deal with the aforementioned problem definition the following methodical approach will be conducted: First, a theoretical basics will be formed, to ensure an identical view of subject-specific terms and definitions. Afterwards, a literature research of state-of-the-art maturity models, maintenance strategies, policies and data as well as information quality assessment methods will be done. Next, a maintenance Balanced Scorecard (BSC) will be developed, where various KPI’s will be assigned to different perspectives. The reference model of Nemeth et al. is the basis for the next step – developing a maturity model for quantitatively assessing a company’s knowledge-based maintenance maturity. Subsequently, an analytical assessment of the maturity level of a given manufacturing company is conducted in Excel through a KPI analysis. The result of the conducted maturity assessment shows a current maturity level of 56% for the analyzed company, which is, when transferred into the four knowledge-based maintenance maturity levels a maturity of predictive maintenance. The maturity level is on the lower end of the predictive maintenance scale, which is due to the relatively low information and knowledge quality as well as the big improvement potential of the Industry 4.0 readiness level. The proposed model does not simply focus on a single path to reach maturity but displays the different influence factors and starting points for improvement measures by cracking up the maintenance process in maintenance operative and data analytical dimensions. Additionally, the maturity model assesses the organizations maturity level in a quantitative rather than empirical approach, which increases the credibility of results immensely.

Die Instandhaltungsabteilungen von Unternehmen sehen sich mit Herausforderungen und neuen Anforderungen an die Prozessstabilität und Maschinenverfügbarkeit konfrontiert, die durch den technischen Fortschritt in der IT sowie durch den kontinuierlichen Aufstieg der digitalisierten Fertigung bedingt sind. Eine Verschiebung innerhalb von wissensbasierten Instandhaltungsstrategien von deskriptiven zu vorausschauenden und weiter zu präskriptiven Instandhaltungsmodellen wird von Wissenschaftlern und vielen produzierenden Unternehmen vorangetrieben. Um ihren Reifegrad verbessern zu können, müssen Unternehmen ihre tatsächliche Reife beurteilen, um daraus Maßnahmen und Strategien abzuleiten. Nach einer umfassenden Literaturrecherche kommt diese Arbeit zu dem Schluss, dass neben empirischen Ansätzen kein analytisches Modell existiert, die die Multidimensionalität von Instandhaltungsproblemen berücksichtigt und den Instandhaltungs-Reifegrad analytisch bestimmt. Die aus dieser Situation abgeleitete Problemdefinition besteht darin, ein Modell zu entwickeln, das den Reifegrad der wissensbasierten Instandhaltung eines bestimmten produzierenden Unternehmens quantitativ bestimmt. Um die oben genannte Problemdefinition zu behandeln, wird der folgende methodische Ansatz durchgeführt: Zunächst wird eine theoretische Grundlage gebildet, um eine identische Sicht auf fachspezifische Begriffe und Definitionen zu gewährleisten. Anschließend wird eine Literaturrecherche zu aktuellen Reifegradmodellen, Instandhaltungsstrategien, sowie Methoden zur Beurteilung der Datenund Informationsqualität durchgeführt. Als nächstes wird eine Instandhaltungs-Balanced Scorecard (BSC) entwickelt, bei der verschiedene KPIs unterschiedlichen Perspektiven zugeordnet werden. Das Referenzmodell von Nemeth et al. ist die Grundlage für den nächsten Schritt – die Entwicklung eines Reifegradmodells zur quantitativen Bewertung der wissensbasierten Instandhaltungsreife eines Unternehmens. Anschließend wird eine analytische Beurteilung des Reifegrads eines gegebenen produzierenden Unternehmens in Excel durch eine KPI-Analyse durchgeführt. Das Ergebnis der durchgeführten Reifegradbestimmung zeigt einen aktuellen Reifegrad von 56% für das analysierte Unternehmen, der bei Überführung in die vier wissensbasierten Instandhaltungsreifegrade eine Reife der vorausschauenden Instandhaltung bedeutet. Der Reifegrad liegt am unteren Ende der Skala der vorausschauenden Instandhaltung, was auf die relativ geringe Informationsund Wissensqualität sowie auf das große Verbesserungspotenzial der Industrie 4.0-Reife zurückzuführen ist.