16. ExpertInnnengruppensitzung F&E | Predictive Maintenance und Künstliche Intelligenz

Die 16. Sitzung der ExpertInnengruppe Forschung, Entwicklung & Innovation stand ganz im Zeichen der Instandhaltung und ihrer Verbindung mit Künstlicher Intelligenz, letztendlich aufgehend im Themenkomplex der Predictive Maintenance; der vorausschauenden Instandhaltung.

Auf der Agenda standen hochkarätige und vor allem praxisbezogene Vorträge, die im Aufbau dem Ablauf der Predictive Maintenance Pipeline folgen (siehe Grafik). Durch die systematische Reihenfolge gelang es den Vortragenden somit auch Personen mit wenig Berührungspunkten zur Instandhaltung in produzierenden Unternehmen kongruent in die Welt der essentiellen Wartung und Instandhaltung einzuführen. Eine komplexe Welt, die viele Schnittstellen und Ansatzpunkte aufweist.

Durch den Workshop führten:

  1. Datenqualität in Unternehmen
    • Tanja Nemeth, Fraunhofer Austria
  2. Anomalieerkennung im Industriellen Kontext
    • Bernhard Haslhofer und Clemens Heistracher, AIT
  3. Predictive Maintenance – Möglichkeiten und Grenzen
    • Hubert Biedermann, Montanuniversität Leoben
  4. Text Mining in der industriellen Instandhaltung
    • Fazel Ansari, TU Wien
  5. Assistenzsysteme: Digitale Instandhaltung mit Hilfe von KI
    • Benjamin Schwärzler, Workheld
  6. Predictive Maintenance in der Praxis: Large Scale Augemented Reality
    • Lena Miglbauer und Clemens Kirner, Insider Navigation

Daten sind das Fundament der digitalen Welt. Mit Hilfe quantitativer Kennzahlen können diese vermessen und beurteilt werden. Hier knüpfte der erste Vortrag der 16. EG-Sitzung F&E an und zeigte anschaulich am Beispiel der Instandhaltung wie Unternehmen ihren Reifegrad im Umgang mit Daten bestimmen können. Dr. Tanja Nemeth (Fraunhofer Austria) präsentierte ein ausgeklügeltes Modell, aus dem sich konkrete Handlungsempfehlungen ableiten lassen.

Speziell im industriellen Kontext steht man als Data Scientist oft vor dem Problem, dass automatisierte Prognosemodelle entwickelt werden sollen, die notwendigen “Ground-Truth Daten”, wie z.B. historische Ausfälle, jedoch nicht oder nur in minderer Qualität zur Verfügung stehen. In solchen Situationen kann Anomalieerkennung zur Detektion “ungewöhnlichen” Verhaltens eingesetzt werden, um den längerfristigen Aufbau einer qualitativ hochwertigen Datenbasis zu unterstützen. Bernhard Haslhofer und Clemens Heistracher skizzierten die prinzipielle Funktionsweise von Anomalieerkennung, gaben einen Überblick über bekannte Verfahren und diskutierten mit den TeilnehmerInnen ihre potenzielle Rolle in einer breiter angelegten Datenmanagement-Strategie.

Die zunehmende Digitalisierung bietet der Instandhaltung die Chance einen höheren Reifegrad im strategisch-operativen Management zu erreichen. Die zumeist ex ante festgelegte Instandhaltungsstrategie mit vorwiegend ausfallbezogener und präventiver (statischer) Vorgangsweise stößt mit zunehmender Wertschöpfungsorientierung an ihre Grenzen. Durch die Integration der Datenbasen und die Weiterentwicklung der Verfahren der Zustandsprognose ergeben sich vielfache Möglichkeiten die Zuverlässigkeit und gleichzeitig die Ressourceneffizienz zu erhöhen. Der derzeitige Stand der Zustandsprognose in Wissenschaft und Praxis wurde von Hubert Biedermann überblicksartig ebenso aufgezeigt wie die Vorgangsweise zur Predictive Maintenance, inklusive einiger Fallbeispiele. Die Grenzen der Anwendung von PM rundeten den Beitrag ab.

Predictive Maintenance in Zeiten von Industrie 4.0 beinhaltet auch die Berücksichtigung von unstrukturierten, primär textuellen Daten. Fazel Ansari erklärte wie Text-Mining bei der Analyse unstrukturierter Daten für moderne Instandhaltung zielgerichtet eingesetzt werden kann. In seinem Beitrag zeigte er auf welche Chancen und Vorteile sich für Industrieunternehmen ergeben und welches Wissen aus industrieller Dokumentation gewonnen werden kann.

Beim Thema Predictive Maintenance stehen häufig Maschinendaten im Fokus – Maschinen benötigten aber auch Menschen, die sie bedienen und warten. Benjamin Schwärzler gab daher Einblicke in die digitale Instandhaltung – er erklärte, wie die automatisierte Auftragsgenerierung für Instandhaltungsteams gelingen und wie die Dokumentation in ein Predictive Maintenance Model einfließen kann. Mit Sprachassistenz und künstlicher Intelligenz unterstützt sein Unternehmen diese Themen in einem breiten Kontext.

Den Abschluss bildeten Clemens Kirner und Lena Miglbauer von Insider Navigation Systems. Insider Navigation hilft Unternehmen mit ihrer Augmented Reality Predictive Maintenance Lösung dabei, betriebliche Wartungsprozesse zu optimieren und gezielt zu steuern. Clemens Kirner erklärte, wie dadurch Kosten gesenkt und Prozesse optimiert werden können, ohne die Produktion zu beeinträchtigen. Er zeigte außerdem mögliche Lösungsansätze auf, um die Instandhaltung kritischer Produktionsanlagen effizienter zu gestalten.

Zusammenfassend zeigte die letzte Sitzung auf, was an Lösungs- und Forschungskompetenz in Österreich bereits vorhanden ist und vor allem auch wie diese international nachgefragt wird. Eine Momentaufnahme die optimistisch in die Zukunft blicken lässt und die TeilnehmerInnen mit systematisch aufbereitetem Wissen und Erfahrungen aus dem (Produktions-)Alltag bereichert hat.

Für näherführende Informationen zu den Vorträgen, einer ausführlichen Mitschrift – vor allem zu Erkenntnissen, die während der Vorträge und Diskussionen geteilt wurden – sowie den gezeigten Präsentationen und dazugehöriger Angebote der Vortragenden wenden Sie sich bitte an michael.fellner@plattformindustrie40.at

Herzlichen Dank an unsere Vortragenden und an die zahlreichen TeilnehmerInnen und deren wertvolle Diskussionsbeiträge!

 

Steffen Nixdorf, TU Wien
Datenschutz
, Besitzer: (Firmensitz: Deutschland), verarbeitet zum Betrieb dieser Website personenbezogene Daten nur im technisch unbedingt notwendigen Umfang. Alle Details dazu in der Datenschutzerklärung.
Datenschutz
Länderflagge Deutsch
, Besitzer: (Firmensitz: Deutschland), verarbeitet zum Betrieb dieser Website personenbezogene Daten nur im technisch unbedingt notwendigen Umfang. Alle Details dazu in der Datenschutzerklärung.