KI alleine wird Predictive Maintenance nicht lösen.

Im erster KI-Projekt, für das ich bezahlt wurde, ging es um ziemlich komplexe High-End-Systeme mit Daten von mehreren Maschinen, von denen jedes hunderte von Sensoren und mehrere Betriebsjahre hatte. Die Herausforderung? Probleme Minuten, Tage oder sogar Wochen zu erkennen, bevor sie den Betrieb beeinträchtigen könnten.

Ich las viel über die neusten Innovationen im Deep Learning - insbesondere bei Zeitreihendaten, der Art von Daten, mit der man in unserem Bereich am häufigsten arbeitet. Ich brannte dafür, die neusten Methoden einzusetzen. Aber hier ist der Haken: Es lief einfach nicht zusammen. Da wurde mir klar. Ich bin ein ausgebildeter Ingenieur. Ich weiß doch, wie dieses System funktioniert.

Warum soll KI lernen, was ich bereits weiß?

Das Überwachen des Zustands eines Vermögenswertes oder eines Fertigungsprozesses ist kein durchschnittliches KI-Projekt. Sich blind auf KI zu verlassen, vernachlässigt jahrzehntelange bewährte Verfahren zur Zustandsüberwachung und nutzt vorhandenes Prozesswissen nicht. KI hingegen nicht zu nutzen, ist wie Angeln ohne Netz. Schauen wir uns beide Seiten der Medaille an.

Die Rolle von KI in der Maschinenüberwachung

1. Automatische Erkennung: Anstatt stundenlang Daten manuell zu analysieren, um einen ausfallsicheren Gesundheitsindikator zu erstellen (der wahrscheinlich nicht existiert), können sich selbst optimierende Algorithmen schnell an wechselnde Bedingungen anpassen und die Notwendigkeit ständiger manueller Eingriffe reduzieren.
   Beispiel: Betrachten Sie ein industrielles Förderbandsystem. Mit der Zeit können Verschleiß und Abnutzung geringfügige Geschwindigkeitsänderungen verursachen. Während ein Mensch diese minimale Änderung möglicherweise verpasst, kann ein KI-Algorithmus sie erkennen und auf bevorstehende Wartungsbedürfnisse hinweisen.
2. Unbekannte Fälle aufdecken: Kein Experte kann, unabhängig von seiner Erfahrung, jeden möglichen Ausfallmodus eines komplexen Systems vorhersagen. KI kann mit ihrer enormen Rechenkapazität Anomalien hervorheben, die sonst unbemerkt bleiben könnten.
   Beispiel: In der Luftfahrtindustrie werden Düsentriebwerke streng getestet. Aber reale Bedingungen, wie unterschiedliche atmosphärische Drücke und Temperaturen, können unvorhergesehene Herausforderungen darstellen. KI kann helfen, diese unerwarteten Anomalien zu identifizieren.‍
3. Komplexe Muster entdecken: Multisensor-Systeme produzieren riesige Datenmengen. KI ist hervorragend darin, diese Daten zu durchsuchen und komplexe, zeitabhängige Muster zu identifizieren, die für das menschliche Auge möglicherweise nicht erkennbar sind.
   Beispiel: In einer vertikalen Farm können Bewässerungssysteme mit Sensoren den Feuchtigkeitsgehalt des Bodens, die chemische Zusammensetzung und die Pflanzengesundheit erkennen. KI kann diese Daten analysieren und optimale Bewässerungs- und Düngungspläne vorhersagen, um die Gesundheit der Pflanzen zu gewährleisten.‍
4. Sensor-Feedback zur Wichtigkeit & Zuverlässigkeit bieten: Nicht alle Sensoren sind gleich. KI kann bestimmen, welche Sensoren für eine gegebene Situation die kritischsten Daten liefern und die Effizienz des Systems optimieren.
   Beispiel: In einem Wasserreinigungswerk messen Sensoren den pH-Wert, die Trübung, die Durchflussrate und vieles mehr. Als Ingenieur, der sich auf Verunreinigungen konzentriert, müssen Sie wissen, welche Sensoren am aussagekräftigsten sind. Mit KI stellen Sie schnell fest, dass, während pH- und chemische Sensoren einige Hinweise geben, der Trübungssensor der eigentliche Star ist und die genauesten Informationen über die Kontamination liefert. Diese Erkenntnis ermöglicht es Ihnen, sich auf das zu konzentrieren, was wirklich wichtig ist, um die Wasserqualität aufrechtzuerhalten.
5. ‍Lösungen anpassen: Eine der Stärken der KI ist ihre Anpassungsfähigkeit. Machine-Learning-Modelle können neu angepasst werden, um den einzigartigen Bedingungen und Anforderungen einer bestimmten Anwendung gerecht zu werden.
   Beispiel: Bei erneuerbaren Energien stellen Windturbinen je nach Standort unterschiedliche Herausforderungen dar – eine Turbine an der Küste sieht sich anderen Umweltbelastungen gegenüber als eine in der Wüste. Bedingungen, die an einem Ort normal sind, können an einem anderen Ort hochanomal sein. KI kann ihre Algorithmen an diese einzigartigen Bedingungen anpassen.
   

Das Alte mit dem Neuen verbinden

Die wahre Magie entsteht, wenn wir das, was wir seit Ewigkeiten wissen, mit dem kombinieren, was KI tun kann. Wie macht man das? Hier einige Inspirationen:

• FMEA (Fehlermöglichkeits- und -einflussanalyse): Identifiziert potenzielle Ausfallmodi eines Produkts oder Prozesses und priorisiert sie nach ihrem Einfluss und ihrer Häufigkeit. KI kann den Prozess der Datenerfassung über Ausfallmodi automatisieren, riesige Datenmengen nach Mustern durchsuchen und die FMEA in Echtzeit aktualisieren.
• FTA (Fehlerbaumanalyse): Nutzt Baumstrukturen, um die verschiedenen Wege zu analysieren, auf die ein System ausfallen kann. KI kann den Fehlerbaum dynamisch aktualisieren, wenn neue Ausfallmodi auftreten und bietet eine Echtzeit-Risikobewertung.
• Ursachenanalyse (RCA): Ermittelt die zugrundeliegende Ursache eines Ausfalls. Algorithmen können riesige Datenmengen durchsuchen und Anomalien und Muster erkennen, die auf Ursachen hinweisen könnten, schneller als herkömmliche Methoden.
• Lebensdatenanalyse: Nutzt historische Ausfalldaten, um zukünftige Ausfallraten vorherzusagen. KI kann Modelle ständig anpassen und aktualisieren, wenn neue Daten eintreffen und bietet genauere und aktuellere Vorhersagen.
• Virtuelle Sensoren: In der Datenwissenschaft wird dieses Konzept oft als "Merkmalskonstruktion" bezeichnet. Es geht darum, Rohdaten in hochrelevante Datenpunkte zu verwandeln, die Erkenntnisse in den Vordergrund bringen. Diese können mit Algorithmen automatisch generiert oder auf tief verwurzeltem Prozesswissen basierend erstellt werden. Denken Sie an diese virtuellen Sensoren als digitale Spiegelbilder physischer Sensoren, die jeweils aussagekräftige Informationen erfassen. Zum Beispiel können in einem Kompressor Rohdaten von Ein- und Auslasstemperaturen, Druckstufen und Motorstrom verwendet werden, um die Effizienz, den spezifischen Energieverbrauch und die Wärmeraten des Systems zu berechnen. Alle vorherigen sind aussagekräftige Indikatoren für den Zustand des Systems und können die Leistung und Generalisierung jedes Algorithmus, der die Daten verwendet, verbessern.

Es geht also darum, das bewährte Prozesswissen mit den leistungsstarken datengesteuerten Werkzeugen, die wir heute in unserem Portfolio haben, in Einklang zu bringen. Dieses Kernkonzept treibt die Innovation bei Alpamayo voran. Wir nehmen bewährte Methoden, fügen eine Prise moderner Technologie hinzu und entwickeln Methoden, um Maschinen reibungslos laufen zu lassen.

‍

‍

‍