{{{sourceTextContent.title}}}

Wie man eine industrielle KI-Strategie für die vorbeugende Instandhaltung erstellt

{{{sourceTextContent.subTitle}}}

Schritte, die bei der Bewertung der Vorteile und Herausforderungen eines industriellen KI-Projekts zu ergreifen sind.

{{{sourceTextContent.description}}}

Es ist schwer zu vermeiden, dass die ständige Exposition gegenüber künstlicher Intelligenz die Art und Weise, wie Dinge in der Fertigung, im Verkehrswesen, im Bergbau, in der Automobilindustrie und in vielen anderen Branchen getan werden, revolutioniert. Infolgedessen entwickeln Unternehmen oft KI-Strategien und investieren in KI-fähige Lösungen, aber am Ende entspricht ein Großteil der Arbeit nicht den ursprünglichen Erwartungen.

Laut PwC gaben beispielsweise nur 4% der Führungskräfte an, KI-Lösungen erfolgreich implementieren zu können, obwohl 46% der Befragten angaben, dass ihre Unternehmen versucht hätten, KI einzuführen.

Trotz des KI-Hypes müssen Unternehmen bei der Entwicklung einer KI-Strategie bedenken, dass ihre Entscheidungen vom erwarteten Return on Investment bestimmt werden müssen. Die Schlüsselfrage bei der Entwicklung einer KI-Strategie ist, welchen Nutzen das Unternehmen anstrebt - sei es die Senkung der Kosten, die Verbesserung der Leistung oder die Erschließung neuer Wachstumsmöglichkeiten.

Oftmals stellt sich heraus, dass die bestmögliche Entscheidung darin besteht, abzuwarten und die Umsetzung zu verschieben. Dies kann insbesondere dann der Fall sein, wenn es Technologieblocker gibt, die in naher Zukunft durch die natürliche Entwicklung der Technologie oder die Kostensenkung der Technologie selbst beseitigt werden könnten. In anderen Fällen könnte es am sinnvollsten sein, mit Volldampf voranzugehen.

Während Chancen und Herausforderungen, mit denen Unternehmen bei der Implementierung von KI-Lösungen wahrscheinlich konfrontiert werden, in gewissem Maße von Besonderheiten innerhalb einer bestimmten Branche oder Aufgabe abhängen können, ist der Gesamtansatz zur Bewertung von Möglichkeiten zur Nutzung von KI recht universell.

In diesem Beitrag konzentrieren wir uns auf das Szenario der vorausschauenden Instandhaltung als ein Beispiel, das die besten Praktiken im Zusammenhang mit der Erstellung einer KI-Strategie diskutiert und gleichzeitig konkrete Beispiele und umsetzbare Erkenntnisse liefert.

Schritt 1: Überprüfen Sie Ihre Daten

Eine der größten Herausforderungen bei der erfolgreichen Nutzung von KI zur Ermöglichung einer vorausschauenden Wartung besteht in der Beziehung zu Daten. Unternehmen, die viele Daten generieren, sind oft davon überzeugt, dass sie bereits über viele Daten verfügen, um prädiktive Modelle zu erstellen, und glauben, dass sie genügend Eingangsdaten von ausreichender Qualität sammeln, damit diese Modelle genau sind. In Wirklichkeit stellt sich oft heraus, dass es weit von der Wahrheit entfernt ist.

Der erste Schritt für Unternehmen besteht darin, eine Datenprüfung durchzuführen und festzustellen, welche Arten von Daten sich derzeit in ihrem Besitz befinden, wo sich diese Daten befinden und wie sie gesammelt werden. Daraus ergibt sich dann, ob die Menge, Qualität und Datenorganisation für die Zielaufgabe akzeptabel ist.

Schritt 2: Erstellen einer Roadmap

Der nächste Schritt ist die Entwicklung einer Projekt-Roadmap unter Berücksichtigung der aktuellen Architektur der Datenerfassungs- und Speichersysteme und der optimalen Architektur, die angesichts der Ziele optimal wäre (diese beiden Architekturen können oft erhebliche Unterschiede aufweisen). Erst wenn alle diese Fragen erfolgreich beantwortet wurden, kann die eigentliche Arbeit beginnen, beginnend mit dem Prozess der Anbindung an verschiedene Datenquellen, die später als Wissensbasis für das Modell des maschinellen Lernens dienen werden.

auto Karte Pins Adobe Stock selbstfahrende Berichte Artikel Um Logistik und Transportindustrie Anwendungen als ein Beispiel zu verwenden, könnte man sich ansehen:

Die Daten, die von Sensoren erfasst werden, die sich an verschiedenen Teilen von Maschinen befinden;

Technische Dokumentation zu diesen Maschinen;

Technische Spezifikationen für die produzierten Teile

Dokumentation für den Montageprozess;

Transportpläne;

Wettervorhersagen;

Gerätebestellungen und verschiedene andere Datensätze, die die Qualität der Modellvorhersage verbessern sollen, sofern die erforderlichen Daten konsistent und zu vertretbaren Kosten gesammelt werden können.

In einigen Fällen kann es vorkommen, dass sowohl die bestehende Architektur als auch die Datensätze komplett neu organisiert werden müssen, während in anderen Fällen die Arbeit auf die Montage der vorhandenen Teile zu einem neuen, robusteren Setup ausgerichtet ist. Letztendlich sollte die Entscheidung über den zu verfolgenden Ansatz immer auf einer gründlichen wertorientierten Analyse beruhen, die für ein bestimmtes Projekt gilt.

Warnung: Schauen Sie sich nicht vergangene Investitionen an

Es ist jedoch wichtig, eine Überfokussierung auf die Investitionen zu vermeiden, die bisher in die bestehenden Systeme und Prozesse getätigt wurden. Allzu oft werden Unternehmen voreingenommen und verlassen sich stark auf ihre aktuelle Datenarchitektur und sind resistent gegen signifikante Veränderungen.

Dies ist einer der größten Hindernisse für den Aufbau erstklassiger Prognoselösungen - für die KI kann sich das optimale Setup stark von dem unterscheiden, das vor Jahrzehnten entwickelt und für völlig andere Zwecke gebaut wurde.

Was CIOs beispielsweise oft als den Datensee bezeichnen, auf dem ihre Unternehmen laufen, ist oft gar kein Datensee (zumindest nicht in der heutigen Definition des Wortes) und ist daher kein geeigneter Rahmen für die zukunftsorientierte KI-infundierte Plattform. Stattdessen sollte der Entscheidungsprozess immer vergangene Anforderungen als verlorene Kosten behandeln und von den neuen Anforderungen und Zielen getrieben werden, die notwendig sind, um den richtigen ROI zu erzielen.

Schritt 3: Implementierung der Struktur

Sobald die Datenquellen definiert und die richtigen Datenflüsse etabliert sind, kommt die Zeit, die Struktur des Datensees zu implementieren, der als zentrales Repository genutzt wird. Alle Daten müssen standardisiert, abgebildet und bereinigt werden, um sicherzustellen, dass die historischen und Live-Feed-Daten dem gleichen Format und der gleichen Logik entsprechen und in Übereinstimmung mit den Richtlinien, die im Rahmen der vorherigen Schritte festgelegt wurden, erfasst, verarbeitet und dann aufbewahrt werden.

Schritt 4: Aktivieren von Vorhersagen

istock Prognosen 2019 RBR Automatisierung Geschäftsartikel Sobald der Datensatz fertig ist, kann mit der Arbeit zur Identifizierung der Gründe für Geräteausfälle begonnen werden. An dieser Stelle ist es das Ziel, Daten zu nutzen, um Muster aufzudecken, die auftreten, wenn bestimmte Teile der Anlage dem Ende der Wartung näher kommen oder gewartet werden müssen, und dann die optimalen Zeiten für die Durchführung der Wartung und den Austausch von Teilen zu bestimmen, die außer Betrieb genommen werden müssen.

Auch hier ist es wichtig zu bedenken, dass das ultimative Ziel die Maximierung des ROI ist, unter Berücksichtigung der Kosten für die Durchführung der Wartung und der Möglichkeit von Ausfällen sowie der damit verbundenen Kosten.

Kosteneinsparungsmöglichkeiten

Es gibt eine ganze Reihe von Möglichkeiten zur Kosteneinsparung, die unter anderem durch die Nutzung der kI-fähigen Modellierung der vorausschauenden Instandhaltung ermöglicht werden können:

Reduzierung der Mehrausgaben im Zusammenhang mit dem Austausch von Teilen, die noch eine Nutzungsdauer haben;

Optimierung der Wartungspläne durch Identifizierung und anschließende Reduzierung der Gemeinkosten für Reservegeräte;

Identifizierung der optimalen Zeiten für die vorbeugende Wartung und damit Reduzierung der Verluste durch unerwartete Geräteausfälle (verbunden mit systemischen Problemen);

In einigen Fällen (z.B. beim Transport), um die optimale Betriebsfrequenz für Geräte zu finden, die es ermöglichen, den Verschleiß zu reduzieren und einen besseren Kraftstoffverbrauch zu erzielen.

Letzter Schritt: Erkenntnisse generieren

Der letzte Schritt bei den Bemühungen, KI in die Geschäftsprozesse des Unternehmens einzuführen, sollte sich auf die Schaffung einer Reihe von Diensten konzentrieren, die dem Führungsteam und/oder den Aktionären des Unternehmens umsetzbare Erkenntnisse liefern.

Fazit

Trotz des enormen Potenzials von KI zur Verbesserung der bestehenden Prozesse und zur Generierung neuer Erkenntnisse für Unternehmen ist es wichtig zu beachten, dass KI nicht als eine Art universelles Multi-Tool behandelt werden sollte, das in der Lage ist, alle Arten von Problemen zu lösen.

Ausnahmsweise würde es immer wieder Fälle geben, in denen Menschen die KI noch übertreffen können, insbesondere unter Berücksichtigung des ROI. Als nächstes kommen einige Anwendungsfälle mit natürlichen Einschränkungen, die die Vorhersagekraft der KI verringern, einfach weil es nicht genügend Daten gibt, um Hypothesen zu testen. Im Falle der vorausschauenden Instandhaltung wäre ein Beispiel, bei dem dieses Phänomen auftritt, der Versuch, die KI zu nutzen, um Ausfälle für Geräte vorherzusagen, die im Durchschnitt nur einmal in 20 Jahren ausfallen.

Andere Situationen, in denen KI-fähige Systeme weniger als perfekte Ergebnisse liefern können, sind Fälle, in denen sich die Installation von Sensoren zur Datenerfassung als unmöglich oder unpraktisch erweist oder das Gerät in ständig wechselnden Umgebungen eingesetzt werden muss.

Schon die einfache Durchführung eines Voraudits, das für die Implementierung von KI-Lösungen erforderlich ist, kann viel Wert schaffen. Denken Sie daran, dass das ultimative Ziel eines jeden Unternehmens nicht darin besteht, eine KI-gestützte Vorhersagemaschine nur um der Sache willen zu implementieren, sondern vielmehr darin, eine spezifische geschäftliche Herausforderung zu lösen. Nehmen Sie sich daher Zeit, um die Grenzen der vorgeschlagenen KI-basierten Lösung zu definieren und zu verstehen, vergleichen Sie sie dann mit einem von Menschen getriebenen Prozess und treffen Sie schließlich eine fundierte Entscheidung über den besten North-Star-Prozess, der in Zukunft durchgeführt werden soll.