Predictive Maintenance – Anspruchsvolle Daten-Symphonie für die Instandhaltung
Damit Unternehmen mit Predictive Maintenance Instandhaltungskosten sparen und Maschinenstillstände verkürzen können, müssen Datenwissenschaftler das Zusammenspiel von Algorithmen, dem Datenmodell der Maschine und den von ihr gesendeten Messwerte intelligent orchestrieren. Wie das kluge Zusammenspiel gelingt.
Instandhalter sind die Zauberer der Fabrikhalle. Sie warten und reparieren Maschinen und Anlagen, bevor diese ausfallen. So verhindern sie teure Stillstände der Produktion. Wenn ihre Magie gut ist, wissen sie zudem, wie lange sie mit dem Austausch von Teilen und Komponenten warten können, bevor diese verschlissen sind. So halten sie die Kosten der Instandhaltung in Grenzen, da sie Ersatzteile nicht unnötig früh einbauen.
Künstliche Intelligenz (KI) und Predictive Maintenance können dieses Erfahrungswissen nicht ersetzen. Allerdings kombiniert es KI bei der vorausschauenden Wartung mit anderen Informationen. Dadurch kann sie belastbare Prognosen zum künftigen Verhalten und Verschleiß einer Maschine erstellen. Das gibt Instandhaltern die Sicherheit, dass ihre Zauberei funktioniert.
KI verkürzt Stillstandszeiten um ein Drittel
Wie eine aktuelle Studie der Technologieberatung Bearing Point zeigt, müssen Unternehmen, die auf Predictive Maintenance setzen, gut zehn Prozent weniger Ersatzteile vorhalten. Insgesamt sparen die Betriebe durch die KI-basierte Instandhaltung zudem bis zu 15 Prozent der Kosten für Wartungs- und Reparaturarbeiten. Die Zeiten, in denen ihre Maschinen und Anlagen stillstehen, verkürzen sich zugleich um ein Drittel, ermittelten Analysten der Unternehmensberatung McKinsey in einer weiteren Studie.
Predictive-Maintenance-Lösungen erreichen diese Produktivitätsgewinne mit Hilfe von Machine Learning – einer Form der KI, bei der Algorithmen Zusammenhänge in den beim Betrieb einer Maschine gemessenen Werten zu Vibrationen, Geräuschentwicklung, Öltemperatur oder Stromverbrauch erkennen. Aus diesen Mustern leiten sie ab, in welchem Zustand sich die Geräte und ihre Bauteile befinden, ob sie die von ihnen erwarteten Produktionsergebnisse liefern und wie lange sie dies noch tun werden.
Predictive Maintenance setzt ein gutes Datenmodell voraus
Damit dies funktioniert, entwickeln Datenwissenschaftler bei der Erstellung eines Predictive-Maintenance-Systems für eine bestimmte Maschine neben mehreren Algorithmen ein Modell, (LINK zu Teil 1 der Miniserie) das den idealen Zustand und das optimale Verhalten des Geräts abbildet. Diese Informationen vergleichen Algorithmen mit den beim Betrieb der Maschine erhobenen Daten zu ihrem Zustand und ihrer Leistung. Sie erkennen dabei auch, ob sich mögliche Abweichungen vom Sollzustand graduell oder sprunghaft, schnell oder allmählich verändern.“ Durch diesen Abgleich lässt sich der Verschleiß einer Maschine mit Hilfe von KI so gut verstehen, dass Prognosen darüber möglich werden, wann das Gerät gewartet oder Teile ausgetauscht werden müssen, bevor sie ausfallen.
Künstliche Intelligenz lernt ständig dazu
Das für eine Predictive-Maintenance-Lösung entwickelte Datenmodell beschreibt aber nicht nur den idealen Zustand und das gewünschte Verhalten einer Maschine. Es enthält auch die Regeln, nach denen die genutzten Algorithmen eingehende Messwerte miteinander verknüpfen und verarbeiten. Da KI lernfähig ist, kann sie diese Rechenregeln allerdings verändern, um bessere Ergebnisse zu erzielen. Das tut sie beispielsweise, wenn sie erkennt, dass ihre Prognosen genauer werden, wenn sie die vom Modell für eine Vorhersage geforderten Parameter um einen oder mehrere weitere Werte ergänzt. Denn die Prognosen der KI fallen umso belastbarer aus, je genauer sie den Einfluss einzelner Faktoren und deren Ausprägung in Bezug zum Verschleiß setzen kann.
Entscheidungsfindung im Daten-Wald
Welche Zusammenhänge genau KI dabei herstellen kann, hängt von der Gestaltung des als Referenz dienenden Datenmodells ab. So bestimmen die Algorithmen in einem Klassifizierungsmodell, um welchen Fehler es sich handelt, wenn die beim Betrieb einer Maschine gemessenen Werte von den im Modell als optimal hinterlegten Daten abweichen.
Die Klassifizierung können sie auf unterschiedlichen Wegen vornehmen. So kann ein Algorithmus beispielsweise einen Entscheidungsbaum bilden. Dabei analysiert er von der Maschine übermittelte Daten, mit Hilfe von im Modell hinterlegten Wenn-Dann-Regeln. So entsteht Schritt für Schritt ein „Baum“, mit den eingehenden Messwerten als Stamm, den einzelnen Beurteilungsvorgängen als dessen Verzweigungen bis hin zur endgültigen Entscheidung für einen Fehlertyp, die den „Entscheidungsast“ wie ein Blatt abschließt. Um bei diesem Verfahren mögliche Fehler auszuschließen, wurde es in Form des sogenannten „Random Forest“ optimiert. Dabei bildet KI mit den selben eingehenden Daten mehrere Entscheidungsbäume. Die endgültige Klassifikation des Fehlers ist das Ergebnis, zu dem die Mehrzahl der Entscheidungsbäume gelangt.
Gewusst wie, gewusst wann
Wenn zu der so identifizierten Schwachstelle im Zustand oder Verhalten der Maschine in dem von der Predictive-Maintenance-Lösung genutzten Datenmodell Informationen dazu hinterlegt wurden, mit welcher Wahrscheinlichkeit der Fehlertyp zu einem Ausfall des betroffenen Bauteils führen und in welchem Zeitfenster das passieren wird, gibt das System eine entsprechende Warnung aus. Instandhalter können Arbeiten an der Maschine dann so planen, dass sie vor dem Ausfall der entsprechenden Komponenten zu einem Zeitpunkt stattfinden, an dem sie die Produktions- und Betriebabläufe möglichst wenig stören. Da schon vor Beginn der Maßnahmen bekannt ist, welche Ersatzteile benötigt werden, lassen sich diese zudem rechtzeitig bestellen.
Regressionsmodelle berechnen, wann eine Komponente nicht mehr brauchbar ist
Mit einem Regressionsmodell können Instandhalter ihre Arbeit sogar noch exakter planen. Denn dieses liefert ihnen eine erheblich genauere Prognose darüber, wie lange sich eine Komponente ab dem Zeitpunkt noch nutzen lässt, zu dem Sensoren erstmals Messwerte übertragen, die vom definierten Sollzustand oder –verhalten der Maschine abweichen. Datenwissenschaftler stellen dies in der Regel mit sogenannten P-F-Kurven dar. Dabei definieren sie „P“ als den Zeitpunkt, zudem die Sensoren in der Maschine erstmals ungewöhnliche Daten übermitteln und „F“ als den Punkt, ab dem die entsprechende Komponente nicht mehr die für einen reibungslosen Betrieb oder die Fertigung von Produkten in der gewünschten Qualität benötigte Leistung bringen wird. Das dazu erforderliche „Wissen“ über den Verlauf des Verschleißes bezieht der genutzte Algorithmus anfänglich aus dem Datenmodell. Mit der Zeit wird er allerdings zunehmend die Ergebnisse seiner eigenen Berechnungen nutzen – sofern diese durch den tatsächlichen Ausfall der entsprechenden Komponente oder durch eine Bestätigung seiner Prognose im Zuge durchgeführter Instandhaltungsarbeiten als richtig bestätigt werden.
Datenmodelle für die Predictive Maintenance wollen dauerhaft gepflegt werden
Das Training eines Algorithmus endet somit im Grunde nie. Schließlich sind die zeitlich jüngsten Daten für die Qualität der von ihm erstellten Prognosen immer die wichtigsten. Diese müssen daher im genutzten Datenmodell kontinuierlich nachgehalten und gepflegt werden. Meist erledigen diese Aufgabe die Kollegen aus der Instandhaltung. Da sie aber keine Datenwissenschaftler sind, kann von ihnen kaum erwartet werden, die benötigte Datenqualität zu gewährleisten. Unternehmen müssen daher nicht nur für die Einführung einer Predictive-Maintenance-Lösung Geld in die Hand nehmen, sondern auch für die dauerhafte Pflege des einmal erstellten Datenmodells. Dann entfaltet die KI-basierte Instandhaltung ihre volle Magie.
