Predictive Asset Management
Anlagen KI-gestützt am Laufen halten
Die Anlagenverfügbarkeit soll hoch, die Wartungsdauer niedrig sein - ein Balanceakt. Mit dem KI-Framework Deep Qualicision gibt es dafür ein System, das bei Entscheidungen und Optimierungen unterstützt und von KI-Experten und Prozessverantwortlichen bedienbar ist.
Wirkungs- und Beziehungsmatrix - KI-gelernte Qualitative Labels mit Zusammenhängen
Wirkungs- und Beziehungsmatrix – KI-gelernte Qualitative Labels mit ZusammenhängenBild: PSI FLS Fuzzy Logik & Neuro Systeme GmbH

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.

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.

Qualitatives Labeln von Maschinendaten beim Predictive Maintenance – Bild: PSI FLS Fuzzy Logik & Neuro Systeme GmbH

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.

Flexibel einsetzbare KI

Das ML-Tool Deep Qualicision ist Teil eines KI-Frameworks, das selbstständig KPI-basierte Zusammenhänge in Geschäftsprozessen erkennt. Die Auswertung der Geschäftsprozessdaten erfolgt mittels erweiterter Fuzzy-Logik und spezieller Clusterverfahren. Auf Basis gefundener Abhängigkeiten können Anwender schließlich passende Maßnahmen einleiten.

Strategisch instandhalten

Jeder Maschinenstillstand kostet Geld, jede Wartungs- und Instandhaltungsmaßnahme auch. Um hier eine tragfähige Balance zu finden, kann KI-gestützte Software einen wichtigen Beitrag leisten. Sie bietet Unternehmen eine datenbasierte Grundlage für den Einstieg und Betrieb einer integrierten Asset-Management-Strategie.

www.deepqualicision.de

Das könnte Sie auch Interessieren

Bild: Indu-Sol GmbH
Bild: Indu-Sol GmbH
Verschleiß dauerhaft überwachen, Schäden frühzeitig erkennen

Verschleiß dauerhaft überwachen, Schäden frühzeitig erkennen

Nicht nur Motoren und Pumpen sind in Produktionsanlagen dem Verschleiß unterworfen, sondern auch die Datenleitungen der Maschinen- und Anlagennetzwerke einschließlich der Kabel und Stecker. Dauernde Wechselbiegebeanspruchungen, Erschütterungen sowie Oxidation und Korrosion lassen der Alterung und dem Verschleiß ungehinderten Lauf. Doch während der mechanische Verschleiß mit den Sinnesorganen analog wahrnehmbar ist, macht sich der Verschleiß einer Datenleitung erst im Extremfall bemerkbar: dem Ausfall. Um dem entgegenzuwirken, sind intelligente managed Switches vonnöten, mit denen der physikalische Zustand der Datenleitung digitalisiert und somit sichtbar wird.

Bild: ©Chlorophylle/stock.adobe.com
Bild: ©Chlorophylle/stock.adobe.com
Steigendes Interesse an Ersatzteilmanagement auf Knopfdruck

Steigendes Interesse an Ersatzteilmanagement auf Knopfdruck

Volle Auftragsbücher und dennoch Sorgenfalten im mittelständischen Maschinen- und Anlagenbau aufgrund brüchiger Lieferketten, dazu Entlassungswellen und zunehmende Zurückhaltung bei Investitionen in junge Technologieunternehmen: Der Wind wird rauer. Zugleich aber zeigen vor allem junge B2B-Plattformanbieter wie PartsCloud auch in der Krise ein robustes Wachstum, da sie viele der aktuell im Fokus stehenden Herausforderungen adressieren.

Bild: Lünendonk & Hossenfelder GmbH
Bild: Lünendonk & Hossenfelder GmbH
Lühnendonk-Studie: Industrieservice-Unternehmen in Deutschland 2022

Lühnendonk-Studie: Industrieservice-Unternehmen in Deutschland 2022

Die zehn führenden Industrieservice-Unternehmen in Deutschland sind um 9,5 Prozent gegenüber dem Vorjahr gewachsen. Damit generieren die Marktführer ein noch stärkeres Wachstum als die 20 Unternehmen der Lünendonk-Liste, die im Durchschnitt um 6,6 Prozent gegenüber dem Vorjahr wuchsen. Diese Entwicklung ist u.a. auf Aufholeffekte nach dem pandemiebedingten Krisenjahr 2020 zurückzuführen, von dem der Industrieservice besonders stark betroffen war.