Was ist Predictive Maintenance?
Die Begrifflichkeit »Predicitive Maintenance« lässt sich mit „vorrausschauende Instandhaltung“ ins Deutsche übersetzen. Anhand von historischen oder ggf. in Echtzeit verfügbaren Mess- und Produktionsdaten von Maschinen und Anlagen sollen genaue Wartungsinformationen abgeleitet werden. Ziel ist es, Maschinen und Anlagen proaktiv zu warten und die Störungszeiten dadurch zu minimieren. Im Optimalfall sollen auftretende Störungen so vorhergesagt werden, dass negative Auswirkungen oder Ausfälle schon vorzeitig verhindert werden.1
Wie hilft der Einsatz von KI in der Instandhaltung?
Die klassische Instandhaltung hat den Nachteil, dass sie sich häufig lediglich an starren Vorgaben, wie einen bestimmten Zeitraum oder bspw. an einer Laufleistung orientiert. Anhand dieser Erfahrungswerte werden dann die Wartungszeitpunkte bestimmt und allgemeingültig angewandt. Eine individuelle Betrachtung wird nicht vorgenommen. Dies hat zur Folge, dass zum einen Instandhaltungsmaßnahmen durchgeführt werden, die keine Störungen hervorgerufen hätten und die jeweilige Maschine auch ohne diese noch weiterhin fehlerfrei funktioniert hätte. Zum anderen kann es aber auch dazu kommen, dass eine Maschine plötzlich ausfällt, da die Störung nicht frühzeitig erkannt wurde. Dadurch kann die Produktion nicht fortgeführt werden, Termine können nicht eingehalten werden und Kosten steigen.2
Mit Hilfe passender KI-Anwendungen ist es anhand der zur Verfügung stehenden Daten möglich, Prognosen oder Muster abzuleiten, durch welche individuellere Wartungszeitpunkte festgelegt und damit Stillstandzeiten sowie Kosten gegenüber den routinemäßigen oder zeitbasierten Abläufen reduziert werden.3
Beispielsweise kann man sich vorstellen, dass anhand von prognostizierten niedrigen Drehzahlen frühzeitig auf schleifende Maschinenelemente geschlossen werden kann oder Daten aus Temperatursensoren genutzt werden, um defekte Lüftersteuerungen festzustellen.2 Es geht grundsätzlich darum zu prognostizieren, wann ein kritischer Zustand eintritt, um dann eine Instandhaltungsmaßnahme durchzuführen.
In einem Predictive-Maintenance-Prozess sind daher die Phasen Messen, Berechnen und Agieren zu betrachten. In der ersten Phase gilt es die Anlage mit Sensorik auszustatten, die die notwendigen Daten misst. Diese Daten werden gespeichert und mittels einer KI-Anwendung verarbeitet, um aus neu hinzugewonnenen Erkenntnissen zu lernen und entsprechende Prognosen zu berechnen. Die Phase des Agierens beinhaltet, dass die KI uns auf eine Wartung hinweist, bevor die Anlage einen kritischen Bereich erreicht.4
Anwendungsbeispiele
Der LKW-Hersteller MAN nutzt Predicitive Maintenance zur Instandhaltung seiner Motoren. Aus einer Vielzahl an defekten Injektoren (bzw. Einspritzdüsen beim Dieselmotor) und den damit zusammenhängenden Reparaturkosten ließ sich MAN ein Telematik-System entwickeln, das mit Data Mining und statistischen Angleichungen arbeitet. Dieses System dient dazu, Daten von Zündspule und Einspritzung zu sammeln, aus denen Fehlerbilder abgeleitet werden konnten, die statistisch vorhersagbar sind.5
Auch ältere Maschinen lassen sich durch einfache Maßnahmen, wie zum Beispiel das Anbringen von Sensoren oder Kameras, retrofitten. Somit wird die Sammlung von Daten und damit die Nutzung von Predictive Maintenance Methoden ermöglicht. Dadurch können zum Beispiel Sägemaschinen mit einem Kamerasystem ausgestattet werden. Fotos des Sägeblattes bzw. der Zähne können dann analysiert werden, sodass ein KI-System nun Prognosen über Wartungsintervalle vorschlagen kann.
Quellenverzeichnis
1. https://www.industry-of-things.de/was-ist-predicitive-maintenance-defintion-anwendung-und-beispiele-a-693842
2. https://www.estandards-mittelstand.de/estandards-wissen/einsatzgebiete/predictive-maintenance-vorausschauende-wartung/
3. https://ki.adesso.de/de/use-cases/predictive-maintenance.html
4. https://www.kuk-is.de/blog-artikel/predictive-maintenance-so-funktioniert-vorausschauende-wartung-mit-ki.html
5. https://www.wlw.de/de/inside-business/praxiswissen/strategischer-einkauf/predicitive-maintenance-3-best-practice
Dieser Beitrag wurde von Manuel A. Heid verfasst. Er ist Researcher am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) und hat sich im Projekt Mittelstand-Digitalzentrum mit der Einführung KI-basierter Lösungen in Unternehmen beschäftigt sowie KMU auf dem Weg zum Einsatz dieser Lösungen im Bereich der optischen Qualitätskontrolle unterstützt.
