Vorausschauende Wartung – wie KI den Service entlastet

Steigende Komplexität, kürzere Entwicklungszyklen und wachsende Variantenvielfalt, sind Herausforderungen, die der Mensch an der Maschine beherrschen sollte. Dies gelingt bis zu einer gewissen Grenze. Ist diese erreicht, zeigt sich das grundlegende Problem: Der Mensch ist nicht skalierbar. Gerät die Beherrschbarkeit in Gefahr, drohen Konsequenzen. Die Lösung dieses Problems ist die intelligente Nutzung industrieller Daten, um daraus Data Driven Services, zum Beispiel „Vorausschauende Wartung“, zu entwickeln.

Im folgenden Interview erläutert Thomas Fritz, Industrial Analytics-Experte bei der USU Software AG, warum Künstliche Intelligenz gerade für den Maschinen- und Anlagenbau so wichtig ist. KVD-Redakteur Michael Braun spricht mit ihm über Lessons Learned, Praxisbeispiele und die Perspektiven für den Service.

Lesen Sie für weiterführende Informationen das Whitepaper „Predictive Maintenance – schneller als der Fehler“.

Michael:
Wenn man über künstliche Intelligenz redet, dann gibt es immer Leute, die sagen: „Das ist super, das ist die Zukunft.“ Andere sagen: „Ja, ich habe aber Vorbehalte.“ Wenn du jetzt aus deiner Sicht KI in Verbindung mit dem Service betrachtest. Wo siehst du die Vorteile von KI? Gibt es überhaupt Verknüpfungen zwischen KI und dem Service?

Thomas:
Künstliche Intelligenz – das hat ja immer noch für viele Leute etwas Geheimnisvolles. Aber wir vergessen immer, dass wir KI im Alltag längst täglich nutzen – an unseren Smartphones für die Gesichts- oder Spracherkennung etc. Das ist einfach selbstverständlich geworden, und so nehmen wir sie gar nicht mehr wahr. KI würde ich definieren als Anwendungen, die Fall-bezogen menschenähnliche Intelligenz-Leistungen wahrnehmen und erbringen können. Also beispielsweise das Lernen, Beurteilen und Ableiten von Aktionen. Bezogen auf das Produktionsumfeld sind das im Kontext von Industrie 4.0 Daten-getriebene Services wie beispielsweise Zustandsüberwachung, vorausschauende Instandhaltung oder aber auch datengestützte, vorausschauende Qualitätsanalyse. Hierfür kommen Analytics-Anwendungen und KI-basierte Algorithmen zum Einsatz. Damit lassen sich drohende Defekte erkennen, die Instandhaltung optimieren und auch Betriebskosten senken. Darüber hinaus kann KI auch über die reine Produktionsunterstützung hinaus in der gesamten Service-Kette einen erheblichen Beitrag zur Effizienzsteigerung leisten.

Michael:
Du hast ja gerade schon beschrieben, wo Ansatzpunkte für KI im Service sein könnten. Wenn wir jetzt noch mal einen Schritt zurückgehen und überlegen: Für wen ist KI eigentlich interessanter? Für die Maschinen-Hersteller oder für die Betreiber?

Thomas:
KI ist für beide Seiten relevant, allerdings aus jeweils unterschiedlichen Motiven. Maschinen- und Anlagenbauer haben die Zielsetzung, neue datengetriebene Dienst- und Serviceleistungen für ihre Kunden zu entwickeln und daraus neue Einnahmequellen zu generieren. Die Betreiber von Anlagen sind dagegen bestrebt, die Produktion und Qualität zu steigern, Ausfallzeiten zu reduzieren und Kosten zu sparen. Und daher lohnt es sich für beide. Und beide können neben der Unterstützung in der Produktion auch den Service-Prozess mit KI effizienter gestalten.

Hier geht´s zum ausführlichen KVD-Podcast „Predictive Maintenance – wie KI den Service entlastet“.

Michael:
Könntest du vielleicht etwas eingrenzen, welche Art von Anlagen sich für die vorausschauende Instandhaltung eignet? Wo liegen da die besonderen Vorteile bzw. Perspektiven?

Thomas:
Zunächst einmal ist es wichtig, sich die Anlagen unter dem Gesichtspunkt des technisches Optimierungspotenzials anzusehen. Beginnen würde ich mit den Anlagen, die in der Vergangenheit die größten Probleme verursacht haben bzw. bei denen die höchsten Wartungs- oder Instandhaltungskosten angefallen sind. Ideal wäre auch, wenn diese Anlagen kein Unikat sind, sondern in gleicher oder ähnlicher Form mehrfach vorhanden sind, zum Beispiel in einer Produktionslinie. Bei Verpackungs- oder Abfüll-Anlagen hätte z. B. ich so den Vorteil, dass ich die gewonnenen Erkenntnisse und Prognosemodelle adaptieren und skalieren könnte. Das gleiche gilt natürlich auch, wenn Anlagen- und Maschinenbauer gleichartige Anlagen haben, die in großer Stückzahl dann im Feld sind.

Michael:
Wie kann ich so ein Projekt angehen? Was brauche ich dafür?

Thomas:
Um ein KI-Projekt zu initiieren, muss ich mir einerseits Gedanken machen über einen profitablen Use Case. Ich weiß allerdings nicht genau, ob die Daten hierfür ausreichen. Und auf welche Technologie oder welchen Anbieter ich setzen soll. Daher ist es ratsam, auf externe Expertise zu setzen. Wir empfehlen unseren Kunden, mit einer begrenzten Problemstellung zu starten. Und dabei hat sich in der Vergangenheit ein 3-Phasen-Modell bewährt. In der ersten Phase kümmert man sich um die Identifikation des Use Cases, danach entwickelt man gemeinsam einen Prototypen. Und in der dritten Phase wird die Lösung dann operationalisiert. Ein solches KI-Projekt läuft nicht nebenher. Wichtig ist daher eine klare Zielsetzung zu Beginn des Projektes durch das Management und auch eine entsprechende Projektorganisation.

Michael:
Die richtigen Daten und deren Verarbeitung spielen ja die Hauptrolle für den Projekterfolg. Welche Vorgehensweise hat sich denn bewährt, um an die relevanten Daten zu kommen? Worauf muss man achten?

 Thomas:
Ja, also Daten ohne Daten geht's natürlich nicht. Und insofern ist das schon erst mal richtig, dass man erst mal Daten sammeln muss und erst mal Daten benötigt.

Die Daten sollten immer den Prozess bzw. den problematischen Prozess-Schritt, den ich optimieren will, möglichst genau abbilden. Es hat sich bewährt, die vorhandenen Daten im Kontext einer konkreten Problemstellung, also eines potenziellen Use Cases, zunächst einmal zu visualisieren. Dadurch erkennt man in der Regel die Wirk-Zusammenhänge zwischen den Daten und dem Maschinen-Verhalten. Dazu benötige ich einen Data Scientist, der mit den Daten umgehen kann und außerdem Domänen-Experten, die das Know how über die Anlagen und den Prozess haben. Und erst dann kann man wirklich die Datenlage beurteilen. Falls diese nicht ausreichen, besteht die Möglichkeit, punktuell und zielführend mit Sensorik nachzurüsten.

Michael:
Das heißt, man sollte vor dem Projektstart zunächst einmal die Datengrundlage prüfen.

Thomas:
Genau. Wichtig ist es jedoch, dies immer im Kontext der konkreten Problemstellung zu tun. Es reicht häufig bereits, mit den vorhandenen Daten zu starten, diese zu analysieren und zu schauen, ob Zusammenhänge bzw. Muster erkennbar sind. In vielen Fällen lässt sich aus den vorhandenen Daten bereits eine ganze Menge ablesen.

Michael:
Welche Erfahrungen habt Ihr in der Praxis gemacht – wie lief die Arbeitsteilung in den Kundenprojekten?

Thomas:
Viele Unternehmen kaufen sich eine solche Lösung komplett als Service ein. Das hat den Vorteil, dass man sehr schnell starten kann und bietet sich gerade für mittelständische Maschinen- und Anlagenbauer an, die ihre Kernkompetenz ja nicht in der IT haben. Auf der anderen Seite gibt es z.B. größere Unternehmen, welche die Expertise schon haben oder selbst aufbauen möchten und eine entsprechende Lösung entwickeln und selbst betreiben wollen. Auch diese benötigen allerdings Data Scientist-Ressourcen für das Programmieren der Algorithmen und außerdem Data Engineers, die eine solche Lösung realisieren sowie Mitarbeitende für den Betrieb. Manche Unternehmen bauen sogar eine eigene Business Unit für diese Digitalisierung-Systeme auf.

Die Praxis zeigt, dass Unternehmen ohne Expertise von außen meist mehrere Anläufe und deutlich mehr Zeit benötigen. Eine Investition in die Leistungen eines externen Kompetenzpartners ist zielführend, also in Spezialisten, die auf Zeit unterstützen und das notwendige Werkzeug auch in Form von Algorithmen und einer entsprechenden Plattform mitbringen. Dadurch gewinnt man schnell an Fahrt, kann parallel das Know-how aufbauen und später auch die Weiterentwicklung einer solchen Lösung autark betreiben.

Michael:
Wo siehst du in der Praxis Anknüpfungspunkte, wo vorausschauende Wartung auch den Service entlasten kann?

Thomas:
Ein erster Effekt ist beispielsweise, dass Ausfälle und Service Einsätze effektiver durchgeführt und besser planbar werden. Ausfälle lassen sich nie ganz vermeiden, aber wenn man weiß, dass ein Aggregat in 14 Tagen höchstwahrscheinlich ausfällt und die entsprechende Maschine am Wochenende ohnehin umgebaut oder gereinigt wird, lässt sich der Austausch dieser Komponente vorziehen. Auch kann ein optimales Zeitfenster für die Wartung festgelegt werden. Denn häufig ist es so, dass nach einer bestimmten Anzahl von Betriebsstunden Komponenten getauscht werden, die eigentlich noch nicht verschlissen sind. Und so erlaubt die vorausschauende Wartung auch eine bessere Ausschöpfung der Betriebsmittel.

Durch ein integriertes System können im Shop Floor beispielsweise die Alarmierung von Technikern oder die Ersatzteil Beschaffung angestoßen werden. Und bei Maschinen- und Anlagenbauern wäre das Pendant dazu die Anlage eines Tickets für den Service Desk und die Unterstützung des Disponenten mit Informationen zur Bearbeitung des Service-Falles.

 Michael:
Wenn wir nochmal auf das Thema KI schauen – gibt es aus Deiner Sicht noch weitere Einsatzszenarien im Service, für die KI besonders relevant ist. Oder ein durchgängiges Beispiel für den kompletten Service-Prozess?

Thomas:
Ja. Bisher hatten wir ja über die KI-basierte Datenanalyse zur optimalen Nutzung industrieller Daten für Prognose, Modelle und darüber hinaus gesprochen. Aber KI nimmt inzwischen im ganzen Bereich Service Management eine zentrale Rolle ein. Ein Beispiel ist die KI-gestützte automatisierte Ticket-Bearbeitung. Das heißt, da wird ein Algorithmus verwendet, der auf Basis historischer Tickets beispielsweise eine automatische Klassifizierung und Zuordnung vornehmen kann. Das kann gerade bei Unternehmen mit einem hohen Aufkommen von Tickets eine erhebliche Erleichterung sein. Ein weiteres Thema ist Knowledge Management.

Aber betrachten wir anhand eines durchgehenden Beispiels, wie industrielle Analytik, Service und Knowledge Management ineinandergreifen und die komplette Service-Kette effizienter gestalten können. Ein Szenario wäre, dass z.B. Maschinen vor Ort beim Kunden stehen und ihre Betriebs-Daten in eine IoT-Plattform in der Cloud liefern. Dort werden sie dann mit KI-Algorithmen analysiert. Ein solcher Algorithmus erkennt bereits früh Unregelmäßigkeiten bzw. sich anbahnende Defekte und sendet diese Information an einen Experten im Service Desk. Der greift auf diese Informationen auf, zieht sich die zur Störung der Behebung notwendigen Informationen aus dem Wissensmanagement-System und erstellt eine Checkliste, die er dann dem Bediener der Anlage vor Ort schickt. Oder er versucht, das Problem remote per Fernzugriff zu lösen bzw. schickt den nächstgelegenen, mit den richtigen Skills versehenen Techniker des Field Service zum Kunden. KI liefert dabei automatisiert und Kontext-abhängig die richtigen Daten und unterstützt so entlang des gesamten Service Prozesses.