Predictive Maintenance: Künstliche Intelligenz hilft bei vorausschauender Wartung

Predictive Maintenance

Künstliche Intelligenz hilft Unternehmen bei der vorausschauenden Wartung (sogenannte Predictive Maintenance). Diese lebt von sehr vielen Daten, was den Einsatz von KI-Algorithmen nahelegt. Es gibt inzwischen relativ leistungsfähige Machine-Learning-Algorithmen für diesen Sektor.

Sinn der vorausschauenden Wartung

Es gibt die vorausschauende Wartung schon sehr lange. Unternehmen wechseln Verschleißteile an Maschinen schon einige Zeit vor demjenigen Verschleißzustand aus, der zu einem Stillstand führen würde. Wann dieser Zeitpunkt gekommen ist, resultiert aus Erfahrungen zu Laufzeiten und Belastungen. Wir alle wissen beispielsweise als Autofahrer, dass ein Motor vielleicht 300.000 km läuft. Wir wissen aber auch, dass ein und derselbe Motor – meinethalben ein 1,5 l Ottomotor mit 100 kW Leistung – durchaus sehr viel länger durchhalten oder auch etwas eher verschlissen sein kann. Das hängt von der Fahrweise und unter anderem auch der Menge an Kaltstarts, den mehr oder weniger regelmäßigen Inspektionen oder dem verwendeten Öl ab. Wenn wir nun den recht teuren Motor pünktlich beim Kilometerstand von 290.000 austauschen, um nicht bei Kilometer 300.000 mit einem Ausfall während der Urlaubsreise konfrontiert zu werden, haben wir möglicherweise eine teure Fehlentscheidung getroffen – möglicherweise hätte der Motor noch 50.000 bis 100.000 km durchgehalten. Eine Werkstatt kann aber Daten erheben und eine etwas genauere Prognose abgeben. Bei ständig laufenden Maschinen in Produktionsbetrieben sind solche Prognosen extrem wichtig. Mit ihnen lässt sich die Wartungsintensität optimieren: Predictive Maintenance wird dann durchgeführt, wenn sie wirklich nötig ist. Hierzu werten inzwischen KI-Tools die verschiedenen Daten aus und gleichen auch widersprüchliche Daten untereinander ab, um den realen Verschleiß zu ermitteln. Solche Widersprüche gibt es immer wieder: Wir haben unseren Motor beispielsweise über viele Jahre niemals bei extremer Kälte überfordert, das hat ihn geschont. Doch als er auf den letzten 100.000 km immer mehr Öl verbrauchte, das wir von Hand nachfüllten, verwendeten wir aus Unkenntnis eine suboptimale Ölsorte. Diese hat den Verschleiß beschleunigt. Daten zum Motor zeigen das an. KI-Algorithmen berechnen die Wahrscheinlichkeit eines Ausfalls nach 300.000, 320.000 oder 350.000 Kilometern.

KI-Implementierung für die Predictive Maintenance

Um Machine Learning anzuwenden, müssen an laufenden Maschinen Daten erhoben werden. Es gibt Produktionsbetriebe oder beispielsweise Kraftwerke, in denen Maschinen – im Gegensatz zu unserem Auto – jahrelang ununterbrochen laufen. Für die Datenerhebung sind die Maschinen zunächst während eines Wartungsstillstands mit Sensoren zu bestücken, welche die nötigen Daten sammeln: Reibungshitze, Vibration, Verschmutzungsgrad des Maschinenöls und weitere Indikatoren, die Rückschlüsse zum Verschleiß zulassen. Diese Daten müssen sortiert (inventarisiert) werden. Es gibt unter ihnen regelmäßige Daten wie die Temperatur bei bestimmten Drehzahlen oder zu den Zeitpunkten X, Y, Z, aber auch unstrukturierte Daten wie Bilder oder Audiosignale. Hinzu kommen statische Daten wie das Datum der ersten Inbetriebnahme oder der letzten Generalreparatur. Die Daten können gar nicht umfassend und vollständig genug sein. Die KI-Algorithmen lernen aus dem Abgleich der Daten, welche Veränderungen bei Messgrößen schon früher einem bedenklichen Verschleiß vorausgegangen sind. Das ist der entscheidende Unterschied zur vorausschauenden Wartung allein auf der Basis menschlicher Erfahrung: Die KI-Programme sagen an, dass der Motor vor seinem Maximalverschleiß stets bei 4.000 U/min durchschnittlich 0,5 °C wärmer wurde. Wenn diese Erhitzung nicht eintritt, kann er noch viel länger laufen. Unternehmen senken durch die KI-basierte Optimierung ihrer Wartungsintervalle deutlich die Kosten.

Leave a comment