Sie verwenden den veralteten Browser Internet Explorer.
Für eine optimale Darstellung unserer Website wechseln Sie bitte Ihren Browser
Der ungeplante Ausfall von Maschinen und Anlagen ist bei Unternehmen gefürchtet. Angesichts präzise geplanter Just-in-Time-Prozesse führen Unterbrechungen oft schon nach kurzer Zeit zu massiven Störungen der Lieferkette – und damit zu hohen Kosten. In der Data-Driven Factory wird vorausschauend gewartet: Mittels intelligenter Datenanalyse sollen Störungen vorhersehbar und damit vermeidbar werden. Aber funktioniert das auch in der Praxis – und wenn ja, wie?
Von Alexandra Luchtai
Ein fünfminütiger Stillstand in der Automobilindustrie kostet rund 100.000 Euro. Um Downtimes zu minimieren, setzt die klassische Wartung auf einen turnusmäßigen Austausch von Teilen, die noch voll funktionsfähig sind: Viele produzierende Unternehmen arbeiten entweder mit festen Wartungsintervallen oder sie reagieren erst im Schadensfall mit dem Austausch von Komponenten. Das führt zu überflüssigen Serviceeinsätzen oder zu ungeplanten Ausfällen. Predictive Maintenance setzt genau hier an – und nutzt Daten, die zuverlässige Prognosen ermöglichen.
Maschinensensoren liefern kontinuierlich Betriebsdaten wie Temperatur, Vibration, Geräusche oder Druck. Diese werden in Echtzeit analysiert, um Auffälligkeiten und Abweichungen zu erkennen. Die künstliche Intelligenz lernt aus den Daten, um drohende Ausfälle zu prognostizieren. Wartung, so verspricht es die Theorie, kann dadurch präventiv, zielgerichtet und kostenoptimiert erfolgen.
Predictive Maintenance ist kein Selbstzweck – sie ist Mittel zum Zweck. Ziel ist ein lernfähiges, intelligentes Produktionssystem, das über reaktive Wartung weit hinausgeht.
Neue KI-Entwicklungen wie das Reinforcement Learning erweitern die Möglichkeiten zusätzlich. Diese Form des Deep Learning ermöglicht eine dynamische Optimierung von Wartungsplänen, indem es aus Maschinenzuständen und deren Abgleich mit historischen Daten das ideale Wartungszeitfenster ermittelt.
Allerdings müssen intelligente Systeme in der Fertigung mehr leisten, als nur auf technische Alarme zu setzen. Moderne Machine-Learning- und KI-Anwendungen weisen daher nicht bloß auf Auffälligkeiten und mögliche Probleme hin, sondern leiten aus der KI-gestützten Analyse auch konkrete Handlungsempfehlungen ab. Sie bewerten Risiken, priorisieren Maßnahmen und helfen bei der Ressourcenplanung. So helfen sie, nicht nur Stillstände zu reduzieren, sondern auch drohende Qualitätsprobleme durch defekte oder verschlissene Bauteile und Ausschuss zu vermeiden.
Was es braucht, damit solche Lösungen ihr volles Potenzial entfalten können und wie das in der Praxis aussieht, lesen Sie im Blogbeitrag unseres IoT-Spezialisten Device Insight:
