Predictive Maintenance: Effizientere Instandhaltung mit künstlicher Intelligenz

Predictive Maintenance bedeutet „vorausschauende Wartung/Instandhaltung“. Das heißt, dass für jedes Verschleißteil eines Geräts oder einer technischen Anlage laufend abgeschätzt wird, wann die nächste Wartung notwendig ist. Diese Abschätzung beruft auf dem tatsächlichen Zustand des Bauteils – anstatt eine Wartung durchzuführen, wenn eine bestimmte Anzahl an Betriebsstunden oder an Laufleistung erreicht ist.

Beispielsweise würde das bedeuten, dass bei einem Fahrzeug das Motoröl nicht immer exakt dann getauscht wird, wenn 10 000 km erreicht sind, sondern dass laufend eine Messung verschiedener Qualitätsparameter des Öls (z.B. Konzentration verschiedener Fremdstoffe) durchgeführt und daraus abgeschätzt wird, wie lange es noch dauern wird, bis das Öl nicht mehr sicher verwendet werden kann.

Denken Sie nun an irgendein Gerät oder eine technische Anlage, die von Zeit zu Zeit gewartet werden muss, beispielsweise an eine Belüftungsanlage. Welche Bauteile müssen hier regelmäßig gewartet werden? Kugellager, Zahnräder, Antriebsriemen, Filter, … Vielfach ist es für einen erfahrenen Mitarbeiter, der genau diese Wartung schon oft durchgeführt hat, möglich aus dem Geräusch, den Vibrationen, der Wärmeentwicklung oder anderen Größen recht gut abzuschätzen, in welchem Zustand ein Verschleißteil denn gerade ist, wenn er sich die Sache genau genug ansieht.

Ein KI System für Predictive Maintenance funktioniert ganz ähnlich. Zuerst müssen jene Messgrößen identifiziert werden, die gleichzeitig gute Hinweise auf den Zustand eines Bauteils geben und ausreichend einfach messbar sind.

Welche Messwerte sich besonders eignen

• Vibrationen: Diese entsprechen im Wesentlichen den Geräuschen, die ein Gerät verursacht und sind dadurch ein sehr aussagekräftiges Maß für den Zustand.
• Stromaufnahme: insbesondere der Anlaufstrom (also jener Strom, den ein Elektromotor in den ersten Sekunden nach dem Einschalten verbraucht) kann ebenfalls wertvolle Informationen liefern
• Temperatur: Lufttemperatur, Temperatur einzelner Komponenten/ Bauteile eines Geräts, Temperatur von Flüssigkeiten, (Reibung!)
• Durchfluss von Gasen oder Flüssigkeiten durch Rohre
• Drücke, Differenzdrücke, …

Frühe Hinweise auf eine sich abzeichnende, nötige Wartung können manchmal nur in der gleichzeitigen Betrachtung unterschiedlicher Messgrößen erkannt werden.

Dann muss der Verlauf jener Größen, die als gut geeignet ausgesucht wurden, über den gesamten Lebenszyklus des Verschleißteils aufgezeichnet werden. Damit kann weiters ein neuronales Netz trainiert werden, das selbständig frühe Hinweise identifiziert, den typischen Verlauf der Messgrößen über den Lebenszyklus des Bauteils erlernt und daraus abschätzen kann, wann die nächste Wartung notwendig sein wird.

Das neuronale Netz beherrscht hiermit also Dinge, die den Fähigkeiten eines erfahrenen Mitarbeiters ähnlich sind. Doch im Gegensatz zu einem menschlichen Mitarbeiter, arbeitet die KI unermüdlich Tag und Nacht, verursacht im Betrieb nur geringe Kosten, und hat – wenn die Sensoren richtig angebracht sind – sozusagen feinere Sinnesorgane: Es kann also Vibrationen, Geräusche, Temperaturveränderungen, u.v.m. wahrnehmen, die einem Menschen verborgen bleiben.

Wie Sie konkret profitieren können

• Vermeidung ungeplanter Stillstände: Ungeplante Stillstände können ganz unglaubliche Kosten verursachen, beispielsweise wenn dadurch eine ganze Produktionslinie oder sogar eine gesamte Fabrik betroffen ist. Es ist also offensichtlich, inwiefern Predictive Maintenance weiterhelfen kann.
• Weniger Routine-Überprüfungen: Wenn solide Daten über den Zustand eines Geräts vorliegen, ist es möglich routinemäßige Überprüfungen und Kontrollen weit seltener durchzuführen. Das spart Arbeitszeit.
• Vermeidung unnötig früher Wartungsarbeiten: Wenn bekannt ist, in welchem Zustand sich ein Verschleißteil konkret befindet, ist es nicht nötig ein solches vorsorglich viel zu früh zu tauschen, um auf jeden Fall Schäden zu verhindern. Stattdessen kann ein solches Bauteil optimal bis zum Ende seiner Lebenszeit genützt werden. Neben der Kostenersparnis beim Material bedeutet das natürlich eine Reduktion der nötigen Arbeitszeit.

Predictive Maintenance vs. Anomalie-Erkennung

Nun wollen wir noch Predicitive Maintenance von einem anderen wichtigen Verfahren der angewandten KI abgrenzen, nämlich der Anomalie-Erkennung. Predictive Maintenance schätzt ab, wie lange ein Gerät noch betrieben werden kann, während eine Anomalie-Erkennung nur feststellt, dass es irgendeine Veränderung gibt, die möglicherweise auf einen Schaden hindeutet.

Sie möchten mehr erfahren?

Haben Sie Fragen zum Thema künstliche Intelligenz im Internet der Dinge? Oder einen spannenden Anwendungsfall?  Wir freuen wir uns, wenn Sie uns kontaktieren.