Entscheidungen von Menschen sind zentraler bestandteil von AI-gestützer Instandhaltung

"Predictive Maintenance" ist ein Schlagwort, das heutzutage oft verwendet wird. Das Konzept dahinter ist nicht klar definiert, aber die meisten sind sich einig, dass die Vorhersage der genauen Ausfallzeit von Teilen das Kernelement ist. Ziel von "Predictive Maintenance-Strategien" ist es daher, die Instandhaltungsabteilung zu veranlassen, Teile so nah wie möglich an der prognostizierten Ausfallzeit zu wechseln.

Die typische industrielle Umgebung ist nicht für vorausschauende Instandhaltungsstrategien ausgelegt

Die Vorhersage von Ausfällen bei Bauteilen gibt es seit Jahrzehnten (z.B. Turbinen), aber die bisherigen Anwendungsfälle unterscheiden sich erheblich von den aktuellen, industriellen Anwendungsfällen. Im Fall der Flugzeugturbinen wurde der datenwissenschaftliche Teil bereits im Engineering-Prozess berücksichtigt. Sensoren wurden bereits integriert, um bestimmte Parameter zu messen, und der gleiche Turbinentyp, der unter nahezu gleichen Bedingungen betrieben wird, bietet einen riesigen Datensatz zur Analyse und Vorhersage von Ausfällen. Bei Industriemaschinen könnte die Situation nicht anders sein. Die meisten Maschinen haben keine Sensoren oder nicht die richtigen Sensoren an der richtigen Stelle. Dieselben Maschinen arbeiten unter völlig unterschiedlichen Umgebungsbedingungen. Unterschiedliche Bediener, unterschiedliche Temperaturen, unterschiedliche Luftfeuchtigkeiten, verschiedene Bauteile usw. erweitern die Möglichkeiten für potenzielle Ausfälle dramatisch und datenwissenschaftliche Konzepte haben Mühe, einen allgemeinen "Use Case" abzudecken. Darüber hinaus kann es vorkommen, dass einige Maschinen im Dreischichtbetrieb betrieben werden müssen, während andere nur für wenige Stunden pro Woche betrieben werden. Folglich haben Maschinen meist auch unterschiedliche Instandhaltungsstrategien, die sich im Laufe der Zeit ebenfalls ändern können.

Der genaue Zeitpunkt ist immer falsch vorhergesagt

Seien wir ehrlich: Kein Data Science Konzept kann den Zeitpunkt des Versagens genau vorhersagen, es sind immer nur Wahrscheinlichkeiten. Eine Eingrenzung ist möglich, aber die Realität ist immer anders. Es gibt nur eine Möglichkeit, den genauen Zeitpunkt zu bestimmen: Lassen Sie die Maschine laufen, bis etwas nicht mehr funktioniert. Und hier kommt Senzoros AI-basierter Instandhaltungsansatz ins Spiel: Da wir die größte industrielle Ultraschalldatenbank aufgebaut haben, kennen wir die Charakteristik von Teilen die dem Versagen nahe sind sehr gut und diese Informationen werden der Instandhaltungsabteilung weitergeleitet, die sich nun entscheiden muss, ob sie

(1) Die Maschine bis zum Versagen laufen lässt und/oder aber ggf. bereits das Ersatzteil überprüft/bestellt

(2) Den Wechsel des Ersatzteils einplant und den Zeitpunkt in Abhängigkeit der Priorität der Maschine wählt

Die Entscheidung kann nur von Menschen getroffen werden und unsere KI lernt von jedem Ereignis. Mit jedem Änderungs- und/oder Fehlerereignis wird unsere KI intelligenter und kann den genauen Zeitpunkt besser vorhersagen. Aber unsere AI kann schon am ersten Tag erkennen, ob das Teil Ausfallgefährdet ist oder nicht.