Die Anforderungen an die Instandhaltung von Maschinen haben sich in den vergangenen Jahren stark geändert. Statt festgelegte Wartungsintervalle zu befolgen, fokussieren sich Industrie-konzerne zunehmend auf künstliche Intelligenz (KI), um Störungen zu erkennen noch bevor sie eintreten. Auf diese Weise sind sie in der Lage, Ausfälle sowie ungeplante Stillstände auf ein Minimum zu reduzieren oder zu vermeiden und damit die Wartungskosten zu senken.

Ermöglicht wird das durch Predictive Maintenance – sprich vorausschauende Wartung. Hierbei lassen sich mithilfe von KI laufend Verfahrens- und Produktionsdaten von Maschinen und Anlagen erfassen, analysieren und Abweichungen außerhalb der Toleranzgrenze aufzeigen. Basierend auf den gesammelten Daten errechnet das System Wartungsinformationen, wie beispielsweise den idealen Zeitpunkt für den Tausch eines Verschleißteils, um einen langfristigen Ausfall der Maschine zu verhindern.

Herausforderung: Daten beherrschen und nutzbar machen

Bei der vorausschauenden Wartung wird täglich eine riesige Menge an Daten produziert und aufgezeichnet. Direkt an den Maschinen und Anlagen verbaute Sensoren messen kontinuierlich festgelegte Parameter wie Temperatur, Feuchtigkeit, Druck etc. Zeitgleich dokumentieren intelligente Maschinen Informationen über die Umwelt, zum Beispiel Außentemperatur, Erschütterungen oder Luftfeuchtigkeit. Abweichungen außerhalb der Toleranzgrenze lassen sich auf diese Weise rasch erkennen und Mängel frühzeitig beheben, noch bevor es zu einem Stillstand oder einem Ausfall kommt. Erst durch die Kombination mit anderen im Unternehmen vorhandenen Daten wie Wartungspläne, Konstruktionszeichnungen, Bestellungen und Rechnungen führen diese gesammelten Informationen zu tiefgehenden Erkenntnissen und damit zu einem enormen Vorteil im hart umkämpften Wettbewerb.

In der Praxis ist es aber meist der Fall, dass die Wartungsteams mit völlig anderen Anwendungen und Programmen arbeiten als die Mitarbeiter im Einkauf, in der Buchhaltung oder in der Qualitätssicherung. Die verfügbaren Informationen sind daher in unterschiedlichen Applikationen verteilt und jeder Mitarbeiter arbeitet nur mit einem Bruchteil des theoretisch nutzbaren Wissens. Was fehlt ist die Möglichkeit, eine Gesamtsicht auf ein bestimmtes Thema abzubilden.

Bild 1. Interactive Exploded View einer Insight Engine.

© Mindbreeze

Um diese Gesamtsicht abrufen zu können, setzen Unternehmen verstärkt so-genannte Insight Engines ein. Sie vereinen Technologien klassischer Enterprise Search-Lösungen mit künstlicher Intelligenz sowie fortschrittlichen Methoden der Spracherkennung, um Unternehmensdaten aus den unterschiedlichsten Quellsystemen intelligent zu verknüpfen, zu analysieren und aufzubereiten. Suchen Anwender nach einem bestimmten Thema wie einem Bauteil, schöpft die Insight Engine aus dem gesamten Datenpool. Sie berücksichtigt sämtliche unstrukturierte und strukturierte Daten – von Produktionsdaten über Wartungsprotokolle, Pläne, Dokumentationen bis hin zu Expertenmeinungen – extrahiert die benötigten Informationen und stellt sie angereichert mit kontextspezifischen Zusatzinformationen bereit. Informationen über Bestellhäufigkeiten, Qualität oder Experten zu einem gesuchten Thema oder dem entsprechenden Bauteil stehen damit ebenso übersichtlich aufbereitet zur Verfügung. In Form einer sogenannten ‚Inter-active Exploded View‘ lassen sich diese Detailinformationen mittels Mouseover abrufen, ohne dass der Anwender eine weitere Recherche starten muss. Dadurch bietet sich die Chance, Verbesserungspotenziale auf einen Blick zu erkennen und bei Bedarf einzelne Produktionsabläufe oder gar gesamte Geschäftsprozesse anzupassen. Muss aufgrund einer Abweichung außerhalb der Toleranzgrenze ein Bauteil ausgetauscht werden, besteht dank dieser 360°-Sicht ein Überblick über alle relevanten Informationen zu Hersteller, Lieferanten oder Qualität, obwohl diese in unterschiedlichen Datenquellen gespeichert sind (Bild 1).

Unterschied durch künstliche Intelligenz

Im Gegensatz zu herkömmlichen Suchmaschinen nutzen Insight Engines Methoden der künstlichen Intelligenz und Sprach-erkennung. Mittels Machine Learning und Deep Learning sowie Relevanzmodellen und Regeln sind sie in der Lage, aus den vorhandenen Daten benötigte Informationen zu extrahieren und diese entsprechend ihrer Korrelation zu verknüpfen.

Um sprachliche Feinheiten, Ähnlichkeiten und Bedeutungen unterschiedlicher Sätze zu erlernen, dienen unterschiedliche Methoden der Spracherkennung wie Natural Language Processing (NLP) und Natural Language Understanding (NLU). Während NLP dafür sorgt, dass die Insight Engine die menschliche Sprache korrekt verarbeitet, sorgt NLU für die richtige Interpretation der Intention der Anwender. Trotz der Ungenauigkeit und Mehrdeutigkeit der menschlichen Sprache sind Insight Engines in der Lage, die Absicht des Anwenders aus der Fragestellung korrekt abzuleiten und die Ergebnisse darauf auszurichten. Die Nutzer erhalten nur jene Antworten, die für sie relevant sind, übersichtlich aufbereitet in personalisierten Dashboards.

Bild 2. Aus dem Nutzerverhalten errechnetes, KI-basiertes Relevanzmodell.

© Mindbreeze

Mit maschinellem Lernen (Machine Learning) lassen sich spezifische Muster in Daten identifizieren und Vorhersagemodelle ableiten. Dazu bedient sich die Insight Engine unterschiedlicher Methoden. Zu den bekanntesten Verfahren gehört das Modell der künstlichen neuronalen Netze (Deep Learning), die nach dem Vorbild des menschlichen Gehirns ein Netzwerk aus Neuronen simulieren. Darüber hinaus lernt das System aus dem Nutzerverhalten und errechnet ein Modell (Relevanzmodell), dass automatisiert relevantere Inhalte vorrangig und proaktiv anzeigt (Bild 2). Dabei werden stets die spezifischen und persönlichen Zugriffberechtigungen der Anwender berücksichtigt. Diese überprüft die Lösung bei jeder Suchabfrage direkt bei den einzelnen Datenquellen und schränkt die Ergebnisse entsprechend ein. Daten, für die ein Anwender keine Berechtigungen aufweist, stehen damit auch nicht als Suchtreffer zur Verfügung. Auf diese Weise erhalten Anwender – im Rahmen ihrer jeweiligen Autorisierung – ihre Gesamtsicht (360°-Sicht) auf das Unternehmenswissen.

Einführung von Insight Engines

Insight Engines lassen sich in die bereits vorhandene IT-Infrastruktur und gewohnte Arbeitsumgebung integrieren. Mittels sogenannter Konnektoren erfolgt die Anbindung sämtlicher Datenquellen, also jener Anwendungen, in welchen die Daten gespeichert wurden. Je nach Anbieter stehen mehrere hundert Konnektoren für die verschiedensten Quellsysteme ‚out-of-the-box‘ zur Verfügung. Auch stehen sie in unterschiedlichen Betriebsmodellen bereit.

Eine Möglichkeit stellt die On-Premises Appliance dar: Hier wird eine hochleistungsfähige Hardware mit vorinstallierter Software ohne Verbindung nach außen in das unternehmensinterne Rechenzentrum integriert. Für Unternehmen, die bereits eine große Menge an Daten in Cloud-Lösungen (SharePoint online, Office 365, Salesforce) verwalten, bietet sich eine SaaS-Lösung (Software as a Service) an. Hierbei befindet sich die Appliance in den Cloud-Rechenzentren des Anbieters.

Eine Kombination beider Modelle stellt die hybride Lösung dar: Mittels Appliance werden die Daten aus den unterschiedlichen Applikationen im eigenen Rechenzentrum analysiert, während die Insight Engine die Daten aus Clouddiensten direkt aus der Cloud indiziert.

Besonders im Hinblick auf sensible Informationen stellen On-Premises Lösungen häufig die bevorzugte Variante dar. Diese Flexibilität reduziert den Aufwand für Mitarbeiter in der IT-Abteilung auf ein Minimum und die Insight Engine ist rasch einsatzfähig.

Der Autor: Daniel Fallmann ist Gründer und CEO von Mindbreeze.

© Mindbreeze

Sind die Datenquellen angebunden, analysiert die Insight Engine die Inhalte der verschiedenen Dateien und Dokumente, verknüpft sie miteinander, interpretiert Zusammenhänge und fasst sie in einem Index zusammen. Erst bei der Interaktion mit einem Ergebnis, etwa das Öffnen oder Bearbeiten eines Dokuments, wird der Nutzer in die entsprechende Anwendung weitergeleitet.

Der Einsatz von intelligenten Insight Engines endet nicht bei Predictive Maintenance: Mit Fähigkeiten im Bereich der intelligenten Datenaufbereitung stellen sie ein effektives Werkzeug für das gesamte Fertigungsunternehmen dar – vom Skills Management über das Stücklistenwesen und Qualitätsmanagement bis hin zu den Bereichen Service und Digitaler Zwilling.