Wie KI hilft, die Kosten für Instandhaltung zu reduzieren

Instandhaltung ist heutzutage viel mehr als die reine Störungsbeseitigung, die sie einst gewesen ist. Dass Maschinen und Anlagen betriebsfähig  bleiben, ist für den Gesamterfolg des Unternehmens wichtig. Mit vorausschauender Instandhaltung (oder: Predictive Maintenance) gelingt’s. Sie verspricht nicht nur Störungen frühzeitig auszumachen, sondern dabei auch noch erhebliche Kosten zu sparen. Die nötigen Auswertungen hierfür liefert eine beobachtende KI. Sie macht komplexe Zusammenhänge in Anlagen transparent und die Instandhaltung planbar. Ob sich der Einsatz Künstlicher Intelligenz rechnet und welche Rolle Daten dabei spielen, erfährst Du hier.

Warum ist Timing bei der Instandhaltung wichtig?

Eine Maschine oder Anlage, die in Betrieb ist, erzeugt Verschleiß. Um diesen auszugleichen, müssen Maßnahmen wie Wartung, Inspektion oder Instandsetzung eingeleitet werden.

Zu Beginn eines Zyklus läuft alles optimal; es gibt keine Einschränkungen. Irgendwann treten erste Defekte in verschiedenen Abstufungen auf. Das ist ein Zeitpunkt, an dem die Maschine oder Anlage noch läuft, aber eine Wartung angesetzt werden sollte. Später häufen sich die Defekte, solange bis die Maschine oder Anlage nicht mehr produktiv arbeiten kann.

Hier gilt es nun, den passenden Zeitpunkt in den Zyklen der Instandhaltung zu finden. Diese Zyklen wiederholen sich mehrfach, wie die nachfolgende Grafik skizziert. Wird zu häufig gewartet, bevor noch keine Schäden zu verbuchen sind, bringt das kaum Nutzen, verursacht aber Kosten (grüner Bereich der Grafik). Den größten Nutzen der Instandhaltungsmaßnahmen darfst Du dann erwarten, wenn Du erste Defekte erkannt hast, diese aber noch keine Produktionsausfälle verursacht haben (blauer Bereich). Treten weitere Störungen auf, muss ggf. repariert werden. Wird zu selten gewartet, führt dies zu umfassenden Reparaturen und dem Austauschen größerer Teile. Dies ist kostspielig (roter Bereich).

Diesen Zyklus durch gezielte Maßnahmen zu steuern, ist auch deshalb essentiell, weil die indirekten Instandhaltungskosten die Gesamtkosten weiter erhöhen. Diese sind jedoch nicht leicht abzuschätzen. Indirekte Instandhaltungskosten entstehen bspw. durch Ausfälle (inkl. Personalkosten), durch Verschrottungen oder Entsorgungen.

Das Optimum – und damit die geringsten indirekte Kosten - erreichst Du dann, wenn du den Bereich identifiziert, in dem Deine Maschine oder Anlage, noch funktioniert, aber kurz davor ist, seine Funktionalität zu verlieren (blauer Bereich in der Grafik). Die Maschine oder Anlage bleibt dann betriebsfähig, wenn Du zu diesem Zeitpunkt korrigierende Maßnahmen einsteuerst. Doch wann weißt Du, dass der richtige Zeitpunkt dafür gekommen ist?

Wie identifiziert man den richtigen Moment für eine Instandhaltungsmaßnahme?

Das richtige Timing ist also das A und O, um Schwachstellen rechtzeitig zu erkennen und um geeignete Instandhaltungsmaßnahmen zum richtigen Zeitpunkt einzuleiten. Willst Du diesen Zeitpunkt korrekt bestimmen, musst Du viele Arten von Daten berücksichtigen: etwa Vibrationen, akustische Signale, Druck, elektrische Signale, Temperatur. Diese Daten können direkt an der Maschine oder in der Anlage mit Hilfe von bereits verbauten oder nachträglich eingebauten Sensoren gesammelt werden.

Ohne technische Hilfsmittel ist kein Mensch in der Lage, all diese Faktoren im Blick zu behalten und den „perfekten“ Instandhaltungsmoment mit Gewissheit vorherzusagen. Hierbei unterstützen moderne Technologien, welche Dir die präzise Überwachung dieser komplexen Zusammenhänge abnehmen und Dich informieren, wann du präventiv einschreiten musst.

Welche Strategien helfen, das optimale Timing zu bestimmen?

Eine Strategie, die Dich bei der Überwachung der Zustände von Maschinen und Anlagen unterstützt, ist das Condition Monitoring. Sie übernimmt das dauerhafte Messen, das Aufzeichnen und Auswerten von definierten Faktoren. Beim Condition Monitoring orientieren sich die Instandhaltungsmaßnahmen am Zustand der überwachten Komponenten. Es wird also nur eine Maßnahme ausgelöst, wenn es auch wirklichen Bedarf gibt.

Predictive Maintenance geht noch einen Schritt weiter als das Condition Monitoring. Sie prognostiziert auf Basis der Überwachungsdaten, wann der optimale Zeitpunkt für eine Instandhaltungsmaßnahme eintritt. Sie informiert Dich bevor ein kritischer Zustand erreicht wird und gibt Dir Auskunft darüber, wann Du Gegenmaßnahmen einsteuern solltest – und zwar so, dass Du Deine Maschine oder Anlage voll auslasten kannst, bis der kritische Zustand wirklich erst erreicht ist. Dabei werden nicht nur die einzelnen Maschinen- und Anlagenteile betrachtet, sondern unternehmensweite Zusammenhänge aufgedeckt, damit die Instandhaltung wirklich vorausschauend gesteuert werden kann. Für diese Vorhersagen werden Methoden aus dem Bereich der Künstlicher Intelligenz genutzt.

Weitere Instandhaltungsstrategien vertiefen wir in diesem Video. Es handelt sich dabei um eine Webinar-Aufzeichnung, welche u.a. erklärt, warum gerade die beiden genannten zustandsorientierten Instandhaltungsstrategien großes Potential bieten, Zeit und Kosten einzusparen. (Die Instandhaltungsstrategien ergeben sich übrigens aus den Teilbereichen der Instandhaltung (Maintenance), die sich laut der Norm DIN 31051:2019 in Wartung, Inspektion, Instandsetzung und Verbesserung gliedern.

Wie kann Künstliche Intelligenz bei Instandhaltungs-Vorhersagen unterstützen?

Künstliche Intelligenz (KI) ist eine Technologie, immer dort ihr volles Potential entfaltet, wo es große Datenmengen zu analysieren, Fehler zu klassifizieren oder komplexe Muster zu erkennen gilt

Hinsichtlich der Daten besteht ein Predictive-Maintainance-Modell aus drei Phasen:

• Datenerfassung: Hierbei werden Echtzeitdaten im Live-Betrieb erfasst bzw. historische und analytische Daten sowie Änderungsdaten, die aus Erfahrungen aus der Vergangenheit (den historischen Daten) zu Änderungen am Gesamtsystem führten. Das sollen Daten sein, die Aufschluss darüber geben, warum etwas nicht funktioniert.
• Datenaufbereitung (Data Preparation): Die erfassten Daten werden analysiert und die Features identifiziert, die für das Maschinelle Lernen in Frage kommen, da unterschiedliche Modelle unterschiedliche Features benötigen. Dieser Schritt ist sehr umfassend und nimmt i.d.R. 80% der gesamten Projektzeit in Anspruch. Während der Data Prep. werden u.a. fehlende Datenpunkte vervollständigt, d.h. bei numerischen Daten wird hierbei z.B. auf Durchschnittswerte zurückgegriffen.
• Maschinelles Lernen (ML): Das ML-Modell sucht nach Mustern, Anomalien oder systematischen Fehlerstellen durch ausgewählte Algorithmen. Diese werden mit den aufbereiteten Daten trainiert. Daraus kann das Modell präzise ableiten, wann ein bestimmter Schwellenwert für einzelne Elemente erreicht sein wird und informiert, bevor dieser Zustand wieder eintritt. Häufig handelt es sich dabei um komplexe Zusammenhänge und Abhängigkeiten, die ohne diese Big-Data-Analysen nicht aufgefallen. (Mehr zum Thema findest Du hier: Was ist eigentlich Machine Learning?)

Hierbei kann Predictive Maintenance folgende Fragen beantworten:

• Warum tritt die Vibration einer Spindel auf?
• Wie lange ist die Restwertzeit (remaining useful life) der Hydraulikpumpe?
• Wann und warum verlässt die Maschine den definierten Soll-Zustand?

Rechnet sich der Einsatz von Künstlicher Intelligenz in der Instandhaltung?

So viel vorab: Eine pauschale Antwort hierauf gibt es nicht. Die Antwort ist z.B. abhängig von Faktoren wie der vorhandenen Datenqualität, von der Anzahl der einzubindenden Komponenten bzw. Anlagenteile, der vorhandenen IT-Infrastruktur.

Vor wenigen Jahren machten die hohen Initialkosten eine Investition in KI noch weniger attraktiv, insbesondere für kleine und mittelständische Unternehmen. In der Zwischenzeit hat sich die Technologie weiterentwickelt. Du kannst Dir eine ganz eigene KI entwickeln lassen, die auf Deine speziellen Belange zugeschnitten ist. Doch heute gibt es bereits wirkungsvolle „Plug-in-KIs“, die schnell an die Schnittstellen angebunden werden können und weniger Erstaufwand mit sich bringen. Daher können Anwendungen schneller produktiv gehen, was die Kosten für die Einrichtung verringert. Auch die Datenstruktur und -qualität, auf die die KI zugreift, hat Auswirkungen auf die initialen Kosten. Sind keinerlei historische (Maschinen-)Daten vorhanden, müssen diese über einen definierten Zeitraum erhoben (im eigenen Unternehmen) oder anonymisierte Daten, die von Dritten erhoben wurden, eingekauft werden. Je besser die historischen Daten in Deiner Organisation aufbereitet sind, umso geringer ist der Erstaufwand für Dein KI-Projekt. Dieser wird tatsächlich oft unterschätzt. Hier kannst Du also Kosten sparen, indem Du Dich bereits vor der Einführung einer KI um das Datenqualitätsmanagement kümmerst.

Prinzipiell amortisieren sich Künstliche Intelligenzen für die vorausschauende Wartung dann, wenn sie langfristig eingesetzt und in einer unternehmensweiten (Daten-)Strategie verankert werden.

Der Markt für KI-Anwendungen „von der Stange“ ist noch unübersichtlich. Es gibt KIs für verschiedene Teilbereiche (u.a. Bild-, Audio-, Vibrations-Analyse). Wichtig dabei ist, dass Du Dir ein klares Bild über die Anforderungen machst und davon eine geeignete Anwendung ableitest. Ein unabhängiger Berater, der sich mit Technologien im Sinne der Industrie 4.0 auskennt, kann Dir aufzeigen, welche KI in Deinem Fall die besten Kosten-Nutzen-Effekte erzielt. Hierfür solltest Du darauf achten, dass alle von Anfang wissen, wo die Reise hingehen soll. Wir empfehlen dafür ein zielgerichtetes Anforderungsmanagement.  

Ob Deine Instandhaltungsmaßnahmen erfolgreich sind, kannst Du an folgenden Messgrößen überprüfen: Verfügbarkeit, Zuverlässigkeit, Reparaturanfälligkeit oder Durchlaufgeschwindigkeiten

Wie muss meine Maschine oder Anlage ausgestattet sein, damit Predictive Maintainance angewendet werden kann?

Predictive-Maintenance-Prozesse erfordern, dass Deine Maschine oder Anlage in der Lage ist, Sensordaten aller Art zu messen. Dies können etwa Druck, Temperatur, Vibration oder auch Kamerabilder sein. Haben Deine Maschinen noch keine Sensoren integriert, kannst Du diese i.d.R. nachrüsten lassen (vom Maschinenhersteller oder von Drittanbietern).

Sind die Maschinen mit den entsprechenden Sensoren ausstattet, müssen diese Informationen gespeichert. Um diese zu speichern, brauchst Du spezielle Datenbanksysteme (bspw. Data Lakes) und eine vernetzte Infrastruktur, mit der die entstandenen Datenmengen transportiert werden können, etwa ein Cloud-System, eine stabile Internetverbindung usw.

Was bringt vorausschauende Instandhaltung?

Wenn Instandhaltungsmaßnahmen nur dann ausgeführt werden, wenn sie wirklich nötig sind, dann liegen die Vorteile klar auf der Hand.

Denn Predictive Maintenance …

• vermeidet Ausfälle von Maschinen und Anlagen (ergo: erhöht dadurch ihre Verfügbarkeit)
• verringert Primär- und Folgeschäden
• erhöht die Lebensdauer von Maschinen und Anlagen
• gewährleistet ihre Sicherheit
• vermeidet Unfälle
• optimiert den Einsatz von Ersatzteilen und Hilfsmittel sowie
• verbessert Liefertreue der Organisation
• macht Fehler, Schwachstellen, Störungen besser nachvollziehbar
• bewirkt, dass Wartungen, Inspektionen, Instandsetzungen und Verbesserungen Hand-in-Hand-gehen
• erhöht Produktivität
• senkt die produktionsbedingten Kosten

Fazit

Predictive Maintenance ist ein wichtiges Konzept, um Kosten in der Instandhaltung zu reduzieren und dabei gleichzeitig ein Wettbewerbsvorteil. Erst durch die Sammlung und Auswertung der Maschinen- bzw. Anlagedaten wird dies möglich. Um mit der vorausschauenden Instandhaltung zu starten, brauchst Du eine gut aufbereitete Datenstruktur und eine Strategie, die im Gesamtkontext Deines Unternehmens eingebettet ist.

Titelbild: @KPs Photography; stock.adobe.com