com!-Academy-Banner
KI-gestützte Wartung

Chancen und Hürden von Predictive Maintenance

von - 24.07.2019
Predictive Maintenance
Foto: zaozaa19 / Shutterstock.com
Durch den Einsatz von Künstlicher Intelligenz lassen sich neuartige Wartungskonzepte realisieren, die die Betriebskosten von Maschinen reduzieren und teure Ausfälle vermeiden.
Auch heute noch werden viele Maschinen und kritische Bauteile routinemäßig nach einem fest vordefinierten Muster gewartet. Sobald eine gewisse Laufleistung oder ein konkreter Zeitrahmen abgelaufen ist, folgt dann eine technische Prüfung. So werden etwa Flugzeuge nach einer bestimmten Zahl an Flugstunden standardmäßig auseinandergenommen und untersucht. In der Praxis hat das den Vorteil, dass die Wartungsarbeiten langfristig geplant werden können. Gleichzeitig lassen sich teure Ausfälle vermeiden.
Allerdings werden bei dieser analogen Methode auch häufig Maschinen und Bauteile untersucht, die noch optimal funktionstüchtig sind. Die Wartung fällt außerdem sehr aufwändig und teuer aus. Durch den gezielten Einsatz von Künstlicher Intelligenz und Sensortechnik lässt sich diesem Problem begegnen. Die sogenannte Predictive Maintenance schickt sich an, traditionelle Wartungsmethoden mit neuen Technologien zu verdrängen.
In einem Blogeintrag schildern die IoT-Spezialisten von Krieger MIS die Möglichkeiten von Predictive Maintenance und was zur Realisierung von solchen Lösungen erforderlich ist.
Predictive Maintenance zielt darauf ab, Wartungsvorgänge erst dann auszuführen, wenn Bauteile auch wirklich ausgewechselt oder überholt werden müssen. Wann dieser Zeitpunkt eintritt, ergibt die Auswertung von diversen Umgebungs-, Prozess- und Maschinendaten. Hierzu liefern an den Maschinen angebrachte Sensoren kontinuierlich Informationen an intelligente Algorithmen. Diese KIs ermitteln dann den bestmöglichen Zeitpunkt für eine Wartung der konkreten Maschine.

Anforderungen für Predictive Maintenance

Bei der Einführung von Predictive Maintenance gilt es laut dem hessischen Unternehmen im wesentlichen drei Herausforderungen zu meistern:
  •  Erfassen, Digitalisierung und Übermittlung sehr großer Datenmengen: Sensoren wandeln Informationen zu Temperatur, Licht, Bewegung, Lage, Position, mechanische Kräfte, Druck und dergleichen in digitale Werte um, die dann per Netzwerkverbindung (beispielsweise Bluetooth, LoRa oder NB-IoT) an einen Datenkonzentrator oder die Cloud geleitet werden.
  • Speicherung, Analyse und Bewertung der erhobenen Daten: Die Sicherung der Daten erfolgt in der Regel in der Cloud. Je nach Konzept kann auch eine Zwischenspeicherung auf dem Sensor oder Datenkonzentrator vorgenommen werden.
  • Berechnung von Eintrittswahrscheinlichkeiten für bestimmte Ereignisse: Die Verarbeitung erfolgt meist in der Cloud mittels KI.
Wie bei smarten Algorithmen üblich, arbeiten diese mit zunehmender Menge an strukturierten Daten zuverlässiger und genauer. Deshalb fallen beim Einsatz von Predictive Maintenance schnell sehr große Datenmengen an. Neben den Sensordaten aus den Maschinen selbst werden hier auch Informationen aus der Umgebung herangezogen, wie etwa Temperatur, Luftfeuchtigkeit oder Lichteinstrahlung.
Die Auswertung der riesigen Datenmengen erfolgt dann entweder zentral in der Cloud oder dezentral mittels Edge Computing. Bei letzterem werden die erhobenen Daten noch auf dem Gerät analysiert und ausgewertet beziehungsweise für die Cloud vorverarbeitet. Edge-Lösungen haben dadurch den Vorteil, dass weniger Daten übertragen werden müssen. Dies reduziert wiederum die Latenz und verringert die benötigte Rechenkapazität.
In der Praxis bietet sich Predictive Maintenance etwa bei der Überprüfung von Solar- und Windkraftanlagen, Blockheizkraftwerken, Gebäudetechnik, Automobil, Luftfahrt, Schienenverkehr sowie von industriellen Fertigungsanlagen an.
Verwandte Themen