Optimization of Maintenance Strategies for Leased Equipment Considering Learning Effects and Spare Parts Inventory

In der modernen Welt der Schwerindustrie und des Bauwesens sind massive Maschinen wie Bagger und Kräne oft zu teuer, um sie direkt zu kaufen. Stattdessen mieten Unternehmen sie, wodurch eine Partnerschaft zwischen dem Besitzer der Maschine und dem Unternehmen, das sie nutzt, entsteht. Diese Vereinbarung funktioniert nur dann gut, wenn die Ausrüstung in Betrieb bleibt. Wenn eine Maschine ausfällt, verliert der Nutzer Geld, weil seine Arbeit stillsteht, während der Besitzer Geld verliert, weil er für Reparaturen bezahlen muss. Die zentrale Herausforderung in dieser Beziehung besteht darin, zu entscheiden, wie oft die Maschine gewartet werden soll, bevor sie ausfällt. Wenn der Besitzer sie zu selten wartet, fällt die Maschine häufig aus, was den Nutzer verärgert. Wenn er sie zu oft wartet, steht die Maschine zu viel Zeit ungenutzt herum, was für beide Seiten Zeit und Geld verschwendet. Darüber hinaus hängt die Geschwindigkeit einer Reparatur davon ab, ob die richtigen Ersatzteile vorrätig sind und wie erfahren das Reparaturteam durch Praxis geworden ist.

Forscher der Anhui University of Technology machten sich daran, dieses komplexe Rätsel zu lösen, indem sie ein detailliertes Modell darüber aufbauten, wie diese Mietbeziehungen funktionieren. Sie konzentrierten sich auf zwei spezifische Faktoren, die in der traditionellen Planung oft übersehen werden: den „Lerneffekt“ und das Management des Ersatzteillagers. Der Lerneffekt beschreibt, wie ein Reparaturteam schneller und effizienter wird, je öfter es denselben Typ von Maschine repariert, einfach weil es an Erfahrung gewinnt. Das Ersatzteillager bezieht sich auf den Bestand an Ersatzkomponenten, den ein Leasinggeber bereithält, um sicherzustellen, dass eine defekte Maschine sofort repariert werden kann, ohne auf eine Lieferung warten zu müssen. Die Forscher wollten wissen, wie diese beiden Faktoren interagieren und wie sie genutzt werden können, um die Interessen des Maschinenbesitzers und des Mieters in Einklang zu bringen, damit beide Parteien Entscheidungen treffen, die dem gesamten System zugutekommen, statt nur sich selbst.

Die Studie begann mit der Abbildung der finanziellen Realitäten für beide Seiten. Der Maschinenbesitzer möchte die Reparaturkosten und die Zeit, die mit der Behebung von Problemen verbracht wird, minimieren, während der Mieter die Zeit maximieren möchte, in der die Maschine tatsächlich arbeitet, um Einnahmen zu generieren. In einem typischen Mietvertrag kollidieren diese Ziele. Der Besitzer könnte die Wartung verzögern, um Geld zu sparen, aber dies erhöht das Risiko von Ausfällen, die den Mieter schädigen. Um den besten Ansatz zu verstehen, erstellten die Forscher zwei verschiedene Szenarien. In einem Szenario treffen der Besitzer und der Mieter ihre Entscheidungen unabhängig voneinander, wobei jeder versucht, seinen eigenen Gewinn zu maximieren. In einem zweiten Szenario agieren sie als ein einziges Team und treffen Entscheidungen, um den Gesamtgewinn der Partnerschaft zu maximieren.

Als die Forscher das unabhängige Szenario simulierten, stellten sie fest, dass die beiden Parteien von Natur aus unterschiedliche Wartungspläne wählten. Der Mieter, der besorgt war, den Zeitaufwand und die Kostenbelastung im Zusammenhang mit der Wartung zu minimieren, neigte dazu, eine deutlich geringere Wartungshäufigkeit zu wählen. Im Gegensatz dazu entschied der Besitzer, der die Wartungskosten gegen die Zuverlässigkeitsgewinne abwog, für eine viel höhere Häufigkeit. Diese Fehlabstimmung bedeutete, dass die Maschine nicht auf dem optimalen Niveau für das Gesamtsystem gewartet wurde; insbesondere lag die bevorzugte Häufigkeit des Mieters weit unter dem Optimum des Systems, während die des Besitzers weit darüber lag. Als die Forscher jedoch den Lerneffekt in das Modell einführten, änderte sich das Bild. Mit zunehmender Erfahrung des Reparaturteams sanken der Zeitaufwand und die Kosten für jede Wartungsaufgabe. Diese Verbesserung machte es für den Besitzer attraktiver, die Wartung häufiger durchzuführen, was wiederum die Zuverlässigkeit der Maschine verbesserte und die Gewinne des Mieters steigerte. Die Studie zeigte, dass mit steigendem Geschicksniveau des Teams die optimale Anzahl der Wartungsprüfungen zunahm und der Gesamtgewinn für alle Beteiligten stieg.

Die Forscher untersuchten auch die Rolle der Ersatzteile. Sie fanden heraus, dass das Vorhandensein eines Ersatzteillagers das Risiko langer Verzögerungen bei einem Maschinenausfall erheblich reduzierte. Diese Verfügbarkeit ermöglichte schnellere Reparaturen, was weniger Stillstandszeiten für den Mieter und eine höhere Betriebskontinuität bedeutete. Interessanterweise änderte die Anwesenheit von Ersatzteilen die Wartungsstrategie. Mit bereitgestellten Teilen fühlte sich der Mieter weniger unter Druck gesetzt, häufige präventive Kontrollen zu fordern, was zu einer leichten Reduzierung der geplanten Wartungsereignisse führte. Der Besitzer hingegen, der wusste, dass Teile bereitstehen, war eher bereit, die Häufigkeit der Wartung zu erhöhen, um die Maschine in bestem Zustand zu halten. Diese Verschiebung schuf eine neue Dynamik, in der die Vorteile des Vorhandenseins von Teilen geteilt wurden, die Kosten für die Lagerhaltung jedoch zunächst nur vom Besitzer getragen wurden.

Um die Fehlabstimmung der Interessen zu beheben, schlugen die Forscher zwei spezifische Strategien vor, um Besitzer und Mieter wieder in Einklang zu bringen. Die erste Strategie, genannt „Ausfallbegrenzungspolitik“ (failure limitation policy), setzt eine strikte Obergrenze für die Anzahl der Ausfälle einer Maschine während der Mietzeit. Wenn die Maschine diesen Grenzwert überschreitet, zahlt der Besitzer eine Strafe. Dies zwingt den Besitzer, mehr in die Wartung zu investieren, um die Strafe zu vermeiden, und stimmt somit sein Handeln mit dem Bedürfnis des Mieters nach Zuverlässigkeit ab. Die zweite Strategie, der „Verfügbarkeitsziel-Bonus“ (uptime target bonus), funktioniert in die entgegengesetzte Richtung. Hier verspricht der Mieter dem Besitzer einen Geldbonus, falls die Maschine für eine bestimmte Zeit in Betrieb bleibt. Dies belohnt den Besitzer dafür, die Maschine betriebsbereit zu halten, und ermutigt ihn zu proaktiver Wartung.

Die Simulationen zeigten, dass beide Strategien in der Lage waren, die Lieferkette zu koordinieren und die unabhängigen Entscheidungen von Besitzer und Mieter mit dem optimalen Ergebnis für das Gesamtsystem in Einklang zu bringen. Die Wahl zwischen den beiden hängt von der jeweiligen Situation ab. Wenn eine Maschine zu häufigen Ausfällen neigt und die Kosten eines Ausfalls hoch sind, funktioniert die Ausfallbegrenzungspolitik am besten. Wenn die Maschine stark genutzt wird und die Kosten der Stillstandszeit das primäre Problem darstellen, ist der Verfügbarkeitsziel-Bonus effektiver. Die Studie hob auch hervor, dass der Mieter die finanzielle Last der Ersatzteillagerhaltung teilen sollte. Indem der Mieter dem Besitzer einen Zuschuss für die Bevorratung von Teilen gewährt, stellt er sicher, dass der Besitzer die Ressourcen hat, um eine hohe Verfügbarkeit aufrechtzuerhalten, was letztendlich zu höheren Gewinnen für beide Parteien führt.

Die Forscher testeten ihr Modell mit verschiedenen Szenarien, indem sie Faktoren wie die Intensität der Maschinennutzung und die Dauer der Mietzeit veränderten. Sie fanden heraus, dass längere Mietperioden im Allgemeinen zu höheren Gewinnen für alle Beteiligten führten, da die Vorteile von Lernen und Wartung über die Zeit kumulierten. Umgekehrt, wenn die Maschine sehr intensiv genutzt wurde, stieg die Ausfallrate drastisch an, und die Gewinne sanken für beide Seiten, sofern die Wartung nicht signifikant erhöht wurde. Die Studie bestätigte, dass der Lerneffekt und das Ersatzteillager nicht nur Nebensächlichkeiten sind, sondern mächtige Hebel, die – wenn sie korrekt verwaltet werden – eine konfliktreiche Mietbeziehung in eine hocheffiziente Partnerschaft verwandeln können. Durch das Verständnis der Interaktion zwischen Erfahrung und Lagerbestand können Unternehmen von starren, universellen Wartungsregeln abrücken und dynamische Strategien entwickeln, die sich an die reale Leistung ihrer Ausrüstung anpassen.