Qualicision Predictive Maintenance

Die praxisbewährte KI-basierte, selbstlernende Entscheidungsunterstützung und -optimierung von Qualicision bewertet kontinuierlich auf Basis qualitativ gelabelter Anlagendaten unterschiedliche Assets – und zwar flexibel skalierbar und damit geeignet für die vorausschauende Wartung einer einzelnen Anlage ebenso wie für ein Predictive Asset Management für geografisch verteilte Anlagenverbünde. Dabei entsteht eine zusätzliche, KI-unabhängige Erklärungsebene, deren einfache Visualisierung die Entscheidungen des Systems nachvollziehbar und auch für Nicht-Datenanalysten bedienbar macht. Die Basis schafft das Qualitative Labeln (siehe Abbildung 1). Mithilfe einer entsprechenden Labeling-Funktion beobachtet die Software bspw., welche Temperaturbereiche der bereitgestellten Sensordaten auf eine notwendige Wartung hindeuten und unterscheidet zwischen positiven, also eher erwünschten Maschinenzuständen und negativen Wertebereichen, also unerwünschten Maschinenzuständen. Die entsprechenden Sensordaten versieht sie demzufolge mit positiven und negativen Konnotationen – die sogenannten Labels.

Wer Maschinen- und Anlagenparks betreibt, muss eine gute Balance finden zwischen höchstmöglicher Verfügbarkeit und kleinstmöglichen Wartungsaufwänden. Dies gelingt durch ein ganzheitliches und konsolidiertes Management der Assets. Optimiert lassen sich die relevanten Zusammenhänge durch den Einsatz von Methoden der künstlichen Intelligenz beherrschen, vor allem dann, wenn sie den Prozessverantwortlichen Handlungsempfehlungen aufzeigen, deren Bewertung keine KI-Kenntnisse voraussetzen. Praxistauglich sind Softwarelösungen für ein optimiertes Wartungs- und Instandhaltungsmanagement auch dann, wenn sie neben geeigneten Skalierungsmöglichkeiten ebenfalls über eine Abbildung des gesamtem Prozesses von Wartungsempfehlungen über konkrete Planungen von Wartungseinsätzen bis hin zum kontinuierlichen Monitoring (Abbildung 3, links) der Abläufe durch z. B. Meldungen zum Bearbeitungsstatus der Wartungs- bzw. Instandhaltungseinsätze verfügen und sich dahin gehend sowohl für Predictive Maintenance als auch für Predictive-Asset-Management-Szenarien eignen. Im Beispiel erfolgt dies über die Berücksichtigung weiterer Einflussgrößen, die mit denselben Systematiken und dem Prinzip des Qualitativen Labelns verarbeitet werden. Ebenso kann die im Hintergrund einsetzbare Lern-Logik Zusammenhänge und Systematiken auf hoher Skalierungsebene erlernen. Die einzige Änderung betrifft folglich die Skalierung, z. B. hinsichtlich der Verwendung von Datenbanken und weiterführender Maintenance-Managementtools wie das PSIcommand. Auf dieser Basis können sich Unternehmen auch schrittweise mit Predictive Maintenance für einzelne Maschinen und Anlagen einem Predictive Asset Management nähern und eine ganzheitliche Strategie für das Asset Management (Abbildung 3, rechts) im Sinne eines rollierenden intelligenten Prozesses umsetzen.