Predictive Maintenance and Quality
Kleiner Anfang,
große Wirkung
Bild: Cenit AG
Kaum eine Veranstaltung zu Industrie 4.0 kommt ohne den Verweis auf Predictive Maintenance aus. Zurecht, denn KI-basierte Vorhersagemodelle führen zusammen mit der Auswertung von Maschinendaten in der Praxis zu oft deutlich besserer Produktionsqualität.
Oft beobachten Unternehmen die Entwicklung der Predictive-Maintenance-Lösungen mit Interesse, doch vor einer Einführung gibt es viele Fragen zu beantworten und Hürden zu überwinden. Und nicht zuletzt besteht Unsicherheit, ob die geeignete Expertise in der Belegschaft bereits vorhanden ist, um den Einsatz von künstlicher Intelligenz in die Praxis zu bringen.
Mehr Sensoren, mehr Daten
PMQ (Predictive Maintenance and Quality)-Visionen und Nutzendarstellungen basieren auf der Idee, dass alle Produktionsschritte und ihre Daten zentralisiert verarbeitet werden, um sich so einer selbststeuernden Produktion anzunähern. Diese Idee wird wiederum mit der Cloud assoziiert, da nur so die wachsenden Datenmengen bewältigt werden können. Das Wachstum liegt in der steigenden Anzahl von Sensoren in neuen Maschinen sowie in Sensornachrüstungen im Bestand begründet. Denn fast alle Maschinen extrahieren heute Daten und lassen sich durch zusätzliche Sensoren ergänzen.
Nutzen im Fokus
Ebenso muss das Zielbild einer IoT-Plattform hinterfragt werden, wenn man sich dem Thema PMQ widmet. Der Nutzen entsteht nicht durch die IT-technische Sammlung, Verwaltung und Speicherung von Maschinen- und Produktdaten. Er ist die Folge, wenn Ingenieure und Datenexperten Use-Case-basierte Modelle entwickeln und anwenden. Das Wissen über die Produktion und die Nutzung von prädiktiven Methoden sollte im Fokus stehen – nicht die Existenz einer IT-Plattform.
