Predictive Maintenance: So funktioniert vorausschauende Wartung mit KI

Die Digitalisierung soll uns dort unterstützen, wo die Technik einfach besser ist als der Mensch, damit wir uns auf andere Dinge fokussieren können. In der vorausschauenden Instandhaltung von Maschinen tut Künstliche Intelligenz genau das: Sie erkennt und informiert rechtzeitig, bevor eine Reparatur zu kostspielig wird. Damit verringern sich Ausfallzeiten und Kosten. In diesem Artikel beschreiben wir, wie Wartungen und Instandsetzungen mittels Prognosen einer beobachtenden KI realisiert werden können.

Begriffsdefinitionen

Für ein besseres Verständnis ist eine Erklärung einiger grundlegender Begriffe erforderlich. Künstliche Intelligenz (KI) oder auch Artificial Intelligence (AI) beschreibt Technologien, die es Computern ermöglichen, bei der Analyse von Daten menschliches Handeln nachzubilden und sich den Inhalten und Strukturen von großen Datenmengen anzupassen. Ein Teilbereich der KI ist das Machine Learning, bei dem Computer Lernfähigkeiten vermittelt werden, ohne dass diese dafür programmiert werden müssen. Beim maschinellen Lernen entwickelt das Rechensystem Algorithmen, die mit zunehmender Datenmenge verbessert werden. Ein weiterer Teilbereich ist das Deep Learning. Hierbei werden mit neuronalen Netzen große Datenmengen erlernt (Big Data). Diese drei Teilbereiche werden unter dem Themenfeld der Data Science zusammengefasst – der Wissenschaft, mit Daten zu arbeiten und und zu interagieren.

Strategien der Instandhaltung

Eines der Ziele beim Betreiben einer technischen Einrichtung ist es, diese funktionsfähig zu halten. Im zeitlichen Verlauf des Betriebs kann der Zustand von einem positiven in den negativen Bereich wandern. Dies hat zur Folge, dass die Maschine gewartet oder repariert werden muss. Dieser Zyklus wiederholt sich im Laufe der Zeit immer wieder. Das spezielle Ziel ist es nun, einen Bereich zu identifizieren, in dem die Anlage noch funktioniert, aber kurz davor ist, nicht mehr ausreichend zu funktionieren. Es wird also im richtigen Moment repariert, sodass die Maschine sich wieder im positiven Bereich befindet.

Die Instandhaltung (Maintenance) zerfällt in die Teilbereiche Instandsetzung, Inspektion, Wartung und Verbesserung. Hieraus ergeben sich Instandhaltungsstrategien wie z. B. die korrektive Instandhaltung nach einem Ausfall oder die präventive Instandhaltung zur Abwendung drohender Ausfälle. Die Predictive Maintenance, um die es hier geht, ist eine durch KI vorhergesagte Instandhaltungsmaßnahme. Bei dieser unterscheiden wir zwischen der zeitbasierten Instandhaltungsmaßnahme innerhalb vordefinierter Zeitfenster und der zustandsorientierten Instandhaltung. Bei letzterer wird laufend der aktuelle Zustand überwacht und bei Bedarf eine Wartung initiiert. Bei der Predictive Maintenance wird versucht zu prognostizieren, wann ein kritischer Zustand eintritt. Hier setzt die Künstliche Intelligenz an.

Die Unternehmen sind im Zuge der digitalen Transformation verpflichtet, in KI zu investieren, damit Predictive Maintenance stattfinden kann. Hier gilt es abzuwägen, ob die Investition in Künstliche Intelligence das Vermeiden von ungeplanten Ausfallzeiten und die damit verbundenen finanziellen Auswirkungen auffangen kann. KI ist mit hohem Erstaufwand verbunden, d. h. es ist viel Vorarbeit nötig, damit die KI-gestützte Anlage später effizient und ausfallsicher arbeiten kann.

Vorausschauende Instandhaltung

Im zeitlichen Verlauf eines eintretenden Defektes einer Maschine oder Anlage gibt es verschiedene Zeitpunkte. Neben dem optimalen Lauf ohne jegliche Einschränkungen tritt auch irgendwann der Zeitpunkt ein, in dem erste Defekte in verschiedenen Abstufungen auftreten, in dem die Maschine noch läuft, aber eine Wartung angesetzt werden sollte. Im weiteren Verlauf mehren sich die Defekte, bis die Anlage nicht mehr produktiv arbeiten kann. Hier gilt es nun, passende Zyklen der Instandhaltung zu finden. Zu häufige Wartungen, in denen erfahrungsgemäß noch keine Defekte zu verzeichnen sind, bringen kaum Nutzen, sondern kosten nur Geld. Im Optimalfall sollten Wartungen angesetzt werden, in denen vorausschauend erste Fehler erkannt werden, die aber noch nicht zum Produktionsausfall führen. Hier bringen Instandhaltungen den besten Nutzen. Wenn es fast zu spät ist und umfangreiche Reparaturen notwendig werden, treiben diese die Kosten wiederum in die Höhe.

Mit Predictive Maintenance wollen wir Folgendes erreichen: instandhalten statt instandsetzen! Wir wollen Wartung und Verbesserungen betreiben und dabei nicht die einzelne Maschine analysieren, sondern die unternehmensweiten Zusammenhänge betrachten, um vorausschauend warten und instandsetzen zu können. Hierbei kann Predictive Maintenance folgende Fragen beantworten:

- Läuft die Maschine normal? Hier geht es darum, Anomalien zu erkennen und Fehler zu klassifizieren.
- Wie lange wird die Maschine noch laufen? Hier werden definierte Fehler erkannt und die Lebenszeit des nutzbringenden Betriebs der Anlage festgelegt.
- Warum läuft die Maschine normal? Hier werden der Zustand der Maschine überwacht und Ursachen analysiert.

Für die Beantwortung der dritten Frage werden Sensordaten aller Art benötigt: Druck, Temperatur, Vibration oder auch Kamerabilder. Des Weiteren werden Predictive-Maintenance-Algorithmen eingesetzt, um Vorhersagemodelle mit den Sensordaten zu trainieren. Und nicht zuletzt brauchen wir eine vernetzte Infrastruktur, mit der die entstandenen Datenmengen transportiert werden können, etwa eine Cloud.

Dies führt uns zu folgenden Tätigkeiten, die für Predictive-Maintenance-Prozesse erforderlich sind:

- Messen
- Berechnen
- Agieren

In der Phase des Messens müssen wir unsere Maschine mit den entsprechenden Sensoren ausstatten. Anschließend müssen diese Informationen gespeichert und durch eine KI-Anwendung analysiert werden, um daraus in Zyklen und aus neu hinzugewonnenen Erkenntnissen zu lernen und entsprechende Aktionen abzuleiten. Unter „Agieren“ verstehen wir eine Wartung, auf die uns die KI hinweist, bevor die Maschine einen kritischen Bereich erreicht. Erst durch diesen Zyklus kann die Maschine besser werden – durch Künstliche Intelligenz, die uns dabei unterstützt, die Daten zu analysieren.

Das Predictive-Maintenance-Modell

Das PdM-Modell besteht aus drei Phasen:

- Datenerfassung
- Datenverarbeitung
- maschinelles Lernen

Beim maschinellen Lernen identifizieren wir Features und trainieren den KI-Algorithmus. Das Ganze endet mit der Bereitstellung und Integration im Unternehmen.

Die erfassten Daten der Sensoren sind Echtzeitdaten im Live-Betrieb. Daneben gibt es auch eine Datenhistorie sowie analytische Daten, die auf der Fragestellung beruhen: „Ich möchte verstehen, warum etwas nicht funktioniert." Daraus werden die Vorhersagedaten generiert. Hinzu kommen Änderungsdaten, die aus Erfahrungen aus der Vergangenheit (den historischen Daten) zu Änderungen am Gesamtsystem führen, weil man möchte, das künftig etwas anders als bisher funktionieren soll.

Die Erkenntnisse, aus denen diese Änderungen resultieren, müssen in einem letzten Schritt zurück an die Maschine gebracht werden. Hier gibt es eine weitere Unterscheidung zwischen Edge und Cloud, d. h. die Modifikationen müssen entweder am Gerät selbst oder in einer Cloud abgelegt und so der Maschine zugänglich gemacht werden.

Praxisbeispiel

In einem Video zeigen wir ein Praxisbeispiel. Es handelt sich um ein Datenset der NASA, in dem Raketenantriebe gewartet werden sollen. Die Herausforderung dabei war, keine zu häufigen und daher kostenintensive Wartungen anzusetzen, aber auch keine bestandsgefährdenden Ausfälle durch zu späte Wartungen entstehen zu lassen. Für diese Aufgabe wurden auf einem Notebook Python-Scripts ausgeführt und neuronale Netze integriert.

Titelbild: © Blue Planet Studio; adobe.stock.com