"Predictive Maintenance als zentraler Bereich für KI"

In Sachen KI macht ihm so schnell keiner was vor: Jörg Bienert ist Präsident des Bundesverbandes Künstliche Intelligenz e.V. sowie Partner and Area Director West bei der Alexander Thamm GmbH Data & AI Experts. Der Verband besteht aktuell aus über 220 Unternehmen - darunter Konzerne, KMU und Startups - sowie Experten, die sich mit der Entwicklung und Anwendung von Technologien auf Basis von künstlicher Intelligenz als zentralem Geschäftszweck beschäftigen.

Auch auf Basis seiner jahrelangen Erfahrung als Entrepreneur im Big Data und AI Umfeld, unter anderem im Silicon Valley, hat er einen sehr guten Überblick über aktuelle Trends und Hypes bei Künstlicher Intelligenz. Darum haben wir Jörg Bienert gefragt, wie er über das Thema KI in der Instandhaltung denkt.

INSTANDHALTUNG: Wie weit ist aus Ihrer Sicht der Stand der KI-Technik?

Jörg Bienert: "Der Begriff 'Künstliche Intelligenz' ist eigentlich schon recht alt. Er wurde 1956 von Forschen in den USA geprägt. Aber erst seit rund acht Jahren hat es den Durchbruch in der Anwendung der Technologien, vor allem in Bereich der neuronalen Netze gegeben. Heute stehen genügend Daten, ausreichend Rechenkapazitäten und neue Algorithmen zur Verfügung, die dazu führen, dass KI in allen Bereichen der Wirtschaft und des Alltagslebens Innovationen auslöst. Damit ist KI ein wesentlicher Bestandteil zukünftiger wirtschaftlicher Entwicklung, Wettbewerbsfähigkeit und Wohlstand."

INSTANDHALTUNG: Sind in Ihren Augen bereits für Instandhalter nutzbare KI-Werkzeuge verfügbar?

Bienert: "Auf Basis von KI Technologien können in fast allen Bereichen der Wertschöpfungskette in Unternehmen neue Anwendungen entwickelt und bestehende Applikationen ergänzt und verbessert werden. In den meisten Fällen führt dies zur einer Effizienzsteigerung von Prozessen. Vielfach können aber auch komplett neue Produkte und Geschäftsmodelle gestaltet werden."

INSTANDHALTUNG: Für welche Anwendungsfälle eignen sich diese Werkzeuge?

Bienert: "Ein zentraler Bereich ist vorausschauende Wartung – Predictive Maintenance. Hier gibt es unterschiedliche Ansätze. So können aus historischen Daten über Wartungsfälle zum Beispiel bei PKW Trends und Analysen abgeleitet werden, um zukünftige Entwicklungen vorherzusagen. Daneben können Sensordaten von Maschinen genutzt werden, um mit neuronalen Netzen 'Digitale Zwilinge' zu bauen – Computermodelle, die sich hinsichtlich Ihrer Kennzahlen genau so verhalten, wie eine physische Maschine."

INSTANDHALTUNG: Welche für die Instandhaltung nutzbaren KI-Werkzeuge sind bei Ihnen oder Ihren Kunden im Einsatz?

Bienert: "Wir haben in der Alexander Thamm GmbH, einem der führenden KI und Data Science Unternehmen in Deutschland, eine ganze Reihe von Projekten im Bereich der Predictive Maintenance umgesetzt. Hierzu gehören zum Beispiel Anwendungen auf Basis historischer Wartungsdaten bei großen Automobilherstellern, oder die Erstellung von Digitalen Zwillingen für große Kompressormaschinen bei MAN."

INSTANDHALTUNG: "Welche Painpoints haben zu den Projekten geführt?"

Bienert: "Die Hauptmotiviation für Predictive Maintenance ist die Senkung von Wartungskosten und die Minimierung von Risiken. Der Ausfall von großen Maschinen in einer Industrieanlage kann schnell zu Schäden in siebenstelliger Höhe führen. Auf der anderen Seite möchte man Geräte oder Infrastrukturen nicht unnötig warten, wenn diese noch über Monate ohne Eingriff problemlos weiterlaufen würden. In beiden Fällen kann man durch Predictive Maintenance Wartungsintervalle optimieren und Kosten einsparen."

INSTANDHALTUNG: Oftmals werden Unternehmen und Instituten im aktuellen KI-Hype Projekte von auch durchaus zweifelhaftem Nutzen angeboten. Wie identifizieren Sie den Nutzen eines solchen Angebots?

Bienert: "KI Projekte werden in der Regel immer auf Basis der Daten von Kunden, zum Beispiel historische Wartungsdaten oder Sensorinformationen entwickelt. Die daraus abgeleiteten Machine Learning Modelle werden dann anhand dieser Daten überprüft und die Genauigkeit der Vorhersage kann errechnet werden. Am Anfang von Pilot-Projekten oder Proof-of-Concepts definieren die Data Scientists der Alexander Thamm GmbH genaue Erfolgskriterien und eine Mindest-Vorhersagequalität. Erst wenn diese im Test erfüllt werden übergibt man das entwickelte Modell in die nächste Projektphase: der Entwicklung einer produktionsreifen Anwendung.