Verzeichnis der Abschlussarbeiten

Unternehmen, die Vanadium-Redox-Flow-Batterien (VRFB) betreiben, stehen häufig vor unerwarteten Ausfällen und hohen Betriebskosten. Im Rahmen dieser Arbeit wurde daher der Frage nachgegangen, ob prädiktive Wartung die Service- und Wartungskosten um mindestens 15 % senken kann. Zur Beantwortung wurden bestehende Service- und Monitoringstrukturen analysiert, reale Betriebsdaten ausgewertet und ein Soll-Konzept entwickelt. Die Methodik stützte sich auf die quantitative Analyse der Kosten mit und ohne prädiktiver Maßnahmen. Die Ergebnisse zeigen, dass sich durch frühzeitige Fehlererkennung Ausfallzeiten reduzieren und signifikante Einsparungen bei Material-, Service- und Personalkosten erzielen lassen. Automatisierung reduziert zudem den Arbeitsaufwand und erhöht die Zuverlässigkeit der Systeme. Prädiktive Wartung erweist sich somit als zukunftsweisender Ansatz für eine nachhaltige und wirtschaftliche Instandhaltung. Erfolgsentscheidend sind geeignete Datenstrukturen, intelligente Algorithmen sowie deren Integration in bestehende Geschäftsprozesse. Zukünftige Forschungen sollten die Weiterentwicklung von Machine-Learning-Modellen und deren praktische Anwendung in VRFB-Systemen vertiefen.

Companies operating vanadium redox flow batteries (VRFBs) often encounter unexpected failures and high operational costs. This study examines whether predictive maintenance can reduce service and maintenance costs by at least 15%. To address this question, existing service and monitoring structures were analyzed, real operational data was assessed, and an optimized concept was developed. The methodology relied on a quantitative analysis of costs with and without predictive maintenance measures. The results demonstrate that early fault detection can significantly reduce downtime and lead to substantial savings in material, service, and personnel costs. Additionally, automation helps to lower labor requirements while enhancing system reliability. Thus, predictive maintenance emerges as a promising strategy for sustainable and cost-effective asset management. Critical success factors include the establishment of appropriate data structures, the application of intelligent algorithms, and their seamless integration into existing business processes. Future research should focus on advancing machine learning models and their practical implementation within VRFB systems.