Reparieren, wenn es kaputt ist
Gehandelt wird erst nach dem Ausfall. Die Folge sind ungeplante Stillstände, Ausschuss und teure Eilbestellungen von Ersatzteilen.
KI für Instandhaltung und Qualität
Predictive Maintenance: Verschleiß erkennen, bevor er teuer wird
Wir entwickeln KI-Lösungen, die aus den Daten Ihrer Maschinen und Prozesse ablesen, wann ein Werkzeug verschlissen ist oder ein Prozess nicht mehr sauber läuft. So greifen Sie zum richtigen Zeitpunkt ein – nicht zu früh und nicht zu spät.
- Förderprojekt mit dem Fraunhofer IPA
- Veröffentlicht in „at – Automatisierungstechnik“
- Betrieb auch lokal auf Ihren Servern
Predictive Maintenance DashboardLive WartungsanalyseLive
Was ist Predictive Maintenance?
Predictive Maintenance heißt auf Deutsch vorausschauende Wartung. Statt abzuwarten, bis etwas kaputtgeht, oder Teile nach starren Intervallen zu tauschen, wird der tatsächliche Zustand einer Maschine oder eines Werkzeugs laufend aus Daten abgelesen. Eine künstliche Intelligenz lernt dabei, welche Messwerte auf beginnenden Verschleiß oder einen Fehler hindeuten.
Tauschen nach festem Plan
Teile werden nach festen Intervallen gewechselt – unabhängig von ihrem Zustand. Oft zu früh, manchmal trotzdem zu spät.
Handeln nach tatsächlichem Zustand
Die KI erkennt aus den Daten, wann Verschleiß oder ein Fehler droht. Eingegriffen wird genau dann, wenn es nötig ist.
Zwei Wege, wie KI Verschleiß und Fehler erkennt
Welcher Weg passt, hängt vor allem davon ab, welche Daten es gibt: Liegen Beispiele mit bekanntem Ergebnis vor, oder sind Fehler so selten, dass man sie kaum sammeln kann?
Aus Beispielen lernen
überwachtes Lernen, engl. supervised learning
Die KI bekommt Messdaten zusammen mit dem bekannten Ergebnis – zum Beispiel dem tatsächlich gemessenen Verschleiß eines Werkzeugs. Daraus lernt sie den Zusammenhang und kann den Verschleiß später allein aus den Messdaten vorhersagen.
Gut geeignet, wenn …
- Der Zustand lässt sich messen oder bewerten, etwa der Verschleiß eines Werkzeugs.
- Verschleiß entwickelt sich schrittweise und soll vorhergesagt werden.
Das Ungewöhnliche finden
unüberwachtes Lernen, engl. unsupervised learning – auch Anomalieerkennung
Die KI lernt aus vielen Vorgängen, wie ein normaler, guter Prozess aussieht – ohne dass vorher jemand Fehler markieren muss. Weicht ein neuer Vorgang auffällig davon ab, meldet sie ihn.
Gut geeignet, wenn …
- Fehler sind selten, es gibt kaum Beispiele dafür.
- Fehlerbilder sind vorab nicht bekannt oder sehr unterschiedlich.
Referenzprojekte aus der Industrie
Zwei Projekte, zwei Wege: einmal lernt die KI aus Beispielen, einmal findet sie Auffälligkeiten selbst.
Überwachtes LernenFörderprojekt
Verschleißbestimmung von Zerspanwerkzeugen mit einem neuronalen Netz
In Zusammenarbeit mit dem Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, Stuttgart
- Ausgangslage
- Beim Zerspanen – etwa beim Fräsen, Drehen oder Bohren von Metall – nutzen sich die Werkzeuge mit jedem Einsatz ab. Wer sie zu früh wechselt, verschenkt Standzeit und Geld. Wer sie zu spät wechselt, riskiert schlechte Oberflächen, Maßabweichungen und Ausschuss. Um Zerspanprozesse zu optimieren, muss man deshalb verstehen, wie sich der Verschleiß eines Werkzeugs entwickelt.
- Lösung
- Gemeinsam mit dem Fraunhofer IPA haben wir ein künstliches neuronales Netz angelernt, das den Verschleiß der Werkzeuge bestimmt. Der Schlüssel lag in der Vorbereitung der Daten: Wir haben eine Methode entwickelt, mit der aus vielen Messwerten die aussagekräftigen, technisch relevanten Kennwerte ausgewählt und so aufbereitet werden, dass die KI zuverlässig daraus lernen kann (Datenselektion und -skalierung).
- Ergebnis
- Die vorhergesagten Verschleißwerte stimmen gut mit den tatsächlich gemessenen überein – und das auf Basis eines reduzierten Versuchsumfangs. Eine belastbare Verschleißprognose ist also auch ohne riesige Versuchsreihen erreichbar.
Unüberwachtes LernenAutomobilindustrie
Anomalieerkennung beim Bolzenschweißen
Für einen Automobilzulieferer (auf Wunsch des Kunden anonym)
- Ausgangslage
- Beim Bolzenschweißen werden Metallbolzen in Sekundenbruchteilen auf Bleche oder Bauteile geschweißt, zum Beispiel als Befestigungspunkte. Jede einzelne Verbindung muss halten. Unzuverlässige Schweißungen sieht man von außen aber oft nicht – und echte Fehler kommen so selten vor, dass kaum Beispiele existieren, aus denen eine KI lernen könnte.
- Lösung
- Wir haben ein KI-Modell entwickelt, das ohne vorher markierte Fehlerbeispiele auskommt (unüberwachtes Lernen). Es lernt aus den Messdaten jeder Schweißung – etwa dem Verlauf von Strom und Spannung –, wie eine typische, gute Schweißung aussieht, und erkennt Schweißungen, die davon auffällig abweichen (Anomalieerkennung).
- Ergebnis
- Das Modell erkennt, ob eine Schweißung unzuverlässig ist. Auffällige Verbindungen lassen sich so gezielt nachprüfen, statt sich allein auf Stichproben zu verlassen.
Welche Daten braucht Predictive Maintenance?
Oft sind mehr verwertbare Daten vorhanden, als man denkt. Ob sie ausreichen oder zusätzliche Sensoren sinnvoll sind, klären wir gemeinsam im Workshop.
Sensordaten
Zum Beispiel Vibration, Temperatur, Schall sowie Strom- und Leistungsaufnahme von Antrieben.
Maschinen- und Prozessdaten
Einstellungen, Zykluszeiten und Signale aus der Maschinensteuerung.
Zustands- und Qualitätsdaten
Verschleißmessungen, Prüfergebnisse und Wartungsprotokolle – wichtig, wenn die KI aus Beispielen lernen soll.
So gehen wir vor
Schritt 1: Erstgespräch
Kostenlos und unverbindlich: Wo entstehen heute Ausfälle, Ausschuss oder unnötige Wartungskosten?
Schritt 2: Datencheck & Workshop
Wir sichten Ihre Daten, schärfen die Fragestellung und wählen den passenden Ansatz.
Schritt 3: Datenaufbereitung
Wir wählen die aussagekräftigen Kennwerte aus und bereiten sie auf – oft der entscheidende Schritt.
Schritt 4: KI-Prototyp
Wir trainieren das Modell und prüfen es an Ihren echten Daten.
Schritt 5: Einführung & Schulung
Integration in Ihre Umgebung – in der Cloud, lokal oder hybrid – und Befähigung Ihres Teams.
Was Sie davon haben
Weniger ungeplante Stillstände
Probleme zeigen sich in den Daten, bevor die Anlage steht.
Werkzeuge länger nutzen
Wechseln nach tatsächlichem Verschleiß statt nach starrem Intervall.
Qualität absichern
Auffällige Bauteile und Prozesse werden erkannt, bevor sie zum Kunden gehen.
Daten bleiben im Haus
Auf Wunsch läuft die Lösung vollständig auf Ihren eigenen Servern.
Häufige Fragen zu Predictive Maintenance
Was ist der Unterschied zwischen vorbeugender und vorausschauender Wartung?
Bei der vorbeugenden Wartung werden Teile nach festen Intervallen getauscht, unabhängig von ihrem Zustand. Bei der vorausschauenden Wartung (Predictive Maintenance) wird der tatsächliche Zustand aus Daten abgelesen, und gewartet wird erst, wenn Verschleiß oder ein Fehler absehbar ist.
Was bedeutet überwachtes und unüberwachtes Lernen?
Beim überwachten Lernen lernt die KI aus Beispielen mit bekanntem Ergebnis, etwa Messdaten zusammen mit dem gemessenen Verschleiß. Beim unüberwachten Lernen lernt sie ohne solche Beispiele, wie der Normalzustand aussieht, und meldet Abweichungen. Das eignet sich, wenn Fehler selten sind.
Brauchen wir für Predictive Maintenance neue Sensoren?
Nicht unbedingt. Viele Maschinen und Steuerungen liefern bereits verwertbare Daten. Im Workshop prüfen wir, was vorhanden ist und ob zusätzliche Sensoren den Aufwand lohnen.
Wie viele Daten werden benötigt?
Das hängt vom Ansatz ab. Im Projekt mit dem Fraunhofer IPA genügte ein reduzierter Versuchsumfang, weil die Daten gezielt ausgewählt und aufbereitet wurden. Für unüberwachtes Lernen braucht es vor allem viele Beispiele aus dem Normalbetrieb, aber keine markierten Fehler.
Kann die KI-Lösung lokal ohne Cloud laufen?
Ja. Wir betreiben Predictive-Maintenance-Lösungen auf Wunsch vollständig auf Ihren eigenen Servern, in der Cloud oder hybrid. Bei lokalem Betrieb verlassen Ihre Maschinendaten das Unternehmen nicht.
Was kostet ein Predictive-Maintenance-Projekt?
Der Aufwand hängt von der Fragestellung, den vorhandenen Daten und der Infrastruktur ab. Das Erstgespräch ist kostenlos; nach dem Workshop erhalten Sie eine Aufwandsschätzung.