Predictive Maintenance
1. Beschreibung
Predictive Maintenance analysiert Daten, um den Zustand von Anlagen und Maschinen vorherzusagen und Wartungsbedarf zu antizipieren.
Diese Analysen können für Unternehmen sehr zeitaufwendig und fehleranfällig sein, sodass der Einsatz von Künstlicher Intelligenz (KI) an dieser Stelle sinnvoll sein kann. Ziel der KI-Anwendung ist es, den optimalen Zeitpunkt von Wartungsarbeiten zu bestimmen, um Ausfälle zu vermeiden und ungeplante Stillstandzeiten zu reduzieren.
Mithilfe von KI kann eine große Menge an Daten analysiert werden und damit Vorhersagen über den zukünftigen Zustand der Maschine generiert werden. Durch Predictive Maintenance können Ausfälle minimiert, die Produktivität maximiert und die Leistung der Maschine verbessert werden. Außerdem können mithilfe der KI-Anwendung potenzielle Probleme und Verschleiß erkannt und darauf hingewiesen werden. Dadurch können Wartungsarbeiten anstatt regelmäßig und zeitbasiert, nun basierend auf dem tatsächlichen Zustand der Maschinen, geplant werden.
2. Notwendige Daten
Je nach Anwendungsfall werden unterschiedliche Daten benötigt. Zum einen sind Daten notwendig, in denen Informationen zum Zustand von Anlagen und Maschinen vermutet werden. Folgend sind einige Beispiele dazu aufgeführt:
- Historische Wartungsdaten z. B. Zeitpunkt, Ergebnis
- Sensordaten z. B. Temperatur, Druck, Vibration, Spindeldrehzahl, Verweilzeiten
- Produktions- und Betriebsdaten z. B. Werkstückgeschwindigkeit, Werkstückdichte, Betriebsstunden, Lastprofile
- Umgebungsdaten z. B. Temperatur, Luftfeuchtigkeit, Schadstoffbelastung
- Echtzeitdaten und Informationen zu Fehler- und Störmeldungen
Zum anderen sind Daten notwendig, welche den Zustand von Anlagen und Maschinen beeinflussen können. Folgend sind einige Beispiele dazu aufgeführt:
- Externe Einflussfaktoren z. B. Verunreinigungen in der Luft, Lichteinstrahlung, Raumtemperatur, Luftfeuchtigkeit
3. Nächste Schritte
Die Unterstützung der Predictive Maintenance klingt nach einem Anwendungsfall für Ihr Unternehmen? Das könnten die nächsten Schritte sein:
- Sprechen Sie mit den Kolleg*innen der Produktion und Logistik und prüfen Sie Ihre vorliegenden Daten. Zur Bewertung Ihrer Daten schauen Sie in unserem KI-Kompetenzbildungsprogramm vorbei. In Modul 2 wird das Thema „Datenmanagement“ behandelt.
- Bei der Unterstützung der Predictive Maintenance ist die Akzeptanz der Mitarbeitenden in der Nutzung von KI besonders wichtig. Zur Schaffung eines guten Verständnisses über KI und die Berücksichtigung von Changemanagement schauen Sie in unserem KI-Kompetenzbildungsprogramm vorbei. In Modul 4 und 5 werden die Themen „Keine Angst vor KI“ und „KI- und Changemanagement“ behandelt.
- Strukturieren Sie Ihr KI-Projekt: Welches Problem soll gelöst werden? Setzen Sie klare Ziele. Welche Daten werden benötigt? Wie erfolgt die Anwendung? Dabei kann Sie der KI-Canvas unterstützen.
- Integrieren Sie Ihre Geschäftsführung, um das weitere Vorgehen zu besprechen.
Sie benötigen Unterstützung bei den nächsten Schritten? Gehen Sie gerne auf die KI-Dienstleistenden der Region Hannover zu. Gerne unterstützt Sie auch die Region Hannover bei der Gestaltung Ihres Anwendungsfalls.
4. Beispielprojekt
Das Unternehmen ATN-Ceran nutzt in der Produktion Mahlperlen. Je nach Kund*innenauftrag gibt es prozessbedingte Unterschiede, wie bspw. verwendete Maschinen, Drehgeschwindigkeit der Trommeln, Nutzungsdauer zwischen Nachfüllung und Neubefüllung.
Das Verschleißverhalten der Mahlkugeln vorherzusagen, ist durch diese Unterschiede sehr schwierig. In einem Digitalisierungsprojekt des Mittelstand-Digital Zentrums WertNetzWerke wurde der Verschleiß mittels KI vorhergesagt.
Sie wollen mehr von diesem Projekt erfahren? Besuchen Sie die Webseite des Mittelstand-Digital Zentrums WertNetzWerke.