Lebenszykluskosten

Unsichere Einflussfaktoren und komplexe Systeme für die Nutzung erneuerbarer Energien erzeugen einen Bedarf an Analysemöglichkeiten für unternehmerische Investitionsentscheidungen. Gerade die perspektivische Investitions- und Betriebskostenplanung sind mit den üblichen Hilfsmitteln deterministischer Einzelfall-Beschreibungen nur unzureichend zu bewerkstelligen. Einen Lösungsweg bietet die Monte-Carlo-Simulation mit ihren Möglichkeiten zur Verarbeitung sowohl exakter als auch stochastischer Modellansätze. Dieser Beitrag stellt einen neuen Ansatz für die modellbasierte Analyse von Investitionsentscheidungen für komplexe Solarthermie-, Geothermie- und Biomasse-Energiesysteme unter Berücksichtigung von zukünftigen Unsicherheiten durch Monte-Carlo-Simulationen vor.

Die betriebswirtschaftliche Betrachtung von Anlagen über den gesamten Lebenszyklus ist in der modernen Industrie von essentieller Bedeutung. Besonders bei Investitionsentscheidungen werden nicht mehr nur die reinen Ausgaben für die Beschaffung herangezogen, sondern es werden alle anfallenden Kosten des gesamten Lebenszyklus einer Anlage betrachtet. Für diese Abschätzung werden vor allem die entstehenden Kosten ermittelt, analysiert und dementsprechende Maßnahmen zur Reduktion der Lebenszykluskosten abgeleitet. In der Praxis besteht das Problem, dass sich derartige Aufzeichnung über mehrere Perioden nur ungenügend protokollieren lassen. Im folgenden Beitrag soll dargestellt werden, inwieweit der neue IT-Ansatz der Cyber-Physical Systems diese Datenerhebungen verbessert und wie auf dieser Datenbasis zukünftige Investitionsentscheidungen, wie auch die Auswahl von Lebenszyklus begleitenden Dienstleistungen, getroffen werden können.

Der vorliegende Beitrag widmet sich der Frage, ob ein rein monetär orientierter Nutzer sich bereits heute für ein ausschließlich elektrisch angetriebenes Fahrzeug entscheiden würde. Für ein Fahrzeug, das sowohl mit Benzin- und Diesel- als auch mit Elektroantrieb erhältlich ist, wird eine Lebenszy-kluskostenanalyse durchgeführt. Hierzu werden sämtliche Ein- und Auszahlungen über den gesamten Lebens-zyklus erfasst, in einen Analyserahmen gesetzt und schließlich die Barwerte ermittelt, um die Alternativen zu bewerten. Da nicht auf begründete Prognosen verzichtet werden kann, bietet es sich schließlich an, bestimmte Eingangsparameter simulativ zu variieren, um die sich daraus ergebenden Kostenwirkungen zu bestimmen.

Die Produktivität von Ingenieuren kann durch die Integration von Wissen in den Engineering-Prozess erhöht werden. Wissensbasierte Engineering-Methoden und Werkzeuge werden unter dem Begriff „Knowledge Based Engineering (KBE)“ zusammengefasst. Diese Methoden und Werkzeuge sollen den Entwickler bei nicht wertschöpfenden Tätigkeiten unterstützen und somit Zeit und Raum für kreative und innovative Problemlösungen schaffen. Im Rahmen dieses Beitrags soll ein Überblick über die Methoden und Werkzeuge in der Anwendung sowie über aktuelle Entwicklungstrends des KBE gegeben werden.

Mit der Beschaffung, dem Besitz und der Nutzung eines Investitionsguts erwachsen Produktionsunternehmen Kosten, die meist um ein Vielfaches höher sind als der reine Anschaffungspreis. Die Höhe dieser Lebenszykluskosten ergibt sich dabei aus dem komplexen Zusammenspiel zwischen den produktinhärenten Eigenschaften und den spezifischen Einsatzbedingungen beim Anwender. In diesem Beitrag werden Chancen und Risiken, die sich aus Lebenszyklusanalysen ergeben, einander gegenübergestellt.

Heutige Käufermärkte fordern weltweit immer speziellere Produkte zu niedrigen Preisen. Der qualitative Vertrieb solcher Produkte, ihre Entwicklung und Pflege sind aufwändig, kompliziert und fehleranfällig. Konsequente Modularisierung verbunden mit gutem Baukastenmanagement weist den Ausweg aus dieser Komplexitätsfalle. Dieser Prozess muss von leistungsfähigen Tools unterstützt werden - genauso wie die Tools nur wirken, wenn Modularisierung wirklich gelebt wird.