Werkzeuge der künstlichen Intelligenz (KI) werden überall eingesetzt, auch in der industriellen Instandhaltung.
Industrieunternehmen versuchen seit langem, von reaktiven oder präventiven Instandhaltungsprozessen (PM) wegzukommen. Mit den richtigen Technologien können sie Strategien zur vorausschauenden Instandhaltung (Predictive Maintenance, PdM) einführen, die den Lebenszyklus von Anlagen maximieren und das Risiko ungeplanter Ausfallzeiten verringern. Doch wie kann KI diesen Ansatz unterstützen und fördern?
Insgesamt ist die Zukunft der KI in der industriellen Instandhaltung vielversprechend. Um das volle Potenzial von Technologien der künstlichen Intelligenz in der Instandhaltung auszuschöpfen, ist jedoch ein weiterer wichtiger Schritt erforderlich. Hier ein Blick darauf, wie weit diese Tools bereits entwickelt sind, wohin sie sich entwickeln und wie Ihr Unternehmen künstliche Intelligenz nutzen kann, um sich einen Vorteil zu verschaffen.
Der Aufstieg der KI in der industriellen Instandhaltung
Künstliche Intelligenz gibt es in der einen oder anderen Form schon seit Jahrzehnten. Ihre weit verbreitete Nutzung ist jedoch in letzter Zeit in die Höhe geschnellt. Die Frage ist: Warum jetzt?
Die rasche Einführung von KI in der industriellen Instandhaltung und anderen Bereichen ist auf drei wichtige Entwicklungen zurückzuführen:
- Rechenleistung: Dank der Weiterentwicklung von Recheneinheiten können KI-Modelle große Datenmengen effizienter verarbeiten
- Verfügbarkeit der Daten: Das Internet und die IoT-Geräte haben zu einer Explosion von Daten geführt
- Forschung und Entwicklung: Kontinuierliche Investitionen in KI haben zu einer Kaskade von Durchbrüchen geführt
Künstliche Intelligenz gewinnt mit jedem neuen bemerkenswerten Fortschritt an Dynamik. Heute ist KI ein brauchbares Werkzeug zur Verbesserung der industriellen Instandhaltungspraktiken. Die Industrieunternehmen haben jedoch kaum an der Oberfläche dessen gekratzt, wozu prädiktive KI-Tools in der Lage sind.
Wie AI zum Mainstream wurde
Jahrzehntelang hatten nur Doktoranden und Forscher Zugang zu Modellen der künstlichen Intelligenz. Diese frühen Modelle waren für reale Anwendungen nicht besonders nützlich. I-care und andere Lösungsanbieter trugen dazu bei, dies zu ändern, indem sie kundenspezifische Nischenanwendungen entwickelten, die auf spezifische geschäftliche Herausforderungen ausgerichtet waren. Dieser Ansatz führte zur Einführung von KI-gesteuerten Lösungen, die für eine begrenzte Anzahl von industriellen Endnutzern zugänglich wurden, die als Early-Adopters in der Industrie gelten. Diese Lösungen wurden meist von Spezialisten innerhalb des Unternehmens erarbeitet. Obwohl sie definitiv nicht weit verbreitet oder demokratisch zugänglich waren, waren sie dennoch wertvoll.
Generative KI (GenAI) wie ChatGPT haben alles verändert. Plötzlich konnten Unternehmensleiter das Potenzial von KI aus erster Hand sehen, ohne zuvor eine Ausbildung und Fachkenntnisse zu diesem Thema absolviert zu haben. Sie hatten die Möglichkeit, mit Werkzeugen der künstlichen Intelligenz zu experimentieren und sie zur Erleichterung ihrer täglichen Routineaufgaben einzusetzen.
Wie sich KI in die Gleichung der Prozessoptimierung einfügt
Künstliche Intelligenz hat sich bereits bei der Verbesserung mehrerer wichtiger industrieller Prozesse bewährt. Sie zeichnet sich in den folgenden Bereichen aus:
- Prädiktive Analyse: Überprüfung von Sensordaten in Echtzeit, um Muster zu erkennen, die auf bevorstehende Ausfälle hinweisen
- Optimierung der Prozesseffizienz: Anpassung der Betriebsparameter zur Senkung des Energieverbrauchs und Steigerung der Leistung
- Optimierung der Instandhaltungsplanung: Sicherstellung, dass die Instandhaltung mit minimalen Auswirkungen auf die Produktion durchgeführt wird
Während herkömmliche KI diese und andere Arbeitsabläufe erfolgreich optimiert hat, führt GenAI eine neue Dimension ein. GenAI kann bei der Erstellung von Instandhaltungsverfahren helfen, historische Protokolle analysieren und Lösungen für komplexe mechanische Probleme vorschlagen. GenAI kann auch dazu verwendet werden, spezifischen Programmcode zu schreiben, um abgegrenzte Anwendungsfälle zu lösen.
Die Möglichkeiten sind es wert, sich dafür zu begeistern. Allerdings bringen diese neuen Anwendungsfälle auch einige einzigartige Herausforderungen mit sich.
Die Herausforderungen der KI in der Instandhaltung
Der Einsatz generativer künstlicher Intelligenz für die vorausschauende Instandhaltung ist ein spannender Vorschlag. Allerdings müssen die Industrieunternehmen zunächst einige große Hürden überwinden.
In einem kürzlich geführten Interview hat Tom Rombouts, Director of Reliability and Data-Driven Solutions bei I-care, diese Herausforderungen wie folgt zusammengefasst:
Verlässlichkeit
KI analysiert große Datenmengen, um Ergebnisse zu erzielen. Wenn die Daten, auf denen sie trainiert wurde, verzerrt oder anderweitig unzuverlässig sind, wird die Qualität der Ergebnisse darunter leiden. Daher müssen alle KI-Ergebnisse sorgfältig überprüft werden, um ihre Genauigkeit und Vertrauenswürdigkeit sicherzustellen.
Qualitätskontrolle
Es ist von entscheidender Bedeutung, dass KI-generierte Inhalte, wie z. B. Instandhaltungsanweisungen, solide und sicher sind. Falsche Verfahren, die aufgrund von GenAI-Halluzinationen eingeführt werden, könnten zu ernsthaften Sicherheitsrisiken und zusätzlichen ungeplanten Ausfallzeiten führen. Fachexperten müssen alle Inhalte auf ihre Richtigkeit und Anwendbarkeit hin überprüfen, ohne in die Falle zu tappen, sich auf „mit Sicherheit falsche“ GenAI-Ausgaben zu verlassen.
Widerstand ändern
Das I-care-Team ist der festen Überzeugung, dass die digitale Transformation nicht nur digital sein kann. Die Einführung neuer Technologien, ohne die Mitarbeiter zu schulen und ihnen das nötige Vertrauen in die Nutzung dieser Tools zu vermitteln, führt nur zu unzureichenden Ergebnissen.
Unterschätzen Sie aber nicht fälschlicherweise die KI. Sie ist wirklich „die Veränderung“ unserer Generation!
Mitarbeiter, die von den Veränderungen, die KI-Initiativen mit sich bringen, unvorbereitet getroffen werden, können starke Gefühle des Widerstands entwickeln. Das Ergebnis wird wahrscheinlich ein geringerer ROI und eine längere Zeit bis zur Wertschöpfung sein, was beides kontraproduktiv für die Wartungsziele eines Industrieunternehmens ist.
Was als Nächstes zu tun ist
Nachdem Sie sich über die Effizienzvorteile der künstlichen Intelligenz informiert haben, sind Sie vielleicht versucht, die KI loszulassen und sie alle Ihre Instandhaltungsprobleme lösen zu lassen. Das ist jedoch ein Rezept für eine Katastrophe. Ohne die richtigen Maßnahmen zur Qualitätskontrolle kann generative KI genauso viel Schaden wie Nutzen anrichten (wenn nicht sogar mehr).
KI in der industriellen Instandhaltung: Perfekte Lösung oder betrunkener Onkel?
In einem kürzlich geführten Interview bezeichnete Rombouts die Fähigkeit von GenAI, plausibel klingende, aber falsche Informationen zu generieren, als eines der größten Risiken bei der Einführung von KI. Er verglich dieses Phänomen mit dem betrunkenen Onkel bei einer Familienfeier.
Stellen Sie sich vor, Sie sitzen an einem Tisch, an dem alle über Investitionen diskutieren. Unter ihnen ist Ihr Onkel, der einen Drink zu viel hatte. Er gibt selbstbewusst Ratschläge für den Aktienmarkt. Da Sie sich zu ihm setzen und ein persönliches Gespräch mit ihm führen, können Sie leicht feststellen, dass er unter Alkoholeinfluss steht. Daher zweifeln Sie an der Gültigkeit seiner Ratschläge.
Stellen Sie sich nun vor, dass Sie nur eine Abschrift seiner Rede lesen. Seine Wortwahl und sein Satzbau überzeugen Sie von seiner Marktkenntnis und vermitteln Ihnen das Vertrauen, dass seine Empfehlungen klug sind.
Ein ähnliches Problem haben Unternehmen mit der generativen KI. Sie produziert Inhalte, die korrekt aussehen und klingen. Benutzer, die nicht über das nötige Fachwissen verfügen, können jedoch nur schwer erkennen, ob es sich um wirklich korrekte Inhalte oder nur um gut formulierten Unsinn handelt.
Das ist ein kritisches Problem in der industriellen Instandhaltung – falsche Anleitungen oder Anweisungen von GenAI könnten zu mechanischen Ausfällen oder sogar tödlichen Unfällen führen.
Rombouts schlägt vor, die Fähigkeit eines KI-Modells zu testen, „BS zu erkennen“. Das Verfahren ist recht einfach: Er schlägt vor, einem KI-Modell absichtlich Fehlinformationen zu geben, um zu sehen, ob es Fakten von fehlerhaften Daten unterscheiden kann. Er empfiehlt außerdem, Instandhaltungsfachleute darin zu schulen, unzuverlässige KI-Ausgaben zu erkennen.
Betrachten Sie diese Redundanzen als eine Art von Gegenkontrolle. Das Modell wurde darauf trainiert, falsche Informationen zu erkennen und sie zu markieren. Das Instandhaltungspersonal ist ebenfalls in der BS-Erkennung geschult, so dass es alle Fehler, die das Modell übersehen hat, finden und beheben kann.
KI als Werkzeug, nicht als Ersatz
Künstliche Intelligenz ist keine Zauberpille, die alle Ihre Probleme in der industriellen Instandhaltung lösen kann. Sie ist ein leistungsfähiges Werkzeug, das bereits große Fortschritte bei der vorbeugenden Instandhaltung gebracht hat. Ihr volles Potenzial kann jedoch nur dann ausgeschöpft werden, wenn neben der Einführung auch Vertrauen, Validierung und menschliche Aufsicht eine wichtige Rolle spielen.
Dieser Artikel stammt von Tom Rombouts, Direktor für Zuverlässigkeit