KI im Predictive Maintenance
Autor: Dr. Olaf Enge-Rosenblatt
Das Thema Künstliche Intelligenz (KI) ist derzeit überall präsent, selbst Nachrichten- und populärwissenschaftliche Sendungen berichten darüber. Die Möglichkeiten von KI-Methoden zur Unterstützung des Menschen bei der Entscheidungsfindung entwickeln sich immer weiter. Das ist vor allem drei Punkten zuzuschreiben: erstens der Entwicklung von neuen Methoden der KI (Deep Learning, Reinforcement Learning), zweitens der ständigen Weiterentwicklung der Hardware-Möglichkeiten, drittens der wachsenden Verfügbarkeit von umfangreichen und gut strukturierten Trainingsdaten. Dadurch lassen sich für die KI immer neue Anwendungsbereiche erobern.
Einer dieser Anwendungsbereiche ist Predictive Maintenance, also die vorausschauende Wartung von Maschinen und Anlagen. Es ist bekannt, dass die oftmals verfolgte Strategie der zeitgesteuerten Instandhaltung – also der Durchführung von Instandhaltungsmaßnahmen nach einem festen Zeitplan – nicht die ressourcenoptimale Lösung darstellt. Vielmehr ist es besser, den aktuellen Verschleißzustand einer Maschine oder Anlage möglichst genau festzustellen und anhand dieser Informationen die kommenden Instandhaltungsmaßnahmen zu planen. Diese Zustandsfeststellung erfordert einerseits bestimmte Sensorik, die je nach zu überwachender Applikation ausgewählt und angebracht werden muss. Andererseits müssen die damit erhaltenen Sensordaten unter Berücksichtigung der jeweils aktuellen Betriebssituationen der Maschine oder Anlage bewertet werden. Die dafür notwendigen Daten finden sich meistens in der Maschinensteuerung – z.B. einer SPS. In vielen Fällen sind diese Steuerungsdaten jedoch sehr umfangreich und im Zusammenhang mit den Sensordaten fällt es zunehmend schwerer, über die enormen Datenmengen den Überblick zu behalten.
Und genau hier kommen die Vorteile der Künstlichen Intelligenz zum Tragen. Gemeint ist hier die sogenannte Schwache KI – also Systeme, die den Menschen bei seinen Entscheidungen unterstützen, keine Systeme, die „eigenständig denken“ können. Solche KI-Systeme sind geradezu prädestiniert für den Umgang mit sehr vielen und unübersichtlichen Datenmengen. Für eine korrekte Anwendung ist jedoch vorher ein Training der KI notwendig. Die Nutzung von KI bei technischen Systemen besteht deshalb aus mehreren Schritten – zumindest dem Training und später der eigentlichen Anwendung. Das Training kann dann seinerseits aus mehreren Schritten bestehen. Solange noch keine Daten während eines Zustands hohen Verschleißes – bzw. Daten kurz vor einem Maschinenausfall – gesammelt werden konnten, bleibt nur das Training mit den Daten für das gesunde System. Die damit angelernte KI kann dann zukünftig nach Anomalien – also nach ungewöhnlichen Zuständen in den Daten – suchen, wodurch oft Hinweise auf beginnende Verschleißsituationen erkannt werden können. Falls jedoch Daten während aufgetretener Problemfälle bereits aufgenommen werden konnten, so kann eine mit Daten dieser verschiedenen Schadenklassen trainierte KI gezielt nach dem zukünftigen Auftreten eben solcher Schäden suchen. Mit einem guten Datenmodell lassen sich auch brauchbare Aussagen hinsichtlich des Zeitpunktes des wahrscheinlichen Eintretens von Schäden treffen.
Eine richtig eingesetzte KI kann also den Instandhalter unterstützen rechtzeitig beginnende Schäden zu erkennen. Auf diese Weise kann letztendlich das gesamte das Potenzial einer KI-gestützten Instandhaltung gehoben werden.
Dr. Olaf Enge-Rosenblatt
