Aus diesem Grund setzen die Maschinenbauer auf regelmäßigen Service, der sicher stellen soll, dass die Maschinen laufen, Qualität und der Durchsatz stimmen. Regelmäßige Wartungsintervalle sind jedoch personalintensiv – wobei es nicht immer leicht ist, entsprechend qualifiziertes Personal überhaupt zu finden. Und nicht jeder Wartungseinsatz ist erforderlich: Läuft die Maschine problemlos, war der Besuch des Servicetechnikers im Grunde reine Zeitverschwendung.
Serviceintervalle reduzieren
In der Vergangenheit waren regelmäßige Serviceintervalle unverzichtbar – und dennoch keine Garantie, dass eine Maschine nicht doch plötzlich stillsteht. Denn selbst für hochqualifiziertes Personal war nicht jeder sich bereits ankündigende Ausfall erkennbar.
Hier kommt nun künstliche Intelligenz ins Spiel. Mit Hilfe von Sensoren lassen sich Maschinen kontinuierlich überwachen (Predictive Maintenance). Dabei entstehen große Datenmengen, die viel über den Gesundheitszustand der Maschine oder auch einzelner Bauteile verraten können. Lässt man nun die Daten der Sensoren durch eine KI auswerten, lassen sich mögliche Ausfälle schon lange im Voraus vorhersehen. Das bedeutet sowohl für den Hersteller als auch den Nutzer eine Win/Win-Situation: Ungeplante Ausfälle treten trotz Reduktion der Serviceintervalle nicht mehr auf.
Die meisten zurzeit auf dem Markt befindlichen KI-Lösungen benötigen jedoch viel Rechenkapazität und sind auf eine kostspielige leistungsfähige Netzwerkinfrastruktur angewiesen. Die Sensordaten werden dabei über das Netzwerk übertragen, auf zentralen Servern oder in der Cloud ausgewertet und anschließend wird das Ergebnis zurückgesendet. Das kostet nicht nur Zeit, sondern wirft auch die Frage der Datensicherheit auf. Natürlich ist es ein verständliches Herstellerinteresse, auf diese Daten zu zugreifen – ob die Kunden, die die Maschinen einsetzen, jedoch wollen, dass möglicherweise sensible Prozessdaten über das Internet übertragen werden, sei dahingestellt.
KI-Lösungen müssen nicht aufwändig und teuer sein
Mit modernen, und dennoch kostengünstigen Sensoren lassen sich mittlerweile Daten im Gigasample-Bereich erfassen. Bei dieser Datenmenge – es geht hier schnell um ein Volumen von mehreren Terabyte, besonders wenn die Daten mehrerer Maschinen ausgewertet werden sollen – ist eine Übertragung im Netzwerk kaum noch möglich, selbst bei direkter Glasfaserverkabelung. Deshalb ist es nicht nur geschickter, sondern auch deutlich kostengünstiger, die Datenauswertung direkt vor Ort im Gerät durchzuführen.
Eine solches, lokales Monitoring ist jedoch erst seit wenigen Jahren möglich. Die steigende Rechenkapazität selbst kleinster Halbleiter macht es möglich, Sensor und KI direkt auf einer kleinen, den Einbauort angepassten Platine unterzubringen. Der Sensor sendet seine Daten dann nicht mehr über das Netz, sondern direkt an die KI auf der gleichen Platine. Die KI ’schaut‘ sich jeden einzelnen Datenschnipsel im Arbeitsspeicher (RAM) an, wertet ihn aus und verwirft die Rohdaten des Sensors anschließend. Nur die Auswertungsergebnisse werden übergeben – im einfachsten Fall durch eine Lampe am Gerät, die im Fall eines auftretenden Fehlers rot leuchtet. Oder der Service wird direkt darüber verständigt, dass ein Bauteil oder das gesamte Gerät in einer bestimmten Zeitspanne einen Fehler aufweisen wird. Der Service kann nun erforderliche Ersatzteile bestellen und mit dem Kunden einen Wartungstermin planen, der die Produktion nicht beeinträchtigt.
Solche lokalen KI-Systeme werden als Embedded-KI bezeichnet. Aufgrund der systembedingten Ressourcenbeschränkung sind solche Systeme vergleichsweise kostengünstig, ohne dabei an Robustheit einzubüßen. Sie verursachen keine Folgekosten, wie sie durch eine Netzwerkinfrastruktur entstehen und sind darüber hinaus echtzeitfähig, wodurch sie auch in sicherheitskritischen Umgebungen zum Einsatz kommen können.
Einsatzmöglichkeiten für Embedded-KI
Auch wenn die Einsatzmöglichkeiten für Embedded-KI nahezu unbegrenzt sind, soll hier eine (kleine) Auswahl potenzieller Use Cases vorgestellt werden:
In Motoren können Antriebswellen mit Hilfe von Ultraschallsensoren überwacht werden. Treten im Ultraschallbild Anomalien auf, die auf einen möglichen Ausfall hindeuten, wird dies von der KI erkannt.
Pumpen und Schläuche lassen sich ebenfalls mit KI überwachen – frühzeitig wird so sichtbar, ob beispielsweise ein Schlauch Risse bekommen wird. Die KI kann sogar detektieren, ob z.B. das Originalwaschmittel oder ein Substitut durch den Schlauch fließt.
- Achsen und Dämpfer können z.B. mittels Druck-, Vibrations- oder auch Schallsensoren überwacht werden
- Verschleiß von Transportbändern kann frühzeitig mittels Spektrographie erkannt werden
- Überwachung von Hauptausfallkomponenten und oder Verschleißteilen in Maschinen
- Überwachung von Kühlsystemen und Heizelementen
Ausfallgarantie trotz weniger Service
Für den Service bedeutet Predictive Maintenance, dass Serviceintervalle reduziert und unnötige Besuche vermieden werden können und die Planung von Wartungsarbeiten deutlich flexibilisiert werden kann. Maschinenhersteller können mit weniger Servicepersonal eine hohe Ausfallsicherheit garantieren.
Diese neuen Möglichkeiten der vorausschauenden Wartung erschließen ganz nebenbei weitere Potenziale für den Maschinenbauer. Neben der Servicereduktion kann nicht nur Ausfallsicherheit garantiert werden; dieses Szenario eignet sich auch zur Erschließung eines neuen Geschäftsmodells: Maschinen vermieten, anstatt sie zu verkaufen. Das Interesse an Obsoleszenzen sinkt, weil für den Hersteller eine möglichst lange Lebenszeit zum Marktvorteil wird. Auch für den Kunden bringt das Vorteile: die Maschinenbeschaffung wird nicht zur umfangreichen Einmalinvestition und belastet die Liquidät weniger.
Gerade in Zeiten des Personalmangels und der Nachhaltigkeitsbestrebungen können Maschinenbauer mit Embedded-KI gleich mehrere Fliegen mit einer Klappe schlagen und sich einen weiteren USP aufbauen. So werden sie langfristig zu verlässlichen Partnern und grenzen sich gleichzeitig gegen Massenprodukte, beispielsweise aus Asien, ab.
