Die technologische Beschleunigung der vergangenen Jahre im Bereich der Künstlichen Intelligenz kann den Eindruck erwecken, dass es eine Art von KI gibt, die auf alles oder zumindest fast alles eine Antwort hat. 

Möchten Sie die Verfügbarkeit Ihrer Anlagen erhöhen? Implementieren Sie vorausschauende Wartung.

Möchten Sie einen möglichen Ausfall frühzeitig erkennen? Nutzen Sie Machine Learning.

Möchten Sie die Produktivität einer Linie steigern? Erstellen Sie einen Digital Twin.

Sie wissen nicht, wo Sie anfangen sollen? Fragen Sie die KI.

Die Leistungsfähigkeit heutiger KI-Engines ist unbestritten. Wir sind in der Lage, innerhalb kürzester Zeit immer präzisere Antworten, Analysen und Prognosen zu erhalten.

Wenn es jedoch um den Einsatz von KI im industriellen Umfeld geht, ist die Situation komplexer. Trotz des wachsenden Interesses und zahlreicher erfolgreich abgeschlossener Proofs of Concept (PoC) fällt es vielen Lösungen nach wie vor schwer, sich unternehmensweit auszuweiten und dauerhaft zu etablieren.

Das erste Hindernis liegt inzwischen auf der Hand: Um zuverlässige Ergebnisse zu erzielen, ist eine hochwertige, umfangreiche, strukturierte und angemessen kontextualisierte Datenbasis erforderlich, auf der die Algorithmen trainiert werden können.

Doch das ist nicht die einzige Herausforderung.

Auch ein erfolgreicher PoC lässt sich nicht immer in ein echtes industrielles Projekt überführen. Das Problem liegt nicht nur in der Definition und Genauigkeit des Modells, sondern vor allem in der Fähigkeit, eine Prognose in eine Entscheidung und eine Entscheidung in eine konkrete Aktion umzuwandeln.

Genau an diesem Übergang entscheidet sich ein wesentlicher Teil des Mehrwerts von KI in der Industrie.

•  Wie lässt sich eine KI-Lösung im täglichen Betrieb tatsächlich operativ einsetzen? 
  
•  Hat die KI wirklich auf alles eine Antwort? 
  

Genau diese beiden Fragen stehen im Mittelpunkt unseres Artikels.

Um sie zu beantworten, begleiten wir Daniel, einen jungen Wartungsmitarbeiter, während seiner Arbeitsschicht. Dabei betrachten wir Situationen und Entscheidungen genauer, in denen KI eine wertvolle Unterstützung bieten, aber auch ihre Grenzen zeigen kann.

Was erkennt die KI mithilfe der Daten?

Daniel ist ein junger Mitarbeiter des Wartungsteams und hat in dieser Nacht Dienst.

Sein Unternehmen hat erfolgreich ein KI-Modell implementiert, das in der Lage ist, das Ausfallrisiko einiger der kritischsten Assets frühzeitig zu erkennen.

Es ist 2:30 Uhr morgens, als Danieleine Benachrichtigung erhält: Der Algorithmus meldet eine hohe Wahrscheinlichkeit für einen Stillstand innerhalb der nächsten drei Stunden: Asset 1 – High Anomaly Score.

Daniel öffnet die Benutzeroberfläche und ruft die Details des gefährdeten Assets auf. Das KI-basierte Tool hebt einige Messwerte hervor, die zu dem hohen Anomaly Score beitragen. Der Algorithmus hat erkannt, dass Betriebsbedingungen, die den aktuellen ähneln, in der Vergangenheit sehr häufig innerhalb von 3–5 Stunden zu einem Stillstand des Assets geführt haben.

„Und was macht man jetzt?“

Das Tool zeigt ihm die Messwerte, die die Abweichung verursacht haben: Druck, Stromaufnahme der Pumpe und Vibrationsniveau. Daniel betrachtet die Daten, aber die Frage bleibt.

Die KI konnte eine Situation erkennen, die in der Vergangenheit einem Stillstand vorausgegangen ist. Dazu hat sie den Anomaly Score quantifiziert, also das Maß für die Abweichung zwischen dem idealen Verhalten des Assets und seinen aktuellen Betriebsbedingungen.

Darüber hinaus hat sie eine zeitliche Prognose geliefert und auf Grundlage ähnlicher Situationen aus der Vergangenheit abgeschätzt, wann anomale Bedingungen wie die erkannten zu einem Problem führen könnten.

Schließlich hat sie die Messwerte identifiziert, die statistisch am stärksten zum anomalen Zustand beitragen: Druck, Stromaufnahme und Vibrationen.

All das ist äußerst nützlich. Aber es gibt einen entscheidenden Punkt: Die KI hat eine prädiktive Analyse geliefert, aber keine Lösung. Sie hat Daniel gesagt, was gerade passiert und was passieren könnte. Sie hat ihm nicht gesagt, was er tun soll.

Lesen Sie auch: Wie generative KI mit dem CONNECT AI Assistant den Zugriff auf industrielle Daten verändert 

Wie kann die KI eine Lösung für ein Problem liefern? 

An diesem Punkt entscheidet sich Daniel für eine Sichtprüfung direkt an der Anlage.

Bevor er in die Produktion geht, prüft er am PC, ob im gemeinsamen Ordner des Wartungsteams eine Inspektionsanweisung zu Druck- oder Vibrationsproblemen verfügbar ist. Diese könnte ihn bei der Überprüfung aller Aspekte der Anlage unterstützen, die er noch nicht besonders gut kennt. Über das Wartungs-Tool prüft er außerdem, welche Wartungsaktivitäten zuletzt an dem Asset durchgeführt wurden.

Das Ergebnis ist interessant, aber nicht entscheidend: Daniel findet eine Inspektionsanweisung im PDF-Format, stellt jedoch fest, dass sie sich auf die alte Version der Anlage vor dem Revamping bezieht.

Aus der Wartungshistorie geht außerdem hervor, dass in den letzten zwei Monaten wöchentlich Inspektionen durchgeführt wurden, ohne dass dabei Anomalien festgestellt wurden.

Zwei Monate zuvor wurde jedoch eine kurze Notiz erfasst: „Asset 2 – KI-Meldung einer Anomalie bei Vibrationen und Stromaufnahme – Motorwelle geschmiert.“

Daniel überlegt: „Bin ich in derselben Situation wie vor zwei Monaten bei der baugleichen Anlage? Wird es auch dieses Mal ausreichen, sie zu schmieren?“

Die KI hat eine leistungsfähige und auf ähnliche Assets übertragbare Analyse geliefert und damit ein effektives Tool zur Erkennung und Interpretation anomaler Zustände bereitgestellt. Aber auch in diesem Fall zeigt sich eine wichtige Grenze.

Häufig fehlt ein Bindeglied zwischen der digitalen Welt der Anlage, die aus Sensoren, Daten und mathematischen Modellen besteht, und der physischen und mechanischen Welt, die aus Zahnrädern, Dichtungen, Lagern, Wellen und Antriebsriemen besteht.

Die KI kann ein Muster erkennen und zeigen, wo man genauer hinsehen sollte. Aber um zu verstehen, was tatsächlich mit der Anlage geschieht und welcher Eingriff notwendig ist, braucht es weiterhin die Verbindung zum Wissen über die physische Welt.

Wie kann die KI die Lösung für ein Problem liefern?

Daniel ist ein junger Wartungsmitarbeiter, der daran gewöhnt ist, für fast alle Aktivitäten seines täglichen Lebens digitale Tools zu nutzen. Er ist frustriert: Es gelingt ihm nicht, schnell eine Antwort oder einen Hinweis zu finden, der ihm bei der Lösung des Problems hilft.

Anomaly Score, Korrelationen zwischen Messwerten und statistische Modelle gehören nicht zu den Bereichen, in denen er sich besonders wohlfühlt.

Die KI hat ihn auf ein mögliches Problem hingewiesen, konnte dieses aber nicht mit möglichen Lösungsmaßnahmen verknüpfen.

Daniel fragt sich:

• Muss ich die Setpoints ändern, die den Druck beeinflussen?
• Muss ich die Zykluszeiten verlangsamen?
• Muss ich physisch an der Anlage eingreife
  
  

Genau hier zeigt sich das fehlende Bindeglied.

Damit die KI präzisere Hinweise dazu geben kann, „was zu tun ist“, müssen die Handlungen der Mitarbeiter erfasst und mit den Ereignissen in Beziehung gesetzt werden, durch die sie ausgelöst wurden.

Um ein KI-Tool tatsächlich operativ nutzbar zu machen, reicht es daher nicht aus, die Anomalie zu erfassen: Es ist entscheidend, auch den Weg zu dokumentieren, der von der Erkennung des Problems zu seiner Lösung geführt hat.

Bei einem bestimmten Anomaly Score muss nachvollzogen werden können, welche Analysen durchgeführt, welche Überprüfungen vorgenommen und welche Korrekturmaßnahmen umgesetzt wurden.

Eine vollständige Ausfallhistorie, in der Symptome, Messungen, Diagnosen und Korrekturmaßnahmen erfasst werden, ermöglicht es der KI, die aktuelle anomale Situation mit bereits in der Vergangenheit aufgetretenen Situationen zu verknüpfen und die wahrscheinlichste Lösungsmaßnahme vorzuschlagen.

Aber nicht nur das.

Dieselbe Historie kann dabei helfen, mögliche „Fehleinschätzungen“ des KI-Modells zu erkennen, indem Fälle sichtbar werden, in denen eine bestimmte Anomalie nicht zu dem vorhergesagten Ausfall geführt hat.

Auf diese Weise wird die von den Mitarbeitern gesammelte Erfahrung zu einem integralen Bestandteil des Systems. Die KI beschränkt sich nicht mehr darauf zu sagen: „Es könnte ein Problem geben“, sondern kann beginnen vorzuschlagen: „Das hat in ähnlichen Situationen funktioniert.“

Das ist der Übergang von prädiktiver KI zu operativer KI.

Wie lässt sich eine KI-Lösung im täglichen Betrieb operativ einsetzen?

Daniel geht in die Produktion und fragt den Anlagenbediener, ob ihm etwas Ungewöhnliches aufgefallen ist.

„Bis jetzt alles in Ordnung.“

Daraufhin führt er eine Sichtprüfung der Anlage durch und folgt dabei dem, was er während seiner Schulung gelernt hat. Bei der Kontrolle bemerkt er ein leichtes Tropfen unter der Ablaufpumpe. Er fragt den Anlagenbediener erneut, um herauszufinden, wie lange dies bereits auftritt.

„Das fällt mir auch gerade erst auf. Es muss eben erst angefangen haben. Es scheint mir nur eine Kleinigkeit zu sein, so etwas kann manchmal vorkommen. Aber Vorsicht: Wenn die Leckage zunimmt, kann sie zu einem Druckabfall und zum automatischen Stillstand der Anlage führen. Das ist in der Vergangenheit bereits passiert und das Problem wurde durch den Austausch der Dichtung behoben.“

Daniel beginnt, die Informationen zusammenzufügen:

• etwa 30 Minuten zuvor wurde ein Anomaly Warning ausgelöst, mit einem geschätzten Stillstandsrisiko innerhalb der nächsten 3 Stunden;
• zu den Variablen, die zur Anomalie beitragen, gehört der Durchfluss;
• unter der Ablaufpumpe ist seit Kurzem ein Tropfen festzustellen;
• die Erfahrung des Anlagenbedieners zeigt, dass die Leckage noch gering ist, bei einer Zunahme jedoch zu einem Stillstand führen kann;
• eine mögliche Lösung besteht in der Inspektion und dem eventuellen Austausch der Dichtung.
  
  

An diesem Punkt steht Daniel vor einer Entscheidung, die die KI ihm nicht abnehmen kann: Soll er einen Produktionsstopp anfordern, um die Dichtung auszutauschen oder zumindest eine genauere Inspektion durchzuführen?

Und hier entstehen neue Fragen:

Wer muss diese Entscheidung treffen?

Wie lässt sich der Eingriff so planen, dass die Auswirkungen auf die Produktion möglichst gering bleiben?

Paradoxerweise hätte Daniel beinahe lieber gar kein KI-Tool zur Verfügung und würde erst dann einen Anruf erhalten, wenn das Problem offensichtlich geworden und vielleicht auch die Lösung inzwischen klar wäre. Aber genau das ist das Paradoxon der vorausschauenden Wartung.

Bei einem offensichtlichen und eindeutig festgestellten Problem eine Entscheidung zu treffen, kann einfacher sein, als eine Entscheidung zu treffen, wenn lediglich ein Verdacht, eine Vermutung oder – im Fall der KI – eine von einem Modell erstellte Prognose vorliegt.

Das Problem ist, dass das Warten, bis der Ausfall offensichtlich wird, häufig bedeutet, erst einzugreifen, wenn der Schaden bereits eingetreten ist.

Reaktive Maßnahmen verursachen tatsächlich höhere Kosten – sowohl hinsichtlich der Stillstandszeiten als auch hinsichtlich der Auswirkungen auf die Produktion.

Die eigentliche Herausforderung besteht daher nicht nur darin, ein Problem vorherzusagen, sondern die richtige Entscheidung zum richtigen Zeitpunkt zu treffen und dabei Daten, KI, die Erfahrung der Mitarbeiter und das Wissen über den Produktionsprozess miteinander zu verbinden.

 Mehr erfahren:  Wie wird KI den nachhaltigen Wandel der Branche beschleunigen? 

Hat die KI auf alles eine Antwort? 

Daniels Erfahrung macht eine mögliche Grenze von KI bei industriellen Implementierungen deutlich: Der physische und elektromechanische Kontext der Assets ist nicht immer in digitaler Form verfügbar.

Ein KI-Modell kann eine korrekte Prognose liefern, ohne jedoch über alle Kontextinformationen zu verfügen, die notwendig sind, um daraus einen präzisen und tatsächlich hilfreichen Hinweis für diejenigen abzuleiten, die an der Anlage arbeiten.

Eine Druckanomalie kann beispielsweise durch eine verschlissene Dichtung verursacht werden, aber ebenso durch eine Veränderung der Dichte der Rohstoffe oder durch die Wahl eines bestimmten Setpoints.

Aus diesem Grund kann industrielle KI nicht allein von den Daten aus der Sensorik leben.

Um wirklich effektiv zu sein, muss sie auf den betrieblichen Kontext, das Wissen über den Prozess und die von den Mitarbeitern gesammelte Erfahrung zugreifen können. Dafür sind Tools erforderlich, die auch diese Informationen erfassen, strukturieren und verfügbar machen können.

Menschliche Erfahrung ist daher kein Element, das durch KI ersetzt werden soll, sondern ein wesentlicher Bestandteil, um deren Fähigkeiten zu ergänzen und tatsächlich operativ nutzbar zu machen.

Der tatsächliche Wert industrieller KI entsteht, wenn Daten, Künstliche Intelligenz und die Erfahrung der Mitarbeiter zusammenarbeiten.

Was muss die KI ergänzen, damit sie wirklich effektiv wird?

Das gerade beschriebene Beispiel umfasst Situationen, die im industriellen Umfeld alles andere als selten sind: fragmentierte oder nicht aktuelle Informationen, unzureichende Kommunikation zwischen Mitarbeitern und Schwierigkeiten bei der Festlegung von Prioritäten, wenn der Produktionsplan geändert werden muss.

Die Implementierung einer KI-Lösung beginnt mit Daten aus der Sensorik, die entscheidend sind, um zu verstehen, wie sich ein Asset oder ein Produktionsprozess verhält. Diese Daten müssen jedoch mit dem betrieblichen Kontext, den Handlungen der Mitarbeiter und den in der Praxis gesammelten Erfahrungen in Beziehung gesetzt werden.

Und genau hier entstehen einige grundlegende Fragen:

• Wo werden Wartungsaktivitäten erfasst und mit welchem Detaillierungsgrad?
• Wie kann ein Anlagenbediener eine anomale Situation melden, auch wenn sie scheinbar keine unmittelbaren Auswirkungen hat?
• Wie kann er auf stets aktuelle Dokumentationen und Verfahren zugreifen?
• Wie kann er die Auswirkungen einer Wartungsaktivität auf die betriebliche Planung überprüfen?
• Wo werden die Meldungen der KI, ihre tatsächliche Korrektheit und die daraus entstandenen Auswirkungen dokumentiert?
  
  

Die KI ist in der Lage, die Fragen zu beantworten, für die sie trainiert wurde. Im industriellen Umfeld befinden sich jedoch viele der Antworten, die für eine Entscheidung benötigt werden, im betrieblichen Kontext, in der Erfahrung der Mitarbeiter und in der physischen Welt der Produktion und liegen noch nicht in digitaler Form vor.

Der Erfolg einer KI-Implementierung hängt daher auch von der Fähigkeit ab, die Konsequenz einer Anomaliemeldung auf verschiedenen Ebenen der Organisation operativ umzusetzen.

Ohne eine Integration in die täglichen Abläufe der Mitarbeiter besteht die Gefahr, dass KI als Fremdkörper und in manchen Fällen sogar als Störung wahrgenommen wird: als ein weiteres System, das Probleme meldet, ohne die notwendigen Tools bereitzustellen, um mit ihnen umzugehen.

Von der Prognose zur Aktion

KI wird in den Anwendungsarchitekturen der Produktion der Zukunft eine immer wichtigere Rolle spielen. Ihr Erfolg wird jedoch nicht nur von der Qualität des Modells oder von der Fähigkeit abhängen, präzise Prognosen zu erstellen.

Er wird von ihrer Integration in das gesamte Produktionsökosystem abhängen.

Der entscheidende Übergang vom PoC zu einer tatsächlich erfolgreichen Lösung hängt von der digitalen Reife des Umfelds ab, in dem die KI implementiert wird: von der Qualität und Verfügbarkeit der Daten über die Fähigkeit, Verfahren zu standardisieren und zu digitalisieren, bis hin zur Möglichkeit, die Erfahrung der Mitarbeiter zu dokumentieren und den Produktionsplan auf Grundlage der getroffenen Entscheidungen neu zu planen.

Denn in der Industrie ist die Vorhersage eines Problems nur der erste Schritt. Der tatsächliche Wert entsteht, wenn aus dieser Prognose eine Entscheidung und schließlich eine Aktion werden kann.

Wie unterstützen AVEVA Lösungen die Implementierung von KI? 

 Im AVEVA Portfolio ist KI Teil eines Ökosystems industrieller Lösungen, das ihre Integration in den täglichen Betrieb unterstützt und beschleunigt. 

Über die Datenerfassungsplattformen des Angebots Monitoring&Control werden Sensordaten kontinuierlich von den Steuerungen erfasst und allen Mitarbeitern über plattformübergreifende Benutzeroberflächen zur Verfügung gestellt.

Mit Lösungen wie AVEVA Historian und AVEVA PI werden die Daten in hoher Auflösung gespeichert, mit dem betrieblichen Kontext korreliert und gegebenenfalls für die Nutzung durch Analyse- oder Reporting-Lösungen gefiltert und optimiert. All dies wird zur unverzichtbaren Quelle für das Training der Modelle. Darüber hinaus können Mitarbeiter mithilfe von Lösungen wie dem AI Assistant als Bestandteil von CONNECT Daten in natürlicher Sprache durchsuchen und analysieren. Dadurch wird der Zugriff auf die Daten vereinfacht und gefördert.

AVEVA Advanced Analytics ist die industrielle KI-Engine, in der eine Reihe von Modellen für industrielle Use Cases zur Verfügung steht, die für den jeweiligen Produktionskontext konfiguriert werden können. AVEVA Advanced Analytics ist jedoch weit mehr als eine KI-Engine. Die Lösung umfasst Benutzerfunktionen, mit denen durchgeführte Aktionen erfasst, Entscheidungen geteilt und erzielte Ergebnisse gemessen werden können. Dies ist die entscheidende Phase, die als „Operationalize“ bezeichnet wird und industrielle Anwender beim entscheidenden Übergang vom PoC zur operativen Lösung unterstützt.

Zur Unterstützung dieser entscheidenden Phase steht auch AVEVA Teamwork zur Verfügung. Die Lösung ermöglicht den Austausch zu allen manuellen Aktivitäten sowie die Digitalisierung von Formularen, Verfahren und Schulungen.

Das AVEVA Portfolio geht noch weiter und umfasst die MES-Plattform, mit der alle Produktionsphasen umfassender gesteuert und erfasst und das Daten-Repository, mit dem die KI arbeitet, angereichert werden können. Über das Planungstool PlanetTogether unterstützt AVEVA schließlich die detaillierte Planung von Aktivitäten und der Ressourcennutzung. Dank der What-If-Analysefunktionen können Aktivitäten bei unvorhergesehenen Ereignissen schneller und effektiver neu geplant werden.

Mit AVEVA entscheiden Sie sich für ein Portfolio von Lösungen, das Anwender bei ihren Tätigkeiten begleitet und einen vereinfachten Zugang zu Informationen gewährleistet. Darüber hinaus stellt AVEVA Tools bereit, mit denen sich die Erfahrung der Mitarbeiter nutzen und digitale Daten mit den physischen Handlungen verknüpfen lassen, die das industrielle Umfeld prägen.