predictive-maintenance

Predictive Maintenance oder Warum ist das schon wieder kaputt?

Maschinen fallen aus und Produkte gehen kaputt. Im neusten Bericht “The True Cost of Downtime” hat das Unternehmen Senseye 72 internationale Industrieunternehmen zum Ausfall ihrer Maschinen befragt. Das Ergebnis: die Unternehmen verlieren im Durchschnitt 323 Produktionsstunden im Jahr durch Maschinenausfälle. Die dadurch entstehenden Kosten für Leerlaufzeiten der Mitarbeitenden, Maschinenneustarts sowie Umsatzausfälle liegen bei durchschnittlich 532.000 US-Dollar pro Stunde. Eine Lose-Lose-Situation, denn Maschinenausfälle sind nicht nur extrem teuer, zudem kommt es dadurch auch zu Lieferengpässen oder gar verspätete Lieferzeiten, alles zum Ärgernis der eigenen Kunden. Wie hilfreich wäre es da, wenn man vorhersagen könnte, wann eine Maschine oder ein Produkt kaputt geht? Diese für Unternehmen durchaus gewinnbringende Vorstellung kann mit Hilfe von künstlicher Intelligenz (KI) in die Praxis umgesetzt werden, nämlich mit Predictive Maintenance.  

Wie genau funktioniert Predictive Maintenance?

Zunächst erlernt eine KI mit Hilfe eines maschinellen Verfahrens, welche Signale auftreten, bevor eine Maschine oder ein Produkt ausfällt. Ein Beispiel: in einem Sägewerk steht eine Bandsäge, an der ein Sensor angebracht wird, welcher die Schwingungen der Säge aufzeichnet. Diese Daten werden anschließend der KI übergeben, wodurch diese erlernt, wie die üblichen Schwingungsmuster der Säge sind. In der Anwendung ist die KI damit in der Lage ein Warnsignal zu geben, sobald die Säge ungewöhnliche Schwingungsmuster aufweist. Daraufhin kann ein Mechaniker diese überprüfen und feststellen, ob die Säge gewartet oder das Sägeblatt ausgetauscht werden muss. 

Der Vorteil liegt auf der Hand: jede Maschine kann individuell gewartet werden. Dies spart Zeit und Geld. Ein Frühwarnsystem erlaubt auch die Planung der Wartung und gleichzeitig können Unfälle vermieden werden. 

Aber wie funktioniert die KI hinter Predictive Maintenance?

Im Hintergrund erfasst ein sogenannter Autoencoder (eine spezielle Form eines neuronalen Netzwerks) die Schwingungen der Säge. Die Schwingungen fließen als Werte durch den Autoencoder, ist dieser in der Lage das Signal zu replizieren, folgt das Signal seinem gewohnten Muster und die Säge ist in Ordnung. Lässt sich das Signal jedoch nicht replizieren, so folgt das Signal nicht mehr den gewohnten Mustern und der Autoencoder gibt eine Warnung aus. 

Neben der Möglichkeit Predictive Maintenance in Produktionsmaschinen einzusetzen, lässt sich für Firmen ein völlig neues Geschäftsfeld erschließen. So ist es möglich die Restlebensdauer des eigenen Produkts vorherzusagen und dies dem Kunden als Service bereitzustellen.  

Sie haben einen eigenen Anwendungsfall und benötigen Unterstützung bei der Umsetzung oder möchten mehr über das Thema KI erfahren? Buchen Sie unseren Workshop und wir unterstützen Sie bei Ihrem Vorhaben. 

Die Autorin
Redakteurin & Texterin
Huyen
Tran
Huyen ist im Team Brand & Communication und gestaltet mit ihrem Gespür für Sprache Texte lebendig, ansprechend und wirkungsvoll.
kontakt
MicrosoftTeams-image (110)