Maschinenausfälle wirken sich äußerst negativ aus
Der Ausfall einer Maschine verursacht nicht nur hohe Reparaturkosten. In Zeiten von Just-in-time und eng getakteten Produktionsprozessen ziehen Ausfälle mitunter ernst zu nehmende wirtschaftliche Schäden nach sich. Die Herausforderung besteht zudem darin, dass Störungen und Betriebsunterbrechungen zahlreiche verschiedene Ursachen haben können. Sie treten in aller Regel jedoch nicht spontan auf. Bereits deutlich vor dem eigentlichen Ausfall entstehen Anzeichen, die auf den Ernstfall hinweisen. Diese Signale zu empfangen und richtig zu interpretieren, ist die Aufgabe der vorausschauenden Wartung.
Vorausschauende Wartung ermöglicht Früherkennung
Die vorausschauende Wartung (Englisch Predictive Maintenance) nutzt künstliche Intelligenz in Form von Machine-Learning-Algorithmen, um Anzeichen für einen drohenden Ausfall sehr frühzeitig zu erkennen. Hierdurch haben Unternehmen die Möglichkeit, umgehend Maßnahmen zu ergreifen und einen Totalausfall zu verhindern. Das Kostensenkungspotenzial ist hierbei umfangreich. Doch wie funktioniert der Ansatz aus technischer Sicht im Detail?
Systeme für die vorausschauende Wartung benötigen Echtzeitdaten aus den Anlagen und Maschinen. Diese stammen aus externen oder internen Sensoren und werden mit den Daten aus der Maschinensteuerung kombiniert. Denn Letztere beheimatet das Bearbeitungsprogramm und somit die "Normalwerte" bzw. Sollwerte. Die Sensoren liefern hingegen Istwerte. Für den Abgleich ist schließlich ein Algorithmus erforderlich, der jedoch zunächst trainiert werden muss.
Systeme für die vorausschauende Wartung benötigen Echtzeitdaten aus den Anlagen und Maschinen. Diese stammen aus externen oder internen Sensoren und werden mit den Daten aus der Maschinensteuerung kombiniert. Denn Letztere beheimatet das Bearbeitungsprogramm und somit die "Normalwerte" bzw. Sollwerte. Die Sensoren liefern hingegen Istwerte. Für den Abgleich ist schließlich ein Algorithmus erforderlich, der jedoch zunächst trainiert werden muss.
"Anlernen" der KI als wichtiger Schritt
Der Machine-Learning-Algorithmus kann nur dann sinnvolle Ergebnisse liefern, wenn er im Vorfeld mit umfangreichen Trainingsdaten versorgt wurde. Ebenso müssen die Sensordaten bereits vor dem Training und dem späteren Betrieb aufbereitet werden, sodass sie der Algorithmus verarbeiten kann. Insbesondere bei einem kontinuierlichen Datenstrom stellt dies eine nicht zu unterschätzende Herausforderung dar. Doch auch die Abbildung der physisch vorhandenen Maschinen muss gelöst werden. Dies erfolgt mithilfe eines sogenannten digitalen Zwillings. Dieses virtuelle Abbild einer Anlage gibt Aufschluss über den aktuellen Status und über erkannte Normabweichungen.
