Pay-per-Stress - abgeschlossen

Belastungsorientierte, datenbasierte Bezahlmodelle im Maschinenbau

Technologiebereich: Blockchain/Distributed-Ledger-Technologie; (Mathematische) Optimierung & Planung, Data & Service Management

Das Projekt Pay-per-Stress erforschte Bezahlmodelle für Werkzeugmaschinen, die – anders als klassische Leasing-Modelle – auf der tatsächlichen Belastung der Maschinen basieren. Die Lösung nutzt Methoden der künstlichen Intelligenz (KI) und der Blockchain-Technologie, um ein transparentes, nachverfolgbares und rechtskonformes Geschäftsmodell zu entwickeln.

Herausforderung
Die hohen Kosten für die Anschaffung komplexer Maschinen stellen insbesondere kleine und mittlere Unternehmen der fertigenden Industrie vor große finanzielle Herausforderungen. Leasing-Modelle sind eine Möglichkeit, die Investitionen gering zu halten. Beim klassischen Leasingmodell bestehen jedoch Interessensgegensätze zwischen Kunde und Anbieter: Der Leasingnehmer bezahlt nach Zeit und hat damit den Anreiz, seine Produktivität über die Maschinenauslastung zu maximieren. Die kontinuierlich hohe Auslastung oder Überlastung kann jedoch Schäden an der Maschine verursachen. Der Leasinggeber muss daher eine Risikoprämie einberechnen, was die Kosten erhöht.

Umsetzung
Zur Erarbeitung eines belastungsorientierten Bezahlmodells wurden zuerst auf Basis vorhandener Daten die am stärksten belasteten Komponenten einer Werkzeugmaschine identifiziert. Um deren tatsächliche Belastungen im Betrieb zu messen und zu quantifizieren, wurden je nach betrachteter Komponente verschiedene Methoden angewandt. Besonderes Augenmerk lag während der Projektlaufzeit auf der Entwicklung von Sensorik für die Motorspindel und den Kugelgewindetrieb sowie auf der Nutzung von Daten der Maschinensteuerung. Die gewonnenen Messdaten wurden verarbeitet und zusammengeführt, um dann in den Stressfaktor einzufließen. Aufgrund der Komplexität einer Werkzeugmaschine wurde dieser nicht auf Maschinen-, sondern auf Komponentenebene berechnet. Hierfür wurden die Komponenten in direkt stressbasierte, indirekt stressbasierte und zufällig ausfallende Komponenten unterteilt. Durch die Verrechnung einzelner Stressfaktoren mithilfe der jeweiligen Komponentenwerte ließ sich ein gemeinsamer Stressfaktor auf Maschinenebene ableiten. Das Datenmanagement zwischen Leasinggeber, Leasingnehmer und Hersteller der Werkzeugmaschine erfolgte mithilfe einer manipulationssicheren Blockchain-Technologie. Dieses ermöglicht unterschiedliche Zugriffsrechte für einzelne Bereiche der Blockchain, um Bedenken bezüglich des Datenschutzes entgegenzuwirken. Ein Demonstrator des Pay-per-Stress-Projekts wurde am PTW der TU Darmstadt aufgebaut.

Anwendung und Nutzen
Mit Pay-per-Stress entstehen innovative und faire Bezahlmodelle mit attraktiven Optionen für alle beteiligten Parteien. Durch die Kenntnisse des sensorisch gemessenen Verschleißzustands der Maschine werden Kostenersparnisse für Leasingnehmer und Leasinggeber möglich. Gleichzeitig gewinnen die Maschinennutzer wertvolle Erkenntnisse über den Wirkungszusammenhang zwischen Belastungen und Verschleiß. Sie können die erfassten Daten zur Optimierung ihrer Bearbeitungsprozesse sowie des zu erwartenden Wartungsbedarfs nutzen. Weiterhin erhalten die Maschinenhersteller wichtige Hinweise über die Verschleißmechanismen ihrer Maschinen und können diese für zukünftige Optimierungen und Erweiterungen eigener Produkte und Dienstleistungen nutzen. Für die Umsetzung des Konzepts in der industriellen Praxis wurde zudem ein exemplarischer Leasingvertrag entworfen, der die Interessen aller beteiligten Parteien berücksichtigt.

Konsortium
pro-micron GmbH, DECKEL MAHO Pfronten GmbH, Alois Berger GmbH & Co. Präzisions-Maschinenbauteile KG, F. Zimmermann GmbH, Technische Universität Darmstadt, EBS Universität für Wirtschaft und Recht