KI in der Instandhaltung: „Man muss langsam anfangen, wie beim Joggen“
Je besser und effizienter Maschinen und Anlagen funktionieren und bedient werden, desto wirtschaftlicher können Fertigungsunternehmen arbeiten. Aber das wiederum hängt ganz und allein von der Anlagenverfügbarkeit ab, die ebenfalls nur mit einer funkionierenden Instandhaltung sichergestellt werden kann. KI- und Machine Learning-Verfahren können hier helfen und ganz konkrete Mehrwerte schaffen. Predictive Analytics und Predictive Maintenance können die ersten konkreten Schritte dahin sein.
Durch die zunehmende Digitalisierung von Business-Prozessen aller Art sehen sich Unternehmen heute zahlreichen neuen Herausforderungen gegenüber. Mit die wichtigsten Anforderungen in diesem Kontext betreffen Verfügbarkeit, Sicherheit und Effizienz von Maschinen und Anlagen zu. Parallel aber wollen oder müssen die Unternehmen ihre Instandhaltungskosten senken. Einen Ausweg aus diesem Dilemma sehen viele Experten im Einsatz von KI im Instandhaltungsbereich. André Panné, Geschäftsführer Rodias GmbH, kann das bestätigen: „Verfügbarkeit, Sicherheit und Effizienz sind das Ergebnis von gut funktionierender Instandhaltung. Damit lautet die Antwort: eigentlich ja. In der Realität erleben wir aber, dass gerade die Instandhaltung – jenseits von schicken kleinen prototypischen Projekten – nicht in die Budgetplanung für KI-Projekte einbezogen wird.“ Die Instandhaltungs-IT lebe traditionellerweise auf einer Insel – wenig bis gar nicht verbunden mit der Produktion.
Produktionsausfall mit KI-Lösungen vermeiden
Hier gilt es also für Spezialisten wie Rodias zunächst einmal mit einem Change Management-Ansatz den Betroffenen die derzeitige Situation zu verdeutlichen und Wege aus diesem Silodenken zu finden. Die technischen Lösungen, um die Instandhaltungs-IT und OT-Welt mit KI zu verbessern, sind vorhanden, aber „die dafür notwendige Denke leider noch nicht“ (Panné). Doch ungeplante Stillstände und ein damit einhergehender ungeplanter Produktionsausfall können mit KI-Lösungen vermieden werden.
„Denn je nach Branche verursachen solche Zwischenfälle oft Kosten von mehreren Tausend Euro pro Stunde“, sagt Guido Reimann, VDMA, Software und Digitalisierung. „Mit einem datenbasierten Ansatz und einer permanenten Überwachung der kritischen Komponenten kann eine Wartung zielgerichteter durchgeführt und unvorhergesehene Ausfälle deutlich reduziert werden.“ Dazu kommen eine erleichterte Bedienerführung oder Assistenzfunktionen beim Einrichten einer Maschine oder Anlage auf Basis von KI-Lösungen, „um somit Rüstzeiten und unnötigen Ausschuss zu vermeiden“ (Reimann). Allerdings könne der Weg zu einer prädiktiven Wartungslösung auch mit Stolpersteinen gepflastert sein. Selten führe der erste Versuch schon zu einer fertigen Lösung, so Reimann weiter.
„Künstliche Intelligenz mit Beitrag zur verbesserten Wettbewerbsfähigkeit“
Herkömmliche Instandhaltungskonzepte – wie etwa Anlagenwartungen, die nur dann erfolgen, wenn eine bestimmte Anlage bereits defekt ist – sind nicht mehr zeitgemäß und wettbewerbsfähig, dazu, so Stephan Bloehdorn, Associate Partner Industrial Sector & Practice Lead AI, IBM Consulting: „Die Fertigungsindustrie ist ganz besonders vom globalen Wettbewerb geprägt. Daraus ergeben sich steigende Anforderungen wie verbesserte Durchlaufzeiten und eine stärkere Flexibilisierung der Produktionsabläufe – selbstverständlich unter Sicherstellung einer herausragenden Produktionsqualität. In all diesen Bereichen kann Künstliche Intelligenz einen signifikanten Beitrag zur verbesserten Wettbewerbsfähigkeit leisten.“
„Predictive Maintenance mit KI signifikant verbessern“
KI-Konzepte, die im Bereich moderner Instandhaltung immer häufiger als Königsweg gesehen werden, sind einmal das der sogenannten ‚Predictive Maintenance’, also der vorausschauendem Instandhaltung, und das der Predictive Analytics. M.Sc. Nils Thielen, Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik, Friedrich-Alexander-Universität Erlangen-Nürnberg, kann dies bestätigen: „Insbesondere wenn eine vorausschauende Instandhaltungsstrategie angestrebt wird, lohnt es sich KI in Betracht zu ziehen. Ein gutes Vorhersagemodell erlaubt es – zumindest in der Theorie – nicht nur den aktuellen Zustand der Anlagen zu berücksichtigen, sondern auch die Arbeit, die an dieser noch geplant ist. Somit könnte der Abnutzungsvorrat der Anlage soweit wie möglich aufgebraucht werden, ohne zu einem Ausfall zu führen.“
Rodias-CEO Panné gibt hier zu bedenken: „Zunächst einmal sind Predictive Analytics und Predictive Maintenance keine zwei Prägungen. Predictive Analytics ist der Oberbegriff oder das Verfahren, das man auch auf viele andere Anwendungsgebiete anwenden kann. Predictive Maintenance basiert auf Predictive Analytics. Dieser Ansatz ist auch keine große neue Erfindung, auch wenn er durch den Einsatz KI nochmals signifikant verbessert werden kann.“
„Menschliche Entscheidungen besser vorbereiten und sicherer treffen“
KI-Methoden, speziell Maschinelles Lernen, ermöglichen es also heute schon, das Verhalten und das Zusammenspiel der Glieder in dieser Kette viel präziser als früher abzubilden. „Damit können die menschlichen Entscheidungen besser vorbereitet und sicherer getroffen werden, weil vom KI-System aus der Vielfalt der möglichen Handlungen nun die allerbesten mit Priorität vorgeschlagen werden können“ sagt Markus Ahorner, Geschäftsführung und Technical Direction Ahorner & Innovators GmbH. „Zum Teil werden diese Entscheidungen sogar automatisiert.“ Entgegen der Befürchtung der KI-Skeptiker wird der Mensch dabei aber nicht arbeitslos, ganz im Gegenteil. Die Maschine ermögliche es ihm, besser und zielgerichteter zu arbeiten als bisher. Und selbstverständlich kann KI in diesem Kontext auch zu einem Mittel gegen den immer stärker drohenden Fachkräftemangel avancieren.
Auch Guido Reimann sieht ganz klar die Vorteile von KI in der Instandhaltung: „Mit einer kontinuierlichen Analyse von Sensorwerten an den Maschinen- und Anlagen erhält der Maschinenbetreiber ein viel genaueres Bild über den Zustand seiner Anlage.“ In diesem Fall kann der Instandhalter bei einer ausreichenden Anzahl von Daten und Maschinenausfällen auch Machine Learning- oder KI-Verfahren nutzen, um die Wartungsintervalle bedarfsgerecht und prädiktiv zu bestimmen. Positiver Nebeneffekt: Durch eine Kooperation zwischen Betreiber und Maschinenhersteller könnten bei der Erstellung der KI-Algorithmen auch Erfahrungen von anderen eingesetzten Maschinen des gleichen Herstellers berücksichtigt werden.
„Die Einsatzszenarien sind vielfältig“
Was kann KI heute schon in der Instandhaltungs-Praxis leisten kann, weiß Stephan Bloehdorn von IBM: „Die Einsatzszenarien sind vielfältig. Der englische Konsumgüterhersteller Reckitt hat zum Beispiel mit IBM Consulting und dem Technologiepartner Microsoft Azure eine ‚Factory auf the Future’ aufgebaut, in der Datenanalyse und KI unter anderem die Grundlage für eine Reduktion der Instandhaltungskosten um 10 Prozent bilden.“ Niels Thielen von der Friedrich-Alexander-Uni Erlangen-Nürnberg ergänzt: „In der Praxis bauen bereits vorhandene Lösungen auf Assistenzsystemen auf. So können Empfehlungen für einen Reparatur- oder Wartungszeitpunkt gegeben werden. Dafür können unterschiedliche Daten genutzt werden, wie beispielsweise der Körperschall von Werkzeugen.“ Die Entscheidung, ob die Maßnahme tatsächlich umgesetzt werde, liege aber meist noch beim Menschen. Eine weitere Möglichkeit in diesem Zusammenhang könnte sein, dass eine KI-Anwendung im Fehlerfall in historischen Daten ähnliche Events in der Vergangenheit sucht und die entsprechende Lösung angibt.
Mit Condition Monitoring auf die KI-Reise
„KI oder Machine Learning ist in verschiedenen Einsatzbereichen des Maschinenbaus schon Realität“, so VDMA-Mann Reimann. Nach Expertenmeinung leisten KI und algorithmische Ansätze heute in Maschinen und Anlagen, die im Dauerbetrieb kontinuierlich Daten liefern, sehr erfolgreich Beiträge zur Anlagenverfügbarkeit und zur vorbeugenden Instandhaltung. „Manchmal sind Unternehmen noch nicht soweit, dass gleich ein neuronales Netz eingesetzt wird“, so André Panné. Manchmal bedient man sich im Unternehmen noch des ganz natürlichen neuronalen Netzes des Anlagen- oder Maschinenführers. Und zwar, indem man über Condition Monitoring zunächst einmal die wichtigsten Daten sichtbar macht, dazu nochmal André Panné: „Das ist oft auch der charmanteste Ansatz, sich auf die KI-Reise zu begeben.“ Dadurch baue man Ängste und Vorbehalte ab und schaffe den Zugang zu den Daten, die man im Nachgang mit KI verwerten könne.
So umgesetzt hat Rodias das zum Beispiel bei der Firma Hans G. Hauri KG Mineralstoffwerke, die einen Kalkschachtofen betreiben. Wenn bei Hauri kritische Bauteile ausfallen, wird das sehr teuer. Daher hat es sich für die Verantwortlichen gerechnet, die Anlage über ein Condition Monitoring zu überwachen. „Der nächste Schritt wäre nun“, so Panné, „über die gesammelten Daten hinweg eine KI laufen zu lassen, um noch mehr Datendetails und Auffälligkeiten auswerten zu können. Man muss langsam anfangen, wie beim Joggen.“
Markus Ahorner, Geschäftsführung und Technical Direction, Ahorner & Innovators GmbH
André Panné, CEO, Rodias GmbH
Guido Reimann, Referent Software und Digitalisierung; Koordinator Kompetenznetzwerk Künstliche Intelligenz, VDMA
