06509 Generative künstliche Intelligenz in der industriellen Instandhaltung
Potenziale, Herausforderungen und die Zukunft der Integration von Chatbots in der Personaleinsatz- und Instandhaltungsplanung
|
Die digitale Transformation, insbesondere im Bereich der Instandhaltung, führt zu einem Paradigmenwechsel durch den Einsatz generativer künstlicher Intelligenz (genKI), der Möglichkeiten großer Sprachmodelle (LLM) und wissensgraphenbasierter Systeme. Diese Technologien ermöglichen eine tiefgreifende Analyse von Textdaten, zu denen unter anderem Instandhaltungsberichte und technische Dokumentationen zählen. Traditionell kommen jedoch in der Instandhaltungsplanung starre Simulationsmodelle zum Einsatz, die Schwierigkeiten haben, mit dynamischen Änderungen umzugehen und auf Ad-hoc-Ereignisse zu reagieren.
Dieser Beitrag stellt einen wissensgraphenbasierten Instandhaltungs-Chatbot vor, der moderne KI-Methoden nutzt, um den gesamten Prozess von der Instandhaltungsplanung bis zur operativen Instandhaltung zu unterstützen. Der Chatbot unterstützt Instandhalter bei ihren täglichen Aufgaben und trägt zur Optimierung der Personaleinsatzplanung bei. Dabei werden Kompetenzfaktoren in die Schichtplanung und Aufgabenverteilung integriert und eine individuell angepasste Informationsbereitstellung während der Durchführung von Instandhaltungsmaßnahmen ermöglicht. [1] von: |
1 Einleitung
Die Instandhaltung von Maschinen und Anlagen ist ein wesentlicher und zugleich für viele Unternehmen herausfordernder Bestandteil des Asset Managements. Seit Jahrzehnten wird versucht, die Instandhaltung durch verschiedene Ansätze zu optimieren. Methoden wie Total Productive Management (TPM), Reliability-Centered Maintenance (RCM) und Smart Lean Maintenance haben sich etabliert, um das Instandhaltungsmanagement zu verbessern [2]. Ein echter Paradigmenwechsel hin zur Instandhaltung als „strategischer Wettbewerbsfaktor” ist bislang jedoch ausgeblieben.
Gegenwärtige Herausforderungen
Die fortschreitende Digitalisierung, gesetzliche Vorgaben zu Nachhaltigkeitsreporting und Ressourcenschonung auf nationaler und internationaler Ebene sowie sich verändernde Anforderungen an das Personal sind die gegenwärtigen Herausforderungen im industriellen Kontext. Sie betreffen insbesondere die Verbesserung der Ressourceneffizienz, den effizienten Umgang mit Energie, die Reduktion der Kapitalbindung durch die Verlängerung der Lebenszyklen von Maschinen, Anlagen und Ersatzteilen sowie veränderte Anforderungen an die Mitarbeitenden in Produktion und Instandhaltung.
Die fortschreitende Digitalisierung, gesetzliche Vorgaben zu Nachhaltigkeitsreporting und Ressourcenschonung auf nationaler und internationaler Ebene sowie sich verändernde Anforderungen an das Personal sind die gegenwärtigen Herausforderungen im industriellen Kontext. Sie betreffen insbesondere die Verbesserung der Ressourceneffizienz, den effizienten Umgang mit Energie, die Reduktion der Kapitalbindung durch die Verlängerung der Lebenszyklen von Maschinen, Anlagen und Ersatzteilen sowie veränderte Anforderungen an die Mitarbeitenden in Produktion und Instandhaltung.
genKI
Aus praktischer Sicht klafft eine erhebliche Lücke zwischen den theoretischen Konzepten des Instandhaltungsmanagements und ihrer Umsetzung in die Praxis [3]. Während Produktionsprozesse in den meisten Unternehmen mittlerweile so weit optimiert sind, dass nur noch geringe Produktivitätssteigerungen erzielt werden können, bestehen im Bereich der Instandhaltung nach wie vor erhebliche Verbesserungspotenziale – insbesondere durch die fortschreitende Entwicklung im Bereich der generativen Künstlichen Intelligenz (genKI). Dieser Beitrag diskutiert die Chancen und Herausforderungen des Einsatzes von genKI, insbesondere in Form von Chatbots, in der Instandhaltung und schlägt eine praxiserprobte Vorgehensweise vor.
Aus praktischer Sicht klafft eine erhebliche Lücke zwischen den theoretischen Konzepten des Instandhaltungsmanagements und ihrer Umsetzung in die Praxis [3]. Während Produktionsprozesse in den meisten Unternehmen mittlerweile so weit optimiert sind, dass nur noch geringe Produktivitätssteigerungen erzielt werden können, bestehen im Bereich der Instandhaltung nach wie vor erhebliche Verbesserungspotenziale – insbesondere durch die fortschreitende Entwicklung im Bereich der generativen Künstlichen Intelligenz (genKI). Dieser Beitrag diskutiert die Chancen und Herausforderungen des Einsatzes von genKI, insbesondere in Form von Chatbots, in der Instandhaltung und schlägt eine praxiserprobte Vorgehensweise vor.
2 Instandhaltungsplanung in der instandhaltungsfreien Fabrik
Die Instandhaltungsplanung in der Industrie 4.0 und die Umsetzung der Vision der instandhaltungsfreien Fabrik verändern die Arbeitsweise in modernen und umweltfreundlichen Fabriken. Dabei zielt die instandhaltungsfreie Fabrik auf eine fundamentale Transformation der Instandhaltungsorganisation an, um die wertschöpfende Produktionszeit zu maximieren. Insbesondere beobachten wir eine Reduktion einfacher, kurzfristiger operativer Tätigkeiten, jedoch eine Zunahme komplexer FehlersuchepProzesse sowie strategischer und taktischer Elemente. Eine Transformation der Instandhaltung von einem Kostenfaktor zu einem Wertschöpfungspartner wird durch die nachfolgende Herausforderungen [4] getrieben:
| • | Zweifel an der Wirtschaftlichkeit der Instandhaltung |
| • | Mangelnde Datenqualität und Verfügbarkeit von Daten |
| • | Mangelnde Flexibilität innerhalb der Instandhaltungsorganisation |
| • | Mangel an qualifiziertem Instandhaltungspersonal |
| • | Fehlende Betrachtung der Digitalisierung als Katalysator für eine nachhaltige Instandhaltung |
Diesen Herausforderungen wird in der instandhaltungsfreien Fabrik durch die in Abbildung gezeigten fünf Kernelemente begegnet.
Der vorliegende Beitrag geht der Frage nach, was unter dem genKI in der Instandhaltung zu verstehen ist und was nicht, wie KI helfen kann, die angeführten Herausforderungen zu bewältigen und wie ihr Einsatz sich in die instandhaltungsfreie Fabrik einordnen lässt.
2.1 Generative künstliche Intelligenz in der Instandhaltung
Der Bereich der genKI entwickelt sich rasant, sowohl in der wissenschaftlichen Forschung als auch in der Kommerzialisierung der Technologien. Diese Entwicklung macht auch vor der Instandhaltung nicht halt. genKI zeichnet sich dadurch aus, dass sie aus bestehenden Artefakten lernt, um neue, realistische Artefakte in großem Maßstab zu erzeugen, die die Eigenschaften der Trainingsdaten widerspiegeln, diese jedoch nicht exakt wiederholen. [6]
Large Language Models
Die genKI nutzt eine Vielzahl von Methoden, die kontinuierlich weiterentwickelt werden. Im Vordergrund stehen KI-Grundmodelle (engl. Foundation Models), die auf der Basis großer Mengen von Rohdaten entwickelt werden und sich für verschiedene Aufgaben eignen. Sie können durch Feinabstimmung an spezifische Anforderungen angepasst werden. Obwohl ihre Erstellung komplexe mathematische Verfahren und erhebliche Rechenressourcen erfordert, funktionieren sie im Wesentlichen als Vorhersagealgorithmen. KI-Grundmodelle, die entwickelt wurden, um menschenähnliche, textuelle Sprachausgaben zu erzeugen, werden als Große Sprachmodelle (engl. Large Language Models) bezeichnet.
Die genKI nutzt eine Vielzahl von Methoden, die kontinuierlich weiterentwickelt werden. Im Vordergrund stehen KI-Grundmodelle (engl. Foundation Models), die auf der Basis großer Mengen von Rohdaten entwickelt werden und sich für verschiedene Aufgaben eignen. Sie können durch Feinabstimmung an spezifische Anforderungen angepasst werden. Obwohl ihre Erstellung komplexe mathematische Verfahren und erhebliche Rechenressourcen erfordert, funktionieren sie im Wesentlichen als Vorhersagealgorithmen. KI-Grundmodelle, die entwickelt wurden, um menschenähnliche, textuelle Sprachausgaben zu erzeugen, werden als Große Sprachmodelle (engl. Large Language Models) bezeichnet.
Die Grundlage für die Anwendung von genKI in der Instandhaltung sind daher Daten, die zur Verarbeitung analysiert und ausgewertet werden [7]. Dafür werden Algorithmen eingesetzt, die Muster und Zusammenhänge in den Daten erkennen können. Die Ergebnisse dieser Analyse werden dann genutzt, um Instandhaltungsmaßnahmen zu planen oder vorherzusagen [8]. Besonders genKI-Modelle wie. ChatGPT [9] (textuelle Daten) oder DALL-E [10] (Bilddaten) werden immer populärer und verändern die tägliche Arbeitsweise, auch in der Produktion und Instandhaltung. Dabei liegt der Fokus von genKI-Modellen in der Industrie klar auf der Umsatzsteigerung und Kostenoptimierung [11] (s. Abb. 2). In anderen Geschäftsbereichen kann genKI auch im Kundenengagement oder in der Geschäftskontinuität für Services mit hohen Verfügbarkeitsansprüchen genutzt werden.
Prädiktive und proaktive Instandhaltung
Die genKI mit ihrer Fähigkeit, aus gelernten Mustern neue Inhalte zu erstellen, birgt ein erhebliches Potenzial für Anwendungen in der Instandhaltung [12]. Eine wichtige Anwendung ist die prädiktive Instandhaltung (PdM): genKI-Modelle können in Kombination mit klassischen Modellen [13] des überwachten, maschinellen Lernens auf historische und augmentierte Maschinendaten trainiert werden, um künftige Ausfälle vorherzusagen und so eine proaktive Instandhaltung zu ermöglichen. Dadurch lassen sich Ausfallzeiten [14] und die damit verbundenen Kosten [15] erheblich reduzieren.
Die genKI mit ihrer Fähigkeit, aus gelernten Mustern neue Inhalte zu erstellen, birgt ein erhebliches Potenzial für Anwendungen in der Instandhaltung [12]. Eine wichtige Anwendung ist die prädiktive Instandhaltung (PdM): genKI-Modelle können in Kombination mit klassischen Modellen [13] des überwachten, maschinellen Lernens auf historische und augmentierte Maschinendaten trainiert werden, um künftige Ausfälle vorherzusagen und so eine proaktive Instandhaltung zu ermöglichen. Dadurch lassen sich Ausfallzeiten [14] und die damit verbundenen Kosten [15] erheblich reduzieren.
Personalschulung
Eine weitere Anwendung ist die Erstellung virtueller Szenarien für die Schulung des Personals in der Instandhaltung. Durch die Simulation eines breiten Spektrums potenzieller Fehler und ihrer Symptome kann genKI eine substantielle, abwechslungsreiche und sichere Trainingsumgebung bieten [6]. Darüber hinaus kann genKI zur automatischen Generierung von Wartungsberichten, -plänen und -verfahren auf der Grundlage spezifischer Eingaben und Bedingungen eingesetzt werden, wodurch sich Effizienz und Konsistenz verbessern. Diese und andere Anwendungen verdeutlichen das transformative Potenzial der genKI im Bereich der Instandhaltung.
Eine weitere Anwendung ist die Erstellung virtueller Szenarien für die Schulung des Personals in der Instandhaltung. Durch die Simulation eines breiten Spektrums potenzieller Fehler und ihrer Symptome kann genKI eine substantielle, abwechslungsreiche und sichere Trainingsumgebung bieten [6]. Darüber hinaus kann genKI zur automatischen Generierung von Wartungsberichten, -plänen und -verfahren auf der Grundlage spezifischer Eingaben und Bedingungen eingesetzt werden, wodurch sich Effizienz und Konsistenz verbessern. Diese und andere Anwendungen verdeutlichen das transformative Potenzial der genKI im Bereich der Instandhaltung.
Sensordaten und historische Aufzeichnungen
Für KI-Modelle in der Instandhaltung sind mehrere Arten von Datenquellen relevant [7]. Dazu gehören Sensordaten von Anlagen, historische Aufzeichnungen über die Instandhaltung sowie Betriebsparameter. Sensordaten können Echtzeitinformationen über den Zustand der Ausrüstung liefern, einschließlich Variablen wie Temperatur, Druck, Vibration und andere. Mithilfe dieser Daten können genKI-Modelle trainiert werden, um Anlagenausfälle vorherzusagen und proaktive Instandhaltungsmaßnahmen vorzuschlagen [16]. Historische Instandhaltungsprotokolle enthalten detaillierte Informationen über vergangene Wartungsaktivitäten, einschließlich der Art der Fehler, der zu ihrer Behebung ergriffenen Maßnahmen und der ausgetauschten Teile [17]. Diese Daten können dem Modell dabei helfen, die Muster von Anlagenausfällen und die Wirksamkeit verschiedener Instandhaltungsmaßnahmen zu verstehen.
Für KI-Modelle in der Instandhaltung sind mehrere Arten von Datenquellen relevant [7]. Dazu gehören Sensordaten von Anlagen, historische Aufzeichnungen über die Instandhaltung sowie Betriebsparameter. Sensordaten können Echtzeitinformationen über den Zustand der Ausrüstung liefern, einschließlich Variablen wie Temperatur, Druck, Vibration und andere. Mithilfe dieser Daten können genKI-Modelle trainiert werden, um Anlagenausfälle vorherzusagen und proaktive Instandhaltungsmaßnahmen vorzuschlagen [16]. Historische Instandhaltungsprotokolle enthalten detaillierte Informationen über vergangene Wartungsaktivitäten, einschließlich der Art der Fehler, der zu ihrer Behebung ergriffenen Maßnahmen und der ausgetauschten Teile [17]. Diese Daten können dem Modell dabei helfen, die Muster von Anlagenausfällen und die Wirksamkeit verschiedener Instandhaltungsmaßnahmen zu verstehen.