Eine hohe Anlagenverfügbarkeit bei möglichst geringen Wartungsaufwänden: Vor dieser Herausforderung steht jedes produzierende Unternehmen. Besonders gut kann dieser Spagat mithilfe neu verfügbarer Methoden des Asset-Managements gelingen, zum Beispiel mit KI-basierten, selbstlernenden Prognoseverfahren, die nicht nur für Datenanalysten beherrschbar sind.
Es ist eine bekannte Gleichung: Steht eine Maschine still, verschlingt sie jede Minute Geld. Klar ist aber auch, dass eine Überwartung durch strikte Instandhaltungszyklen unnötige Kosten verursacht. Es gilt folglich, zwischen hoher Verfügbarkeit und minimalen Wartungsaufwänden abzuwägen. Diese Herausforderung wird größer, je mehr Maschinen in Betrieb sind. Denn mit jeder Anlage steigt die Anzahl der Einflussfaktoren, die sich zum Teil gegenseitig bedingen oder ausschließen (Multikritikalität).
Viele Unternehmen setzen bei diesem Balanceakt auf eine vorausschauende Strategie, bei der durch eine kontinuierliche Zustandsüberwachung der Maschinen optimiert Wartungs- und Instandhaltungsentscheidungen getroffen werden. Bewährt haben sich vor allem Lösungen, die nicht nur technische Daten berücksichtigen, zum Beispiel Druck, Temperatur oder Arbeitsstunden seit der letzten Wartung, sondern die auch betriebswirtschaftliche Aspekte wie Termintreue, Auslastung der Ressourcen, Abschreibungszustand oder Modernisierungsbedarf in die Entscheidungsfindung mit einfließen lassen – kumuliert und ausgewogen. Dies schaffen aufgrund der Datenmenge und komplexen Zusammenhänge vor allem KI-basierte Verfahren.
Wartungsempfehlungen verstehen
Vielfach praxiserprobt ist zum Beispiel eine Software-Lösung, die eine selbstlernende Entscheidungsunterstützung und -optimierung mit KI-Prognoseverfahren kombiniert und Prozessverantwortlichen auf erklärbare Art und Weise Handlungsempfehlungen aufzeigt, ohne dass diese über KI-Kenntnisse verfügen müssen. Die Basis schafft das Qualitative Labeln (siehe Abbildung 1):
Mithilfe einer entsprechenden Labeling-Funktion beobachtet die Software beispielsweise, welche Temperaturbereiche der bereitgestellten Sensordaten auf eine notwendige Wartung hindeuten und unterscheidet zwischen positiven, also eher erwünschten Maschinenzuständen und negativen Wertebereichen, also unerwünschten Maschinenzuständen. Die entsprechenden Sensordaten versieht sie demzufolge mit positiven und negativen Konnotationen – die sogenannten Labels. Zwischen den ermittelten Labels stellt die Software Zusammenhänge her und erkennt darin Muster, aus denen sie kurz-, mittel- oder langfristige Wartungsempfehlungen (Wartungslabels) ableitet.
Einmal festgelegt, verarbeiten und konnotieren die Labeling-Funktionen beliebige Signalverläufe. Indem die Software die gelabelten Daten in Wirkungs- und Beziehungsmatrizen visualisiert, können Anwender die Herleitung der Handlungsempfehlungen einfach nachvollziehen und das System interaktiv bedienen. Für die in Abbildung 2 beobachtete Maschine empfiehlt das System zum Beispiel eine dringende Wartung. Zudem lässt sich ablesen, dass die Software hierfür Vibrationsdaten sowie das einzuhaltende, dynamische Wartungsintervall berücksichtigt hat:
Der Unterschied zu gängigen Verfahren liegt weniger in den Ergebnissen der Prognosen als in der Form ihrer Darstellung, die es auch Anwenderinnen und Anwendern ohne KI-Expertise ermöglicht, die Entscheidungsgrundlagen zu verstehen und zu bewerten. So können sie die Empfehlungen bestätigen, ablehnen oder die Sensitivität der Labels über Schieberegler justieren. Aus diesen Rückmeldungen leitet ein hinterlegter Lernalgorithmus wiederum weitere Muster ab und lernt kontinuierlich über ein integriertes maschinelles Lernverfahren kontinuierlich dazu.
Schrittweise zum Predictive Asset Management
Praxistauglich sind Softwarelösungen für ein optimiertes Wartungs- und Instandhaltungsmanagement auch dann, wenn sie über geeignete Skalierungsmöglichkeiten verfügen und sich dahin gehend sowohl für Predictive Maintenance- als auch für Predictive Asset Management-Szenarien eignen. Im Beispiel erfolgt dies über die Berücksichtigung weiterer Einflussgrößen, die mit denselben Systematiken und dem Prinzip des Qualitativen Labelns verarbeitet werden. Ebenso kann die im Hintergrund einsetzbare Lern-Logik Zusammenhänge und Systematiken auf hoher Skalierungsebene erlernen. Die einzige Änderung betrifft folglich die Skalierung, zum Beispiel hinsichtlich der Verwendung von Datenbanken. Auf dieser Basis können sich Unternehmen auch schrittweise einem Predictive Asset Management nähern.
Vorausschauend und lernend Kennzahlen managen
Wer Maschinen- und Anlagenparks betreibt, muss eine gute Balance finden zwischen höchstmöglicher Verfügbarkeit und kleinstmöglichen Wartungsaufwänden. Dies gelingt durch ein ganzheitliches und konsolidiertes Management der Assets. Optimiert lassen sich die relevanten Zusammenhänge durch den Einsatz von Methoden der künstlichen Intelligenz beherrschen, vor allem dann, wenn sie den Prozessverantwortlichen Handlungsempfehlungen aufzeigen, deren Bewertung keine KI-Kenntnisse voraussetzen.
Predictive Maintenance - der große Überblick
Prädiktive Wartung ist Ihr Ding und Sie wollen alles zum Thema vorausschauende Instandhaltung wissen? Über den Link kommen Sie direkt zu unserem großen Überblick Predictive Maintenace. Dort finden Sie alles, was Sie wissen müssen, wenn Sie über die Einführung nachdenken, ein Projekt planen oder Ihre bestehende Technologie effektiver nutzen wollen.