Betriebs- und prädiktive Wartung für eine dynamischere Industrie

Die Umsetzung innovativer Lösungen, bei denen die Digitalisierung von Prozessen eine Schlüsselrolle spielt, trägt maßgeblich zur Senkung der Betriebs- und Produktionskosten, zur Erreichung von Nachhaltigkeitszielen und zur Konsolidierung des Wandels in Richtung Industrie 5.0 bei. In diesem Sinne wird die Anwendung von disruptiven Technologien zur Simulation kritischer Vorgänge, wie z. B. der Wartung, zum Schlüssel für die Optimierung von Prozessen, Ressourcen und Energieeinsatz. Da sich außerdem die Bedürfnisse der Verbraucher immer schneller ändern, sind die Unternehmen gezwungen, sich anzupassen und vorausschauend zu handeln. Diesen Branchen kann Künstliche Intelligenz großen Nutzen bringen, indem sie ihre Produktionskapazitäten erhöht und ihre Effizienz verbessert.

In der Industrie umfasst die prädiktive Modellierung eine Reihe von statistischen Data-Mining-Techniken, prädiktive Modellierung und maschinelles Lernen, mit denen anhand von Daten Trends analysiert und auf nicht-induzierte Weise autonom Wiederholungsmuster gefunden werden können, mit denen die Unternehmen Szenarien antizipieren und Entscheidungen treffen können, z. B. bei der Risikobewertung, der Erkennung von Anomalien in der Fertigung oder bei Vorgängen jeglicher Art.

Die Branchen, deren Prozesse mit vernetzten Geräten und Sensoren arbeiten, müssen wissen, wie sich ihre Anlagen in anormalen Zuständen verhalten würden, um Entscheidungen zu ihrer Optimierung treffen zu können. Allerdings sind die Kosten und das Risiko, eine Anlage für ein solches Verhalten zu konfigurieren, sehr hoch. Daher kommen hier digitale Zwillinge ins Spiel. Diese Technologie stützt sich auf Echtzeitdaten aus allen physischen Elementen der Anlage, die den Produktionsprozess beeinflussen, die alle digitalisiert, gespeichert und verarbeitet werden und mit anderen, virtuellen sowie Interaktionsdaten interagieren. Diese spezifischen Informationen basieren auf historischen Daten aus realen Anwendungsfällen und sind daher ein hervorragendes Instrument, um die verschiedenen Phasen der Produktion Produkts zu analysieren und zu verstehen, um sie optimieren zu können. „Um die Wartungsprozesse zu verbessern, sehen wir einen Wechsel von der Strategie der Installation von Sensoren und Speicherung der von diesen erzeugten Daten hin zu einem Ansatz, der auf Anwendungsfällen basiert. D.h., man wählt einen industriellen Prozess (oder einen Teil davon) aus, definiert ein Ziel und prüft, wie man ihn durch die Einbeziehung dieser innovativen Technologien verbessern kann“, erläutert José Carlos Baquero, Direktor der Abteilung Künstliche Intelligenz und Big Data bei GMV, am runden Tisch zum Thema „Digitalisierung und Simulation industrieller Prozesse“, der von enerTIC im Rahmen der Veranstaltung „Forum Trends 2022: Next Industry 5.0” organisiert wurde.

Bei GMV nutzen wir diese Art von Technologie zur Erkennung von Anomalien, indem sie uns anzeigt, wo das Problem liegt, für automatische Qualitätsprüfungsaufgaben mit Techniken des künstlichen Sehens, bei der Automatisierung von Lagerhäusern mit autonomer Robotik, bei der kollaborativen Robotik in Labors, oder bei der Entwicklung digitaler Zwillinge, um das Verhalten der Anlage besser zu verstehen und maschinelle Lernmodelle trainieren zu können.