Künstliche Intelligenz und deren Schlüsseltechnologie maschinelles Lernen kommen in der produzierenden Industrie an. So lassen sich Muster in Betriebsdaten erkennen, die mit hoher Wahrscheinlichkeit einen Ausfall vorhersagen. Predictive Maintenance heißt zu reparieren, bevor die Maschine ungeplant ausfällt.
Um zuverlässig zu prognostizieren, wann eine Maschine, ein Gerät oder ein Fahrzeugteil ausfallen wird, ist ein Kreislauf aus Datensammeln, -exploration und -analyse nötig. An den Bauteilen installierte Sensoren nehmen Verhalten in Form von Daten auf und leiten sie in den Kreislauf der Datenanalyse weiter. Analytische Modelle beziehungsweise Algorithmen für maschinelles Lernen können nun die Ausfallwahrscheinlichkeit vorhersagen. Die Verfahren dahinter erkennen Muster in Daten, verallgemeinern diese und wenden sie auf neue Daten an. Trainiert wird anhand von Beispieldaten. Das lässt sich überwachen, indem zu Beispielen der gewünschte Output präsentiert wird, etwa die Fehlerkategorie, die hinter einem Wartungsbericht steckt. Nicht überwachte Lernverfahren finden hingegen bisher unbekannte Muster in Daten und sollen Gruppierungen beschreiben lernen.
Die Operationalisierung zählt
Damit Machine Learning eine vorausschauende Instandhaltung ermöglicht, muss sie in die Geschäftsprozesse integriert werden. Es gilt die analytischen Verfahren zu operationalisiren. Hier sind gute Modelle ebenso erforderlich wie die Verknüpfung mit Geschäftsregeln. So können Vorhersagen mit Handlungsempfehlungen verknüpft werden, die bei Entscheidungen helfen.
Beispiel Computertomograf
Der Blick auf den Lebenszyklus eines Computertomografen zeigt, worauf es beim Machine Learning für die prädiktive Instandhaltung ankommt: Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
.tlist li{margin-bottom: 8px;}
- Gute Modelle entwickeln. Diese bilden die Voraussetzung, um aufgrund von Sensordaten und Event Codes die Ausfallwahrscheinlichkeit einer Komponente (sei es die Röntgeneinheit, die Kühlung oder der Patiententisch) mit hoher Trefferquote und geringer Anzahl von Fehlalarmen vorherzusagen.
- Modellen Regeln setzen. Dazu werden Geschäftsregeln benötigt, die analytische Vorhersagen mit Handlungsempfehlungen zusammenbringen und bei Entscheidungen helfen. Konkret könnten folgende Fragen eine Rolle spielen: Was mache ich, wenn die Ausfallwahrscheinlichkeit für den Patiententisch hoch ist? Wie schnell muss ich reagieren, wenn der Kunde einen Premium-Servicevertrag hat? Unterscheidet sich das Vorgehen, wenn das Gerät in einem Krankenhaus oder einer Radiologie-Praxis steht?
- Modelle und Regeln ausrollen, wo Daten entstehen oder verarbeitet werden. Zum Beispiel in einem Hadoop-Cluster, in einen Datenstrom oder über einer Datenbank in einem operativen Dispatching-System. Dieses kann dem Gerätetechniker sagen, welche Ersatzteile und Werkzeuge er einpacken muss, welche Kliniken er in welcher Reihenfolge anfährt und welche Komponenten er warten muss – unabhängig davon, ob das System schon ausgefallen ist oder nicht.
- Anwendung der Modelle und Regeln überwachen. Eine interne Model Governance sollte dafür sorgen, dass sich Modelle effizent registrieren und auditieren lassen. Zudem ermöglicht diese Lenkung, die statistischen Modelle automatisch zu prüfen. Hier können Alarme hinterlegt werden, die darauf hinweisen, wenn ein analytisches Modell ausgetauscht werden muss.
Kein ‘Ersatzteiletourismus’
Um den praktischen Nutzen einer Machine Learning- und Analyse-Lösung auf der Basis von IoT– und Prozessdaten zu illustrieren, stellt der Hersteller von Analytics-Software SAS auf einer Kundenveranstaltung ein Beispiel vor: Der Medizintechnikhersteller Siemens Healthineers wollte sein Service-Angebot lückenlos aufrecht erhalten und gleichzeitig den sogenannten Ersatzteiletourismus reduzieren, also das überflüssige Hin- und Herschicken sowie Austauschen von Ersatzteilen bei seinen Systemen. Um die dadurch verursachten Kosten zu senken, schaut sich das Unternehmen die Teile an, die mit dem Vermerk ‘No Defect Found’ (NDF) zurückkommen. Anhand der gesammelten Informationen lässt sich – dargestellt im Kacheldiagramm über SAS Visual Analytics – ausmachen, bei welchen Teilen in einem System der NDF-Anteil besonders hoch ist. Hier werden Maßnahmen ergriffen. So kann zum Beispiel erst ein anderes Teil ausgetauscht werden, wenn das System nicht mehr funktioniert. Das Manufacturing Execution System (MES) HYDRA optimiert Produktionsprozesse für Fertigungsunternehmen, um Wettbewerbsvorteile zu erzielen. ‣ weiterlesen
MES-Integrator und 360-Grad-Partner für optimierte Fertigung
Temperatur als Dienstleistung
Eine andere Anwendung nutzt der Klimatechnikkonzern Walter Meier AG. Sie sammelt über die Swisscom-IoT-Cloud Daten zu den einzelnen Wärmepumpen ihrer Kunden. Auf dieser Informationsbasis lassen sich Anlagen aus der Ferne überwachen, Diagnosen erstellen und mögliche Ausfälle vorhersagen. Diese Art der Anlagenoptimierung zahlt sich aus: in Form von 20 bis 30 Prozent Einsparungen beim Einsatz von Servicemitarbeitern. Zwar nutzen immer mehr Unternehmen Anwendungen wie diese, aber insgesamt steht die Technik noch in den Kinderschuhen. Ein Grund dafür ist, dass erst 15 Prozent der Unternehmen, die bereits Analytics-Software einsetzen, ihre Erkenntnisse entsprechend effizient operationalisieren. Das zeigte eine aktuelle IDC-Studie. Eine gute Basis dafür bildet eine Plattform, auf der man mit vielen Daten hantieren, ausprobieren und Verfahren vergleichen kann.
Mit Machine Learning zum persönlichen Paradies
Machine Learning veranschaulichen und verständlich aufbereiten – das soll im Projekt ‘Paradise Found’ des Softwareherstellers SAS geschehen. Mit Big Data-Analytics und Machine Learning ermittelte das Softwareunternehmen aus rund 150.000 Orten und anhand von 69 Kriterien den ‘besten Ort der Welt’. Ohne vorgefertigte Fragestellung oder Hypothese wurden mehr als fünf Millionen Datenpunkte aus 1.124 Datenquellen analysiert, und zwar strukturierte sowie unstrukturierte Daten, um den Sieger zu ermitteln: West Perth.
Mit dem Paradies-Konfigurator kann jeder sein ‘persönliches Paradies’ ermitteln: www.paradies-konfigurator.de
