Digitalisierung : Vorausschauende Wartung - mit KI ganz­heitlich optimieren

Bei der Planung von Wartung und Instandhaltung gibt es verschiedene Herausforderungen, die täglich neu in Einklang zu bringen sind. Steht eine Maschine still, verschlingt sie jede Minute Geld. Klar ist aber auch, dass eine Überwartung durch strikte Instandhaltungszyklen unnötige Kosten verursacht. Es gilt daher, 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.

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, z. B. 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.

Die praxisbewährte KI-basierte, selbstlernende Entscheidungsunterstützung und -optimierung von Qualicision bewertet kontinuierlich auf Basis qualitativ gelabelter Anlagendaten unterschiedliche Assets – und zwar flexibel skalierbar. Damit ist sie sowohl geeignet für die vorausschauende Wartung einer einzelnen Anlage als auch für ein Predictive Asset Management für geografisch verteilte Anlagenverbünde.

Dabei entsteht eine zusätzliche, KI-unabhängige Erklärungsebene, deren einfache Visualisierung die Entscheidungen des Systems nachvollziehbar und auch für Nicht-Daten-analysten bedienbar macht. Die Basis schafft das Qualitative Labeln (siehe Abbildung 1).

Mithilfe einer Labeling-Funktion beobachtet die Software z. B., welche Temperaturbereiche der bereitgestellten Sensordaten auf eine notwendige Wartung hindeuten und unterscheidet zwischen positiven, erwünschten Maschinenzuständen und negativen Wertebereichen,  unerwünschten Maschinenzuständen. Die Sensordaten versieht sie mit positiven und negativen Bewertungen – 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 bewerten die Labeling-Funktionen beliebige Signalverläufe.

Für die in Abbildung 2 beobachtete Maschine empfiehlt das System z. B. 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 über ein integriertes maschinelles Lernverfahren kontinuierlich dazu.

Wer Maschinen- und Anlagenparks betreibt, muss eine gute Balance finden zwischen höchstmöglicher Verfügbarkeit und kleinstmöglichen Wartungsaufwänden.

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.

Softwarelösungen für ein optimiertes Wartungs- und Instandhaltungsmanagement sind dann praxistauglich, wenn sie neben geeigneten Skalierungsmöglichkeiten über eine Abbildung des gesamtem Prozesses von Wartungsempfehlungen verfügen. Die Empfehlungen reichen über konkrete Planungen von Wartungseinsätzen bis hin zum kontinuierlichen Monitoring der Abläufe durch z.B. Meldungen zum Bearbeitungsstatus der Wartungs- bzw. Instandhaltungseinsätze. Sie eignen sich sowohl für Predictive-Maintenance als auch für Predictive-Asset-Management-Szenarien (Abbildung 3, links).

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 die Skalierung, z.B. hinsichtlich der Verwendung von Datenbanken und weiterführender Maintenance-Managementtools wie das PSIcommand.

Auf dieser Basis können sich Unternehmen auch schrittweise mit Predictive Maintenance für einzelne Maschinen und Anlagen einem Predictive Asset Management nähern und eine ganzheitliche Strategie für das Asset Management im Sinne eines rollierenden intelligenten Prozesses umsetzen.