Künstliche Intelligenz (KI)

Künstliche Intelligenz (KI) soll im Zuge von Industrie 4.0 und Digitalisierung der Industrie helfen, ihre Instandhaltung effizienter zu machen. - Bild: Pixabay

Die Digitalisierung und Vernetzung im Zuge von Industrie 4.0 und dem Internet der Dinge ermöglichen es der Industrie und ihren Unternehmen, den Zustand und die Leistung ihrer Maschinen in Echtzeit zu überwachen. Das Thema Management von Instandhaltung und Wartung jedoch ist ein komplexer Balanceakt: Zu häufige Wartungen reduzieren zum Beispiel die produktive Zeit der Maschine, zu seltene erhöhen das Risiko eines ungeplanten Ausfalls.

Software-Technologien wie fortschrittliche digitale Analyseverfahren und Künstliche Intelligenz (KI) können helfen, dem Ausfall proaktiv zwei Schritte voraus zu sein. Mithilfe von Asset Performance Management (APM) erhalten Industrie und auch Kunden eine globale 360-Grad-Ansicht ihrer Anlagen und können dadurch Störquellen automatisch identifizieren, Fehler erkennen sowie den optimalen Zeitpunkt für eine Wartung voraussagen - Stichwort Predictive Maintenance. Unnötige, teure Stillstände werden so vermieden und Serviceeinsätze besser planbar.

Wartung nach tatsächlichem Bedarf

Kerngedanke von Asset Performance Management ist zunächst einmal die Formalisierung von Wartungsprozessen. Dem schließt sich eine computergestützte Plattform für die Verknüpfung der einzelnen Messwerte an, die zum Beispiel auch in der Cloud betrieben werden kann.

Das Asset Performance Management besteht dabei aus mehreren Technologie-Komponenten: 

  • Asset Health Insights – zustandsbasiertes Instandhalten auf Basis von digitalen IoT-Daten, die von vernetzten Geräten, Anlagen, Sensoren und Cyber-Physikalischen Systemen (CPS) erzeugt werden.
  • Predictive Maintenance – auf den Daten basierende Analysen zur Vorhersage von benötigten Ersatzteilen, Wartungsbedarf und Ausfällen, bevor diese akut eintreten.
  • Equipment Maintenance Assistant – die umfassende Unterstützung der Wartungstechniker mithilfe von Künstlicher Intelligenz (KI). 

Nicht nach Plan sondern nach Bedarf warten

Damit räumt das Asset Performance Management mit einigen Schwachpunkten bei heutigen Maschinen und Anlagen auf. Bislang wurden in der Industrie diese typischerweise nach festgelegten Wartungszyklen gewartet, die sich zum Beispiel an rechtlichen Vorgaben orientierten, oder nach Verbrauchs- und Zeitintervallen.

Das Alter und der im Vorfeld definierte Zeitintervall bestimmten die Planung dieser vorbeugenden Wartungsroutine (Preventive Maintenance). Die einfache Gleichung: Je älter die Anlage, desto häufiger muss diese gewartet werden. Die Wartung ist aufwendig, denn trotz der zunehmenden Digitalisierung werden in vielen Unternehmen weiterhin umfangreiche Wartungshandbücher gelesen sowie Anlagen- und Maschinenzustände mit Stift und Zettel dokumentiert.

Ein Teil der schriftlichen Dokumentation findet vielleicht heute bereits elektronisch statt, dann jedoch zumeist ohne Verknüpfung mit anderen Prozessschritten im Lebenszyklus der betroffenen Anlagen. Das heißt, die Serviceleistung wird zwar vom Papier oder vom Tablet für die elektronische Dokumentation und die Abrechnung der Servicearbeiten verwendet, die Verknüpfung zurück zur Produktentwicklung oder hin zur Prognose künftiger Wartungsfälle mittels Software fehlt jedoch

Künstliche Intelligenz denkt voraus

Die Königsdisziplin ist, Wartungsintervalle nicht noch enger, sondern nach tatsächlichem Bedarf zu takten. Bei dieser vorausschauenden Wartung (Predictive Maintenance) werden mithilfe von Datenanalyse und ausgefeilten Algorithmen Vorhersagen zu drohenden Stillständen getroffen und der optimale Zeitpunkt für die entsprechenden Wartungsarbeiten errechnet.

So können Ausfallzeiten verhindert werden, bevor sie überhaupt entstehen. Kombiniert man im Zuge eines Asset Performance Managements das Wissen aus früheren Wartungsvorgängen mit den Analysen der aktuellen Daten für die vorausschauende Wartung, entsteht die computer- und KI-gestützte Vorhersage von Wartungseinsätzen. Durch dieses vorausschauende Denken eines Systems über die Gesamtheit aller Anlagen können die Techniker von vornherein mit den passenden Ersatzteilen ausgestattet werden.

KI in der Industrie
Bild: Pixabay

Bestmöglichen Zeitpunkt für Reparaturen ermitteln

Das Ersatzteilmanagement ist ein massiver Kostentreiber in Unternehmen, denn die Fertigung, Lagerung und der Transport von Ersatzteilen ist von Komplexität geprägt. Ein Grund dafür ist, dass in Wartungssituationen typischerweise einige Teile gleich mit ausgewechselt werden, weil die Anlage ohnehin gerade stillsteht

Das zugrundeliegende Prinzip der „Schrotflinte“ basiert auf Erfahrungswerten und einer Grobabschätzung des Technikers. Sie kennen das vielleicht von Ihrer Auto-Werkstatt: „Wenn wir das Getriebe einmal draußen haben, machen wir die Kupplung und Wellendichtringe gleich mit“. Der Auftrag wird dann nicht nur doppelt so teuer, sondern es ist auch nicht klar, ob die Baugruppen überhaupt in absehbarer Zeit kaputtgegangen wären. Erfahrungswerte definieren hier zwar Körnung und Ladung der „Schrotflinte“, aber dies ist vor allem bei komplexeren Anlagen nicht immer standardisiert und dokumentiert. 

Das heißt in der Realität: Der klassische Reparaturvorgang ist für Kunden und Unternehmen häufig teuer, kostet mehr Zeit als erforderlich und bringt den unnötigen Austausch von Teilen mit sich. Asset Performance Management bietet bereits viele Funktionalitäten, mit denen Anwender die Daten ihrer Maschinen und Anlagen verknüpfen und auswerten können.

Die KI-Lösung Watson kann aber noch mehr als eine bloße Auswertung: verstehen, einschätzen und Schlussfolgerungen ziehen. So wird nicht nur festgestellt, ob die Maschine gut oder schlecht läuft, sondern darüber hinaus ermittelt die Künstliche Intelligenz ein vollständiges Bild des Gesundheitszustandes, inklusive Rückschlüsse auf den Verschleiß von Komponenten und dem bestmöglichen Zeitpunkt für den Austausch. Anhand der hinterlegten Dokumentationen oder den gesammelten Erfahrungen aus früheren Wartungseinsätzen können Techniker gezielt angeleitet werden. 

Egal, für welche Wartungsstrategie sich Unternehmen entscheiden, viele von ihnen werden durch den demografischen Wandel in den nächsten Jahren mit neuen Herausforderungen konfrontiert: Das über Jahrzehnte in den Köpfen erfahrener Mitarbeiter gesammelte Wissen wird durch deren Renteneintritt verloren gehen.

Versuche, dieses Wissen weiterzugeben, scheitern nicht nur an der schieren Menge und am fehlenden Fachpersonal, dem das Wissen weitergegeben werden könnte, sondern auch am technisch Möglichen: Wie kann man auch das „Bauchgefühl“ von erfahrenen Technikern in einer Tabelle oder einem Handbuch festhalten?

Virtueller Wartungsassistent unterstützt bei Einsätzen

Einen Ausweg bildet hier ein neuer, KI-basierter Equipment Maintenance Assistant (EMA), der Techniker im Wartungseinsatz intelligent unterstützt. Der virtuelle Wartungsassistent wird mit historischen Daten zu vergangenen Einsätzen und mit den Erfahrungen der Techniker trainiert und lernt auf diese Weise ständig dazu. Ein Interface in natürlicher Sprache macht die Formulierung von Fragen einfach, und der Assistent findet dank KI in Sekundenschnelle die richtige Reparaturempfehlung.

Aus der Analyse des Gesundheitszustands, den neuen Methoden für die Vorhersage von Wartungsfällen und durch eine ständig verfügbare Unterstützung der Techniker bei ihren Einsätzen, etwa durch die automatische Anzeige von Informationen zum konkreten Servicefall, entsteht damit ein neuer Ansatz für das nachhaltige Management von Maschinen und Anlagen.   

Mit einem jederzeit präsenten intelligenten Kollegen an der Seite der Wartungstechniker profitieren Unternehmen von

  • einer reduzierten Zeitspanne zwischen dem Ausfall und der Reparatur (Mean Time to Repair, MTTR), indem die Fehlerursache schnell identifiziert und automatisch Empfehlungen für Maßnahmen, Teile und Werkzeuge geliefert werden
  • einem geringeren Wissensverlust beim Renteneintritt erfahrener Mitarbeiter und eine bessere werksübergreifende Zusammenarbeit
  • einer höheren Effizienz der Wartungstechniker
  • der verlängerten Betriebsdauer einer Anlage bis zu einem Fehler (Mean Time Between Failure, MTBF) durch die rechtzeitige Empfehlung geeigneter Maßnahmen
  • höheren Erfolgschancen für eine Reparatur beim ersten Versuch (First Time to Fix, FTTF).

Fazit: Effizientere Instandhaltung dank KI

Das Zeitalter der Industrie 4.0 liefert mehr Maschinen- und Anlagendaten als je zuvor. Das reine Sammeln dieser Daten bringt aber noch keinen Mehrwert. Nur selten lässt sich anhand eines Messwerts die direkte Information ableiten, ob ein Ersatzteil benötigt wird oder nicht. Es gilt also, aus den unzähligen Daten aussagekräftige Erkenntnisse zu gewinnen und daraus Handlungsempfehlungen für die Techniker abzuleiten.

Mit dem Einsatz von Künstlicher Intelligenz und fortschrittlicher Datenanalyse im Rahmen von Asset Performance Management wird auch die Instandhaltung smart, sodass potenzielle Störungen frühzeitig identifiziert werden können. Für den Bediener sind solche Defekte nur schwer erkennbar, zeichnen sich aber in den Daten als Anomalien deutlich ab. Dank dieses intelligenten Frühwarnsystems können ungeplante Stillstände reduziert und die Verfügbarkeit der Maschinen maximiert werden. Gleichzeitig können Wartungstechniker präzise planen, wann sie welches Ersatzteil zur Reparatur benötigen und damit unnötige Lagerkosten vermeiden und Aufträge bündeln.

Ein virtueller Wartungsassistent sorgt im Einsatz dafür, dass die Techniker ein umfassendes Bild aller relevanten Informationen zu dem jeweiligen Defekt erhalten und unterstützt sie vor Ort. 

Intelligente Wartungsverfahren bei Kone

Industrie 4.0 und IoT zur Erneuerung von althergebrachten Wartungszyklen spielen auch beim Aufzugshersteller Kone eine Rolle. Aufzüge werden immer komplexer, sodass auch hier vernetzte Lösungen gefragt sind, um einen optimalen Personenfluss zu gewährleisten.

Damit Kone eine möglichst durchgängige Verfügbarkeit seiner Aufzüge und Rolltreppen erreicht, werden Asset-Performance-Management-Methoden angewendet. Die von KI unterstützten Systeme verknüpfen nicht nur die eingehenden Signale, sondern analysieren die Informationen zusammen, die zusammen einen Sinn ergeben. So wird beispielsweise die Temperatur der Maschinen ausgewertet, weil diese einen guten Indikator für mögliche Ausfälle liefert. Watson prüft jedoch auch, ob es generell ein heißer Tag ist, was die Relevanz des Messwerts an der Maschine verändert. 

Auch die Position der Kabine beim Halt kann ein Indikator für einen künftigen Fehler sein. Stoppt die Kabine einen Millimeter zu hoch oder zu tief, werden weitere Werte in die Analyse einbezogen – und dienen so der Vorhersage von Wartungsfällen. Kone will mit Watson IoT die Totalausfälle der Systeme vermeiden und damit Smart Cities Wirklichkeit werden lassen.

Esther Henoch, Senior Solution Sales Professional, IBM Watson IoT