So auch in der Industrie: Nie war es so vielschichtig und anspruchsvoll wie heute, eine effiziente Produktionsanlage zu betreiben. Unternehmen müssen ihre Anlagen und Prozesse verbessern sowie nachhaltiger gestalten, die Produktion maximieren, ungeplante Ausfallzeiten reduzieren und einen zuverlässigen Betrieb gewährleisten. Zwischen der schwankenden Nachfrage, gestörten Lieferketten sowie erhöhten Sicherheitsanforderungen im Werk braucht es technologische Stellschrauben, die die Leistung steigern können. Viele Betriebe haben bereits Dateninfrastrukturen und Analysesysteme implementiert, doch bei diesen komplexen Anforderungen bedarf es technologischer Mittel, die diesen ebenbürtig sind.
Destination: Digitalisierung
Ein Weg ist, vorhandene Datenbestände um weiterführende, KI-gestützte Analytik sowie Modelle zu ergänzen. Jede industrielle Anlage befindet sich an einem individuellen Punkt auf ihrer datenzentrierten Digitalisierungsreise. Während einige ihre historischen Betriebsinformationen in verschiedenen Datenbanken erfassen und simple Analysen durchführen, nutzen andere bereits Echtzeit-Datenströme und fortgeschrittene Analysemodelle. Um alle Werke auf den gleichen Stand zu bringen, können Unternehmen einzelne Standorte also um die neuen KI-gestützten Systeme ergänzen.
KI findet unter anderem in Form von Prozesssimulationen, aber auch prädiktiver Analytik Anwendung in der Industrie. Die Prozesssimulation der nächsten Generation berechnet wichtige Leistungsindikatoren, die über die direkt in der Anlage messbaren Werte hinausgehen. Die prädiktive Analytik erkennt wiederum Anomalien und kann vorhersagen, wann Anlagen ausfallen beziehungsweise eine Wartung erforderlich ist, um dies zu verhindern. Zusammengenommen können die Teams vor Ort potenzielle Risiken analysieren und Maßnahmen entwickeln, um maximal effizient und rentabel zu arbeiten.
Eine Frage der Qualität
Bevor Betriebe ergänzende KI-Anwendungen einsetzen, benötigen sie eine verlässliche digitale Datengrundlage. Der digitale Zwilling ist ein virtuelles Abbild und spiegelt einzelne Maschinen oder gesamte Anlagen wider. Er führt Informationen beispielsweise zu geometrischen und physikalischen Eigenschaften oder Umgebungseinflüssen aus verschiedenen Datenquellen zusammen. Entwickler und Ingenieure eines Unternehmens können dann von überall auf dieses virtuelle Abbild zugreifen, dessen Zustand analysieren und bei Bedarf anpassen vornehmen.
Die Qualität der Daten macht dabei den Unterschied: Schließlich kann eine KI nur so korrekte Analysen und Verknüpfungen liefern, wie es ihr anhand der „zugefütterten“ Daten möglich ist. Industriebetrieben müssen daher zunächst wichtige Leistungsindikatoren und kritische Datenpunkte identifizieren, die direkt mit den strategisch gewünschten Zielen wie einer energieeffizienteren Produktion übereinstimmen. Zudem benötigen sie umfassende Datenerfassungsprotokolle sowie Sensoren und IoT-Geräte, die strategisch entlang des gesamten Anlagenlebenszyklus platziert sind.
Standardisierte Datenformate und -protokolle erleichtern die nahtlose Integration verschiedener Systeme und stellen sicher, dass die Verantwortlichen historische Daten in ihre aktuellen Systeme übertragen können. Doch neben einem sauberen Set-up profitiert die Datenqualität ebenso von kontinuierlichen Validierungsprüfungen sowie Algorithmen, die Anomalien erkennen und die Genauigkeit der erfassten Informationen gewährleisten.
Mit der Prozesssimulation und prädiktiven Analytik stehen inzwischen bewährte Ansätze zur Verfügung, die in den letzten Jahren kontinuierlich verbessert wurden. Jetzt können Echtzeitdaten in Kombination mit First-Principal-Prozessmodellen verwendet werden, um einen angereicherten digitalen Zwilling eines Betriebs zu erhalten. KI-Algorithmen erweitern das Potenzial des digitalen Zwillings, damit Betreiber gute Bedingungen für ihr Werk ermitteln und es mit Weitsicht steuern können. Dank ansonsten nicht-messbarer Prozessvariablen können sie ihren Energieverbrauch senken oder auch die Zuverlässigkeit ihrer rotierenden und stationären Anlagen erhöhen.
Verbesserte Prozesse
Unternehmen auf der ganzen Welt entscheiden sich dafür, KI und Machine Learning (ML)-Modelle als Deep-Learning-Tools zu nutzen, um die Restnutzungsdauer einer Anlage zu prognostizieren. So können die Teams das Kosten-Risiko-Verhältnis analysieren sowie Pläne erstellen, die die Effizienz und Rentabilität maximieren.
Herkömmliche Programme zur Anlagenüberwachung stützen sich auf Daten, die während des gesamten Prozesses erhoben werden, um Entscheidungen über Wartungsintervalle zu treffen. So können beispielsweise Temperatur- und Schwingungsdaten eine Vielzahl von möglichen Ausfällen einer Kreiselpumpe vorhersagen.
Durch die Verwendung historischer Daten können Zuverlässigkeitsingenieure einen Basiswert für jede Messung bestimmen und Warnmeldungen konfigurieren, wenn die Werte außerhalb dieses Bereichs liegen. Diese zustandsabhängige Überwachung ist eine einfache Möglichkeit, Messdaten zur Verbesserung der Prozesszuverlässigkeit zu nutzen. Benutzer definieren dabei Frühindikatoren auf der Grundlage von Sensor- und anderen Betriebsdaten, um selbst subtile Veränderungen der Anlagenleistung zu erkennen. Indem der KI-basierte Algorithmus Vorhersagen trifft, können sie den Wartungsbedarf auf der Grundlage von Dringlichkeit, Zeitplänen, verfügbaren Teams, Ressourcen und Ersatzteilverfügbarkeit priorisieren.
Prädiktive Analytik
Während die zustandsorientierte Überwachung für Anlagen mit relativ stabilem Betrieb nützlich ist, kann die Berücksichtigung unterschiedlicher Betriebsfenster oder Prozessmodi schnell zu einer Herausforderung werden. Ingenieure müssen möglicherweise häufig Betriebsfenster anpassen oder sich mit störenden Alarmen auseinandersetzen, was die Effizienz und Effektivität eines vorausschauenden Wartungsprogramms schnell zunichte machen kann. Anstelle der zustandsbasierten Überwachung setzen viele Unternehmen heute auf prädiktive Analytik als Teil eines robusten Asset Performance Management-Programms. In einem weiteren Schritt können Betriebe die Remaining Use of Life Estimation (RULE) ihrer Anlagen sowie derer Komponenten berechnen, um die Vorhersagegenauigkeit der KI zu erhöhen. Das ermöglicht auch einen rechtzeitigen Austausch von Komponenten in energieeffiziente, moderne Alternativen.
So auch das US-amerikanische Energieunternehmen Duke Energy, das über 60 Anlagen in mehr als sieben US-Bundesstaaten betreibt. Damit dessen Datenanalysten den Zustand der geografisch verteilten Stromerzeugungsanlagen passend überprüfen und Auszeiten verhindern können, wollte Duke Energy die vorhandenen Prozesse und Einblicke in seinem Zentrum für Überwachung und Diagnose weiterentwickeln. Die eingesetzte Lösung sollte software- und hardwareunabhängig sein, um die Kosten für Erneuerung und Austausch der bereits installierten Technologien zu minimieren. Viel eher bedurften die Anlagen einer verbesserten Konnektivität sowie über 33.000 kostensensibler Sensoren, die zusammen eine vorausschauende Wartung ermöglichen. Diese Maßnahmen verschafften den verantwortlichen Ingenieuren und Analysten kontextabhängige Einblicke in den Zustand ihrer vielfältigen Anlagen. Und das rechnet sich: Die eingesetzte Predictive Analytics-Software erkannte beispielsweise rechtzeitig eine Störung bei Turbinenschaufeln und sparte Duke Energy 34 Millionen US-Dollar innerhalb eines Jahres.
KI als i-Tüpfelchen
Dieser Einsatz einer leistungsstarken Kombination aus Echtzeitdaten, prädiktiver Analyse und First-Principle-Simulationen lässt Industriebetriebe KI-Anwendungen zielgerichtet und effizient in ihre bestehenden Prozesse integrieren.Indem sie fortschrittliche KI auf die bestehende Dateninfrastruktur aufsetzen, können Industrieunternehmen die Vorteile sowohl von aktuellen Echtzeit-Daten als auch von historischen Betriebsdaten nutzen. Die damit verfügbaren tiefergehenden Erkenntnisse erleichtern die Entscheidungsfindung, damit Industrieanlagen künftig leistungsstark, sicher, rentabel und nachhaltig arbeiten können.
Künstliche Intelligenz stellt für effiziente Abläufe und langfristigen Erfolg eine zentrale technologische Komponente dar. Im KI-Hype steckt daher für viele Betriebe der Schlüssel zu ihrer Zukunft.
