Um unvorhergesehenen Maschinenstillständen vorzubeugen, setzen Unternehmen auf vorausschauende Wartungs- und Instandhaltungsstrategien. Die Gratwanderung zwischen Wartungsaufwand und Verfügbarkeit wird mit der Zahl der Anlagen und Einflussfaktoren jedoch schwieriger. Insbesondere Betreiber von Anlagenverbänden verfolgen daher oft eine Predictive Asset Management-Strategie, deren Kern darin besteht, auf Basis der Kenntnis und Bewertung des Zustands von Maschinen Wartungs- und Instandhaltungsentscheidungen zu treffen. Hier können technische Daten wie Druck, Temperatur und Arbeitsstunden seit der letzten Wartung einfließen, aber auch betriebswirtschaftliche Aspekte wie Termintreue, Auslastung der Ressourcen, Abschreibungszustand oder Modernisierungsbedarf.
IT reduziert Komplexität
Aufgrund der Menge an kombinierbaren Einflussfaktoren eignen sich für die Datenverarbeitung auf diesem Feld Verfahren der künstlichen Intelligenz (KI), etwa maschinelles Lernen (ML). Das Deep-Qualicision-KI-Framework der PSI FLS Fuzzy Logik & Neuro Systeme etwa hat solche Funktionen implementiert und ermöglicht zudem über eine bereitgestellte Erklärebene die Systembedienung auch für Nutzer ohne KI-Kenntnisse. Die Software kombiniert dazu eine selbstlernende Entscheidungsunterstützung und -optimierung mit KI-Prognoseverfahren. Zunächst beobachtet die Software, in welchen Temperaturbereichen bspw. die Maschine Sensordaten bereitstellt, die auf die Notwendigkeit einer Wartung hindeuten. Dazu benutzt das System eine sogenannte Labeling-Funktion, mit der eine Unterscheidung zwischen positiven, also eher erwünschten Maschinenzuständen und negativen Wertebereichen, also unerwünschten Maschinenzuständen möglich ist. Die zugrunde liegenden Sensordaten werden dementsprechend mit positiven und negativen Konnotationen – den Labels – versehen. Die Software stellt zwischen den gelabelten Datensätzen Zusammenhänge her und erkennt darin Muster, aus denen sie kurz-, mittel- oder langfristige Wartungsempfehlungen ableitet. Durch die – einmal festgelegten – Labeling-Funktionen lassen sich beinahe beliebige Signalverläufe verarbeiten und automatisch labeln. Die Software visualisiert diese gelabelten Daten in Form von Wirkungs- und Beziehungsmatrizen. Im Zuge einer Smart-Factory-Potenzialanalyse für ihren Kunden KSB identifizierte die Managementberatung NEONEX Opti mierungschancen bei der Beschaffung der Lieferantendokumentation sowie der Erstellung von Unterlagen zur Qualitätsprüfung entlang der Supply-Chain. ‣ weiterlesen
Signifikante Ressourceneinsparung bei Pumpenhersteller KSB
NEONEX, Fabasoft Approve & KSB: „Win-win-win-Situation“ durch starke Partnerschaft
Signifikante Ressourceneinsparung bei Pumpenhersteller KSB
KI-Entscheidungen verstehen
In der oberen Abbildung ist zu erkennen, wie für eine Maschine die Empfehlung für eine dringende Wartung ausgegeben wird. Diese errgänzt eine Erklärung, aus welchen Faktoren heraus dieser Ratschlag entstand: Aus der Messung der Vibrationsdaten sowie des definierten dynamischen Wartungsintervalls. So können die Menschen selbst ohne KI-Kenntnisse fundiert entscheiden, ob sie dem Rat folgen oder nicht. Zudem stehen ihnen Schieberegler zur Verfügung, über die sie die Sensitivität der Labels justieren können. Der hinterlegte Lernalgorithmus leitet wiederum sowohl aus den Bestätigungen und Verneinungen als auch aus den Anpassungen über die Regler weitere Muster ab und lernt über ein im KI-Framework integriertes ML-Verfahren dazu.
Predictive Maintenance skalieren
Der Übergang von der vorausschauenden Instandhaltung einer einzelnen Maschine zu einem Predictive Asset Management für Maschinen- und Anlagenparks erfolgt durch zusätzliche Einflussgrößen. Diese können mit den gleichen Systematiken behandelt werden. Das Prinzip des qualitativen Labelns bleibt grundsätzlich gleich. Lediglich die Skalierung ändert sich, etwa bei den Datenbanken dahinter. Ähnliches gilt für die im Hintergrund einsetzbare Lern-Logik: Sie kann Zusammenhänge und Zielkonflikte zwischen Key Performance Indicators (KPIs) und Systematiken auch auf hoher Skalierungsebene erlernen. Die Bedienbarkeit und die Managementfunktionen des Systems bleiben ebenfalls unverändert. So lassen sich Schritt für Schritt größere Systemverbünde aufbauen.
