OEE direkt von Ihren Maschinen – ganz ohne manuelle Erfassung?
Live ansehenDer Begriff KI wird auf Wartungstechnologien in der Fertigung so weitreichend angewendet, dass er in der Marketingkommunikation von Anbietern nahezu bedeutungslos geworden ist.
Jede Plattform mit einem Algorithmus beansprucht KI-Fähigkeit.
Nicht jeder Algorithmus ist in einem sinnvollen Sinne KI.
Eine nützliche Definition für die Zwecke der Instandhaltung in der Fertigung ist diese:
KI in der Instandhaltung von Fertigungsanlagen bezieht sich auf Machine-Learning-Modelle und verwandte Techniken, die Muster aus historischen Wartungs- und Produktionsdaten erlernen und diese gelernten Muster verwenden, um Ausgaben zu erzeugen, die Instandhaltungsentscheidungen verbessern, Ausfälle von Anlagen vorhersagen oder Wartungsabläufe automatisieren.
Das Schlüsselwort ist lernen.
Ein Schwellenalarm, der ausgelöst wird, wenn die Vibrationsamplitude einen konfigurierten Wert überschreitet, ist keine KI.
Es ist eine Regel.
Ein Modell, das die spezifischen Vibrationssignaturmuster erlernt, die Ausfälle von Lagern an einem bestimmten Motormodell unter den Betriebsbedingungen einer bestimmten Anlage ankündigen, und vorhersagt, dass das Lager dieses Motors auf Basis des aktuellen Trends innerhalb von 14 bis 21 Tagen ausfallen wird, ist KI.
Die Unterscheidung ist wichtig, weil die Datenanforderungen, die Implementierungskomplexität und die Leistungsmerkmale regelbasierter Überwachung und KI-basierter Vorhersage grundlegend verschieden sind.
Anwendung 1: Ausfallvorhersage
Die Ausfallvorhersage ist die KI-Anwendung, die in Marketingtexten zur Instandhaltung in der Fertigung am häufigsten beschrieben wird.
Ein Machine-Learning-Modell wird mit historischen Daten von einem spezifischen Asset oder einer Asset-Klasse trainiert, einschließlich Sensordaten, OEE-Leistungstrends, Wartungsauftragsaufzeichnungen und dokumentierten Ausfallereignissen.
Das Modell lernt die Muster in diesen historischen Daten, die Ausfallereignissen vorausgehen.
Auf aktuelle Betriebsdaten angewendet, schätzt das Modell, wann der nächste Ausfall wahrscheinlich eintreten wird und mit welcher Wahrscheinlichkeit.
Die Ausgabe ist eine Schätzung der Restnutzungsdauer oder eine Ausfallwahrscheinlichkeit innerhalb eines definierten Zeitfensters.
Diese Ausgabe ermöglicht es dem Instandhaltungsteam, einen Eingriff zum optimalen Zeitpunkt zu planen: spät genug, um den vollen Wert der aktuellen Komponente auszuschöpfen, früh genug, um die Maßnahme vor dem funktionalen Ausfall ausführen zu können.
Die Datenanforderung für die Ausfallvorhersage ist die anspruchsvollste der vier Anwendungen.
Das Modell benötigt dokumentierte Ausfallereignisse mit den Zustandsdaten, die jedem Ereignis vorausgingen.
Ein Motor, der in seiner Betriebshistorie nur zweimal ausgefallen ist, kann kein zuverlässiges Modell zur Ausfallvorhersage stützen.
Ein Motor, der 20 Mal ausgefallen ist und für jeden Ausfall saubere, verknüpfte Zustandsdaten vorliegen hat, liefert die Trainingsgrundlage, die für zuverlässige Vorhersagen erforderlich ist.
Anwendung 2: Fehlerklassifikation
Die Fehlerklassifikation nutzt Machine Learning, um Wartungsfehlerereignisse automatisch aus Rohsensordaten, Maschinensignalen oder Beschreibungen in Wartungsaufträgen zu kategorisieren.
Wenn eine Maschine stoppt, erzeugt ihre SPS einen Stoppcode.
Dieser Stoppcode kann spezifisch genug sein, um den Fehlermodus direkt anzuzeigen, oder er kann ein generischer Fehlercode sein, der eine Diagnose durch einen Techniker erfordert, um interpretiert zu werden.
KI-Modelle zur Fehlerklassifikation lernen, die Fehlermodi anhand der mit jedem Modus verbundenen Rohdatensignaturen zu unterscheiden und weisen Stoppereignissen automatisch spezifische Fehlerklassen zu, ohne dass eine manuelle Diagnose durch einen Techniker erforderlich ist.
Diese Anwendung ist wertvoll, weil sie die Diagnosezeit verkürzt, die Konsistenz der Fehlercodes zwischen Technikern und Schichten verbessert und die speziell klassifizierte Wartungshistorie erzeugt, die Ausfallvorhersagemodelle und Analysen von Problemverursachern benötigen.
Fabricos Modul für Computer Vision umfasst eine KI-Fallursachenklassifikation, die derzeit entwickelt wird und auf der Produkt-Roadmap für diese spezifische Anwendung steht.
Anwendung 3: Anomalieerkennung
Die Anomalieerkennung verwendet Machine Learning, um zu identifizieren, wann sich das Betriebsverhalten einer Maschine von ihrem gelernten Normalmuster in einer Weise abweicht, die auf einen sich entwickelnden Fehler hinweist.
Im Gegensatz zur schwellenbasierten Zustandsüberwachung, die auslöst, wenn ein bestimmter Parameter einen konfigurierten Wert überschreitet, lernt die Anomalieerkennung das multivariate normale Betriebsverhalten jeder einzelnen Maschine und erkennt Abweichungen von diesem Muster, die kein einzelner Schwellenwert erfassen könnte.
Ein Motor, der gleichzeitig einen um 3% erhöhten Stromverbrauch, einen um 2% gestiegenen Lagertemperaturanstieg und eine um 1,5% verringerte Wellendrehzahl zeigt, löst möglicherweise keinen einzelnen Schwellenalarm aus.
Ein Anomalieerkennungsmodell, das das multivariate normale Betriebskennzeichen dieses Motors gelernt hat, erkennt das kombinierte Muster als anomal und erzeugt eine Warnung.
Der Wert der Anomalieerkennung liegt in ihrer Empfindlichkeit gegenüber subtilen multivariaten Mustern, die regelbasierte Überwachung übersieht, und in ihrer Fähigkeit, neue Fehlermodi zu erkennen, die in der Schwellenkonfiguration bisher nicht kategorisiert wurden.
Anwendung 4: Optimierung von Wartungsabläufen
Die vierte KI-Instandhaltungsanwendung ist weniger sichtbar als die Ausfallvorhersage, aber breit anwendbar bereits in einem früheren Stadium der Datenreife.
Die Optimierung von Wartungsabläufen nutzt Machine Learning, um die Effizienz der Wartungsplanung, der Ersatzteilverwaltung und der Kalibrierung von PM-Intervallen zu verbessern.
Modelle zur Optimierung der Planung lernen die Muster in historischen Wartungsarbeitslasten, der Verfügbarkeit von Technikern, Produktionsplanungseinschränkungen und PM-Einhaltungsergebnissen, die vorhersagen, welche Planungskonfigurationen die beste PM-Einhaltung und das niedrigste Verhältnis von geplanten zu reaktiven Arbeiten erzeugen.
Modelle zur Ersatzteiloptimierung lernen Verbrauchsmuster aus den Teileaufzeichnungen der Arbeitsaufträge, um Mindestbestände zu verbessern und gleichzeitig sowohl Lieferengpässe als auch Überbestände zu reduzieren.
Modelle zur Optimierung von PM-Intervallen lernen aus PM-Befunden, welche Intervalle sinnvolle Wartungsmaßnahmen hervorbringen und welche unnötige Eingriffe an Anlagen verursachen, die sich noch nicht ihrer Wartungsschwelle nähern.
Diese Anwendung erfordert weniger historische Datentiefe als die Ausfallvorhersage und liefert früher im Datenansammelprozess Wert.
Jede KI-Instandhaltungsanwendung benötigt eine Datenbasis.
Die Basis besteht aus drei Komponenten.
Konnektivität. Maschinenseitig erfasste Daten aus SPS-Integrationen, IoT-Sensoren oder Zustandsüberwachungshardware. KI-Modelle können nicht auf Daten trainiert werden, die nie erfasst wurden.
Vom Bediener gemeldete OEE-Daten und manuelle Arbeitsauftragsaufzeichnungen sind als primäre Trainingsdatenquelle für KI-Modelle ungeeignet, weil sie unvollständig, inkonsistent erfasst und nicht zeitlich fein genug aufgelöst sind, wie es Machine Learning erfordert.
Vollständigkeit. Historische Daten, die das vollständige Spektrum der Betriebsbedingungen, Fehlermodi und Wartungsmaßnahmen abdecken, aus denen das Modell lernen muss. Ein Datensatz, dem 40% der Ausfallereignisse fehlen, weil sie nicht im CMMS protokolliert wurden, wird ein Modell mit systematischen Blindstellen erzeugen, die sich in seinen Vorhersagen als verpasste Ausfälle in den Modi zeigen, die im Training unterrepräsentiert waren.
Konsistenz. Daten, die über die Zeit und zwischen verschiedenen Technikern hinweg einheitlich beschriftet sind. Ein Fehlercode, der für einen Techniker eine Sache und für einen anderen etwas anderes bedeutet, erzeugt einen Trainingsdatensatz mit Klassenlabel-Rauschen, das die Modellleistung verschlechtert.
Konsistente Anwendung von Fehlercodes, das Erfassen von Teileverbrauch und die Praxis des Abschlusses von Arbeitsaufträgen sind Voraussetzung für die Qualität der Trainingsdaten.
Die 12‑Monats‑Regel spiegelt alle drei Anforderungen wider.
Zwölf Monate verbundene, vollständige und konsistent beschriftete Daten liefern genügend Beispiele für normale Betriebsmuster, saisonale Schwankungen und Ausfallereignisse, um Modelle zu trainieren, die zuverlässig auf neue Situationen generalisieren.
Kürzere Datensätze können zwar genügend Beispiele enthalten, um ein Modell zu trainieren, aber das Modell wird beim Einsatz auf Betriebsbedingungen treffen, die es im Training nicht gesehen hat, und unzuverlässige Ausgaben erzeugen.
Die 12‑Monats‑Regel ist eine Richtlinie und keine Garantie.
Anlagen mit hoher Ausfallhäufigkeit können schneller genügend Trainingsdaten ansammeln.
Anlagen mit sehr geringer Ausfallhäufigkeit benötigen möglicherweise längere Datenansammlungszeiträume, bevor Ausfallvorhersagemodelle zuverlässig sind.
Angesichts der Bandbreite an KI‑Behauptungen im Marketing für Instandhaltung in der Fertigung sei direkt gesagt, was KI in der Instandhaltung nicht ist.
KI ist kein Schwellenalarm.
Das Konfigurieren einer Vibrationsamplituden-Schwelle und das Generieren eines Alarms bei deren Überschreitung ist regelbasierte Zustandsüberwachung.
Sie ist wertvoll. Sie ist keine KI.
KI ist kein Dashboard mit Trendlinien.
Ein Dashboard, das OEE‑Trends, Wartungskosten‑Trends und PM‑Einhaltungs‑Trends zeigt, ist Business Intelligence.
Sie ist wertvoll. Sie ist keine KI.
KI ist ohne die Datenbasis nicht erreichbar.
Jeder Anbieter, der behauptet, seine KI‑Plattform würde von Tag eins verlässliche Ausfallvorhersagen auf einer Anlage ohne historische verbundene Daten liefern, beschreibt entweder eine Anomalieerkennung mit sehr geringer Zuverlässigkeit oder stellt die Fähigkeiten seiner Modelle falsch dar.
KI in der Instandhaltung benötigt die Datenbasis, bevor sie verlässliche Ausgaben liefert.
Anbieter, die das Gegenteil behaupten, sollten gebeten werden, die Vorhersagegenauigkeit an historischen Daten von bestehenden Kunden zu demonstrieren, bevor man ihnen in Bezug auf die Zuverlässigkeit ihrer KI-Fähigkeit vertraut.
KI ist kein Ersatz für Instandhaltungsingenieurwesen.
KI‑Modelle heben Muster und Vorhersagen hervor, auf die Instandhaltungsingenieure reagieren.
Sie ersetzen nicht das ingenieurtechnische Urteil, das erforderlich ist, um zu bewerten, ob ein vorhergesagter Ausfall eine sofortige Reaktion, eine geplante Wartung oder zusätzliche Untersuchungen vor der Durchführung einer Maßnahme rechtfertigt.
Der Instandhaltungsingenieur, der Fehlermodi, P‑F‑Intervalle und den spezifischen betrieblichen Kontext jedes Assets versteht, bleibt der Entscheidungsträger.
KI ist das Werkzeug, das diesem Ingenieur bessere Informationen schneller liefert als manuelle Analysen.
Fabricos aktuelle KI‑Fähigkeiten und Roadmap spiegeln die realistische Sequenz wider, die eine verantwortungsvolle KI‑Implementierung in der Instandhaltung von Fertigungsanlagen erfordert.
Die aktuelle Plattform stellt die Maschinenkonnektivität und OEE‑Überwachung bereit, die die sauberen, verknüpften und konsistent strukturierten Daten erzeugt, die KI‑Modelle als Trainingsgrundlage benötigen.
Die KI‑Ursachenklassifikation innerhalb des Computer‑Vision‑Moduls wird derzeit entwickelt und steht auf der Produkt‑Roadmap; sie zielt auf die zuvor beschriebene Anwendung der Fehlerklassifikation ab.
Der Fabrico Agent, ein KI‑gestützter Assistent für Wartungsabläufe, wird derzeit entwickelt und steht auf der Produkt‑Roadmap; er zielt auf die Anwendung der Optimierung von Wartungsabläufen ab.
KI‑Prediktiv‑Wartungs‑Module werden derzeit entwickelt und stehen auf der Produkt‑Roadmap; sie zielen auf die Anwendung der Ausfallvorhersage ab, sobald sich die Datenbasis über die Kundenbasis hinweg verfestigt hat.
Diese Reihenfolge ist absichtlich und ehrlich.
Die Datenbasis zuerst aufzubauen liefert die Trainingsdaten, die KI‑Modelle benötigen.
KI‑Modelle auf einem reifen, sauberen und verknüpften Datensatz einzusetzen liefert verlässliche Ausgaben.
KI‑Modelle vor der Etablierung der Datenbasis einzusetzen produziert selbstbewusst aussehende Ausgaben, die nicht zuverlässig sind, und untergräbt Vertrauen in die Technologie und in das Instandhaltungsprogramm, das sich darauf verlässt.
Die meisten Hersteller, die sich nach KI in der Instandhaltung erkundigen, befinden sich in unterschiedlichen Stadien der erforderlichen Vorbereitungsreise.
Stufe 1: Maschinenkonnektivität und saubere Datenerfassung herstellen.
Ohne verknüpfte Daten ist KI‑Instandhaltung nicht erreichbar. Diese Stufe ist die Voraussetzung für alles Weitere.
Stufe 2: Zwölf Monate verknüpfte, konsistent beschriftete Wartungshistorie aufbauen.
Die Datenqualitätsdisziplinen bei Arbeitsaufträgen, die Spezifizität von Fehlercodes und das Erfassen des Teileverbrauchs machen diese Historie als KI‑Trainingsdaten nutzbar.
Stufe 3: Anomalieerkennung auf Tier‑1‑Anlagen einsetzen.
Anomalieerkennung erfordert weniger historische Datentiefe als Ausfallvorhersage und liefert früher Wert. Sie ist die geeignete erste KI‑Instandhaltungsanwendung für die meisten Hersteller.
Stufe 4: Optimierung von Wartungsabläufen einsetzen.
Planungsoptimierung, Ersatzteiloptimierung und PM‑Intervallkalibrierung durch Machine Learning können eingesetzt werden, sobald die Datenqualität im CMMS und die verknüpften Produktionsdaten ausgereift sind.
Stufe 5: Ausfallvorhersage für Anlagen mit ausreichender Ausfallhistorie einsetzen.
Die Ausfallvorhersage für spezifische Anlagen, bei denen der historische Datensatz genügend dokumentierte Ausfallereignisse enthält, um zuverlässige Modelle zu trainieren, ist die letzte Stufe der KI‑Instandhaltungsreise.
Diese Stufe wird für verschiedene Anlagen zu unterschiedlichen Zeiten erreicht, abhängig von Ausfallhäufigkeit und Datenqualität.
Brauche ich einen Data Scientist, um KI in der Instandhaltung von Fertigungsanlagen zu implementieren?
Nicht für die kommerziell verfügbaren KI‑Instandhaltungsplattformen, die vorgefertigte Modelle bereitstellen, die auf großen industriellen Datensätzen trainiert wurden.
Vorgefertigte Modelle etablierter Plattformen können auf Anlagendaten angewendet werden, mit Anleitung durch das Implementierungsteam der Plattform, statt dass interne Data‑Science‑Fähigkeiten erforderlich sind.
Für die Entwicklung kundenspezifischer Modelle, die speziell auf anlagenspezifische Ausfalldaten trainiert werden, sind Data‑Science‑Fähigkeiten intern oder über spezialisierte Partner erforderlich.
Wie genau sind KI‑Modelle zur Ausfallvorhersage in der Praxis?
Die Genauigkeit variiert stark nach Anlagetyp, Fehlermodus, Datenqualität und Reife des Modells.
Gut implementierte Ausfallvorhersagemodelle für Anlagen mit einer reichhaltigen historischen Ausfalldatenbasis erreichen typischerweise eine Präzision von 70 bis 90% bei Ausfallvorhersagen innerhalb ihres angegebenen Vorhersagehorizonts.
Das bedeutet, dass 10 bis 30% der Vorhersagen Fehlalarme sind, die unnötige Wartungsreaktionen auslösen.
Der alternative Vergleich ist nicht perfekte Vorhersage versus unvollkommene Vorhersage.
Es ist unvollkommene frühe Vorhersage versus keine Vorhersage, mit ungeplanten Ausfällen als Ergebnis.
Selbst bei 80% Präzision eliminiert die KI‑Ausfallvorhersage 80% der ungeplanten Ausfälle, die sie verhindern sollte, was eine bedeutende Verbesserung gegenüber einer Zustandsüberwachung ohne prädiktive Modelle darstellt.
Was ist der Unterschied zwischen KI‑prädiktiver Instandhaltung und zustandsbasierter Instandhaltung?
Zustandsbasierte Instandhaltung löst Wartungsmaßnahmen aus, wenn ein überwachter Zustandsparameter eine konfigurierte Schwelle überschreitet.
KI‑prädiktive Instandhaltung verwendet Machine Learning, um anhand von Mustern in historischen Daten abzuschätzen, wann ein Ausfall eintreten wird, und liefert Schätzungen der Restnutzungsdauer statt nur Alarme bei Schwellenüberschreitungen.
Zustandsbasierte Instandhaltung ist die Voraussetzung für KI‑prädiktive Instandhaltung und liefert unabhängig bereits erheblichen Nutzen.
KI‑prädiktive Instandhaltung ergänzt die Fähigkeit, den Zeitpunkt eines Ausfalls vorherzusagen, anstatt nur aktuelle Verschlechterung zu erkennen, und ermöglicht eine präzisere Wartungsplanung innerhalb eines spezifisch vorhergesagten Ausfallfensters.
KI in der Instandhaltung von Fertigungsanlagen ist kein technologischer Kurzschluss. Sie ist der natürliche nächste Schritt für Instandhaltungsprogramme, die die Datenbasis aufgebaut haben, die ihre Modelle benötigen.
Die Hersteller, die am meisten von KI‑Instandhaltung profitieren, sind nicht diejenigen, die sie am frühesten eingeführt haben. Es sind diejenigen, die die Datenqualitätsdisziplin aufgebaut haben, die KI‑Ausgaben zuverlässig genug macht, um ihnen zu vertrauen.
Machen Sie aus Stillständen eine Kennzahl, mit der Ihr Team arbeiten kann.
Demo anfordern
Anmeldung
Blog
