Sie wissen, wie Sie effektiv und effizient die Maschinen in der Produktion instandhalten. Aus diesem Grund tauschen Sie auch nicht mehr zeitbasiert, sondern auf Basis einer Vorhersage oder des tatsächlichen Zustandes das Lager, das Getriebe o.ä. aus. Vielleicht arbeiten Sie dafür mit einem externen Dienstleister zusammen, der Ihnen regelmäßig einen Report über den Zustand der Ersatzteile schickt oder Sie haben internes Knowhow im eigenen Team aufgebaut. Sind Sie sicher, dass Sie damit schon alles ausgeschöpft haben, was möglich ist?
Sicher können Sie sich sein, wenn Ihr Dienstleister Ihnen bereits ein KI-Modell angeboten hat, um die angebotene Dienstleistung günstiger zu machen. Sicher können Sie sich ebenfalls sein, wenn Sie mit jedem Report eine Restlebensdauer genannt bekommen oder einen Datensatz, der für KI-Training geeignet ist. Das sind ja schließlich genau die Anforderungen, die Ihnen einen echten Vorteil verschaffen und natürlich Kosten sparen.
Sie haben sicher Gründe dafür, dass Sie lieber einen externen Dienstleister engagieren, statt das Knowhow in Bezug auf Predictive Maintenance oder Condition Monitoring im eigenen Unternehmen aufzubauen. Sie kommen gut damit klar, dass jemand regelmäßig vorbeikommt, Ihre Anlagen durchmisst und Ihnen nach ein paar Tagen einen Report als Ergebnis zuschickt. Hand aufs Herz: So ein Report ist leider meist nicht selbsterklärend und das, was drinsteht, ist eher ein “Beschreiben der Daten” und weniger ein “Das müssen Sie jetzt tun!“, oder? Ihre Instandhalter fragen sich zurecht, ob sie bei der Aussage “Der Außenring am Lager ist beschädigt.”, das Lager akut tauschen müssen oder auch noch (wie lange eigentlich?) warten können. Auch bei der Aussage “Der Schwellenwert ist laut Norm überschritten.” fragen sich Ihre Instandhalter, was genau zu tun ist, was die beste Entscheidung ist.
Ist ein Lager beschädigt oder der Motor nicht richtig angeschraubt? Was auch immer – die externen Dienstleister beantworten diese Art von Fragen meist nicht, weil die Erkenntnistiefe der Analyse dafür nicht ausreichend ist. Ehrlich gesagt, das ist aber genau das, was Sie und Ihre Instandhalter wollen: Wissen, wann man eine Komponente tauschen muss.
Und das Management fügt hinzu: Tauschen ja, aber bitte möglichst nah am tatsächlichen Zeitpunkt des Versagens, denn dann sparen wir auch Kosten. Auch damit muss man aber leben können: Ihre externen Dienstleister nutzen Geräte, die meist nicht in der Lage sind, eine Künstliche Intelligenz zu trainieren. Auf diese Geräte wird wochenlang geschult, unter Einsatz von Kopfhörern wird dem Ultraschall zugehört.
Aus erfassten Daten sollten sich klare Handlungsempfehlungen ergeben
Spezialauswertungen folgen – ohne Handlungsempfehlungen. So werden zwar wertvolle Messergebnisse erhoben und über Jahre gesammelt – damit arbeiten kann man aber nicht, weil sie nicht in geeigneter Form, also KI-gerecht gespeichert werden. Das aber ist die Zukunft. Fragen Sie Ihren externen Dienstleister ruhig einmal, ob man mit den bei Ihnen erhobenen Daten nicht auch eine KI trainieren kann. Mit hoher Wahrscheinlichkeit wird die Antwort ‚Nein‘ lauten. Aktuell speichert keiner der etablierten Anbieter die wertvollen, jahrelang gesammelten Anlagendaten KI-konform. Eine wertvolle Chance der Digitalisierung wird also nicht nur nicht genutzt, sondern verpasst.
Es lohnt sich also, gut zu überlegen, mit welchem Gerät man die Predictive Maintenance-Reise startet. Aber es ist ja nie zu spät auf Senzoro und ihr Ultraschall Condition Monitoring System zu setzen…
Autor: Dipl. Ing. Mag. Markus Loinig, Senzoro GmbH
Email: markus@senzoro.com
