EDUCAÇÃO E TECNOLOGIA

KI im Einsatz – Predictive Maintenance

Kosten senken und Verfügbarkeit erhöhen – mit Predictive Maintenance ist beides möglich! Dank datengetriebener Instandhaltung und smarter Prozesse lassen sich Produktionsausfälle vermeiden. Lesen Sie im folgenden Blogartikel mehr darüber.

Künstliche Intelligenz ist in aller Munde – bei Weitem nicht nur, wenn es um selbstfahrende Autos geht. In der vernetzten Welt der Industrie 4.0 spielt Künstliche Intelligenz auch im Produktionsumfeld eine herausragende Hauptrolle – für die Maschinensteuerung, die Logistik, die Produktionsplanung und nicht zuletzt für die Wartung von Maschinen und Anlagen.

Die Instandhaltung verursacht in den allermeisten Unternehmen erhebliche Kosten. Fällt eine Maschine aus, kann das schnell drei- bis vierstellige Eurobeträge pro Minute kosten. Stehen ganze Produktionslinien still, kann es in die Zehntausende gehen.

Daher beugt man in aller Regel durch vorbeugende Maßnahmen, die Preventive Maintenance, Ausfällen vor. Dies ist zwar sicherer und kostengünstiger, dennoch entstehen nennenswerte Lagerkosten für kritische Verschleißteile, und viele Komponenten werden ausgemustert, obwohl sie wahrscheinlich noch längere Zeit ihren Dienst verrichtet hätten.

Mit der jungen Methode der vorausschauenden Instandhaltung hingegen, der Predictive Maintenance, lassen sich Produktionsausfälle nochmals deutlich verringern und die Wartungskosten weiter senken.

KI findet das Wesentliche

Um Vorhersagen über das Lebensende von Wälzlagern, Pumpen und anderen verschleißanfälligen Komponenten zu machen, benötigt man möglichst viele technische Messdaten der Produktion. Dabei spielen zwei Dimensionen eine Rolle. Zum einen ist es wichtig, an kritischen Bauteilen Sensoren für geeignete Parameter zu haben. Dies sind oft Fühler für Temperatur, Druck oder Oberflächenspannung. Zum anderen tragen die Frequenz der Messungen und der Messzeitraum zur Datenmenge bei. Je öfter gemessen wird und je größer die Datenhistorie ist, desto besser.

Diese Daten sind die Grundlage für Predictive Analytics – eine Disziplin aus dem Bereich der Business Analytics und des Informationsmanagements. Dabei nutzt man Techniken und Modellierungen aus den Bereichen Statistik, Data Mining und Künstliche Intelligenz, um Datenströme zu analysieren.

Im Vorfeld vergangener Produktionsstörungen und -ausfälle lassen sich mit diesen Methoden Anomalien aufspüren. Das sind Trends und Peaks in Messwertverläufen, die vom Normalfall

abweichen und damit Frühindikatoren für die spezifischen Veränderungen in Maschinen und Anlagen sein können.

Auch im fortlaufenden Betrieb wird weiter nach neuen Indikatoren gesucht. Das erhöht die Genauigkeit. Außerdem müssen neu hinzukommende Maschinen erfasst und Bestandsmaschinen unter veränderten Belastungsmustern neu eingeschätzt werden.

KI erkennt die Trigger

Das nahende Lebensende einer Kreiselpumpe kann sich beispielsweise darin abzeichnen, dass ihr Pumpdruck langsam abfällt beziehungsweise ihre Drehzahl allmählich hochgeregelt wird. Solche Frühindikatoren, auch Trigger genannt, werden genutzt, um den laufenden Datenstrom der Produktion daraufhin zu untersuchen. Insbesondere die KI-Form des „maschinellen Lernens“ (ML) ist sehr gut darin, bekannte Muster in Daten wiederzuerkennen.

Gut angelernt, kann sie auch sehr feine Abweichungen zielsicher feststellen und von normalen Schwankungen unterscheiden. Die KI erkennt so schon Tage, manchmal Wochen im Voraus ein Bauteilversagen. Das ist ein großer Vorteil, denn je früher eine relevante Entwicklung erkannt wird, desto größer ist der planerische Spielraum für Instandhaltungsmaßnahmen.

Kognitive Algorithmen erkennen selbst sehr komplexe Datenmuster, wodurch sich auch vielschichtige und dynamische Prozessstrukturen gut beherrschen lassen. Auch können sie genau jene Parameter identifizieren, die für ein spezifisches Ereignis verantwortlich sind, und werden so von unwesentlichen Parametern nicht gestört. Ein Zuviel an Daten gibt es also nicht.

KI prognostiziert und plant

Ein erkannter Trigger löst nicht nur eine Warnung aus. Die Software kann die Ausfallwahrscheinlichkeitsentwicklung für die nächste Zeit errechnen und eine Empfehlung abgeben, wann eine Instandhaltungsmaßnahme noch rechtzeitig, aber nicht unnötig früh anzusetzen ist. Somit können Laufzeiten verlängert und Ersatzteile rechtzeitig bestellt werden. Auch die Lagerbestände an Ersatzteilen können dann geringer gehalten werden.

Darüber hinaus kann die KI die Instandhaltungsplanung anpassen, sodass fällige Maßnahmen besser gebündelt sind und Maschinen und Anlagen seltener stillstehen. Auch kann sie dies mit der Produktionsplanung abstimmen, sodass Wartungs- und Inspektionstermine möglichst günstig gelegt werden können.

Fazit

Unvorhergesehene Produktionsstopps lassen den Blutdruck bei Produktionsleitern und -mitarbeitern schnell steigen. Die Predictive Maintenance kann die Anzahl solcher Stopps deutlich verringern. Daher gilt sie als eine der KI-Anwendungen, deren Nutzen vergleichsweise schnell sichtbar wird und daher die produktionsnahen Mitarbeiter leicht überzeugt.

Auch die Predictive Maintenance profitiert von einer ausgereiften Softwarelösung, die sich nahtlos in Ihre IT-Landschaft integriert. SAP bietet das Modul SAP Predictive Asset Insights an, welches sich nahtlos in Ihr bestehendes SAP-System einfügt – sei es SAP S/4HANA Asset Management oder SAP Plant Management. Eine Integration ist sowohl mit SAP S/4HANA als auch mit älteren ERP-Lösungen möglich. Damit haben Sie immer einen guten Überblick über

den Gesundheitszustand Ihrer Maschinen sowie Anlagen und senken Ihre Instandhaltungskosten.

Weitere Informationen zum Thema erhalten Sie auf:

www.sap.de/predictive-maintenance