Gewinne:
- Weiß, welche Daten auf eine Fehlfunktion hinweisen
- Kann mit einfacher Schwellenwertüberwachung Vorhersagen treffen
- Unterscheidet hier, was KI kann und was nicht
Die meisten Störungen treten nicht plötzlich auf; gibt vorher ein Signal. Erhöhte Vibrationen, Temperaturanstieg, Änderung der Stromaufnahme und Änderung des Klangcharakters sind die häufigsten Vorboten.
Zu verfolgende Daten
- Motorstrom: Ein steigender Strom kann auf eine Blockierung oder ein Festsitzen des Lagers hinweisen.
- Lagertemperatur: Mangelnde Schmierung oder Fehlausrichtung.
- Vibration: Unwucht, Verschleiß, Lockerung.
- Ansaugdruckunterschied: Filter verstopft.
- Produktionseffizienz: Eine sinkende Effizienz bei gleicher Einstellung ist ein indirekter Indikator für Verschleiß.
Die Rolle der künstlichen Intelligenz
Künstliche Intelligenz folgt dem Muster in diesen Daten geduldiger als ein Mensch: Die Erkennung „Der Motorstrom der C2-Walze hat in den letzten drei Wochen allmählich zugenommen“ macht einen Trend sichtbar, der möglicherweise übersehen wurde.
Künstliche Intelligenz erkennt jedoch nicht die Fehlfunktion, sondern die Daten. Wenn kein Sensor vorhanden ist und keine Daten aufgezeichnet werden, gibt es keine Vorhersage. Voraussetzung für Predictive Maintenance ist die Messung; Software ist der zweite Schritt.
Der Satz „KI sagt Scheitern voraus“ trifft nur zu, wenn Daten vorliegen. Erst messen, dann modellieren. Ein Modell zu erstellen, ohne zu messen, bedeutet, Schlussfolgerungen aus nicht vorhandenen Informationen zu ziehen.