06502 Mixed Reality und künstliche Intelligenz in der Instandhaltung – ein Praxisbericht
|
Im Rahmen dieses Artikels zeigen wir anhand von umgesetzten Projekten, wie Mixed Reality am Beispiel der Microsoft HoloLens in der Instandhaltung eingesetzt wird. So zeigen wir z. B., wie Bilfinger diese Technologie zur Schulung der richtigen Flanschenmontage nutzt, wie sie von Jungheinrich im Bereich Training und Wartung eines Niederflurförderfahrzeugs mittels eines Digital Twin eingesetzt wird oder wie thyssenkrupp sie für die Beschleunigung der Lieferzeit im Bereich der Treppenlifte verwendet. Wir streifen auch das Thema künstliche Intelligenz, um zu zeigen, wie z. B. eine Akustikanalyse das richtige Betriebsfenster von KSB-Pumpen feststellt. von: |
1 Einleitung
Mixed Reality (MR) wird die Industrie verändern. Ein gewagtes Statement, denn viele nennen MR in einem Atemzug mit Virtual Reality (VR) und Augmented Reality (AR). Was bisher von Messen oder YouTube bekannt ist, sind meist Prototypen oder Proof of Concepts. Es ist das, was Skeptiker die „nette Spielerei” nennen.
Mixed Reality wird die Industrie verändern – bis dahin müssen Unternehmen umdenken und anfangen, Prozesse zu digitalisieren. Von vielen Unternehmen wird MR oft als Insellösung begriffen. Der Fokus auf das tatsächliche Potenzial wird häufig zu eng gesetzt.
Kombination der Technologien
Wird MR hingegen mit anderen Technologien, etwa Artificial Intelligence, kombiniert, steigert sich das Potenzial enorm. Dafür benötigen Unternehmen Daten: Messdaten von Treppenhäusern, um Details für Treppenlifte zu generieren und so den Vertriebsmitarbeiter zu unterstützen. Daten für automatische Bilderkennung, damit Einzelteile der Maschinen automatisch nachbestellt werden können, sollten sie ausgetauscht werden müssen.
Wird MR hingegen mit anderen Technologien, etwa Artificial Intelligence, kombiniert, steigert sich das Potenzial enorm. Dafür benötigen Unternehmen Daten: Messdaten von Treppenhäusern, um Details für Treppenlifte zu generieren und so den Vertriebsmitarbeiter zu unterstützen. Daten für automatische Bilderkennung, damit Einzelteile der Maschinen automatisch nachbestellt werden können, sollten sie ausgetauscht werden müssen.
Mit anderen Bausteinen gemeinsam ist der Einsatz von Mixed Reality wertvoll, er liefert den gewünschten und erwarteten Mehrwert, besonders für Vertrieb, Weiterbildung und Training, Wartung und Instandhaltung.
2 Die Zukunft der Instandhaltung: Maintenance muss smart werden
Predictive Maintenance – das verheißt mehr Effizienz, eine höhere Overall Equipment Efficiency und eine höhere Lebensdauer der eingesetzten Maschinen. Predictive Maintenance erstellt eine Statistik darüber, wann Maschinen bzw. deren Komponenten ausfallen könnten. Der Schlüssel liegt in der Analyse vergangener Ereignisse, um Muster zu erkennen.
Predictive Maintenance
Dabei werden folgende Stadien unterschieden:
Dabei werden folgende Stadien unterschieden:
| • | Reactive Maintenance:Ein Bauteil wird dann ausgetauscht, wenn es kaputt ist oder seine Funktion nicht mehr erfüllt. |
| • | Preventive Maintenance:Teile werden in regelmäßigen Intervallen – je nach Laufzeit oder produzierter Stückzahl – ausgetauscht. |
| • | Proactive Maintenance:Bauteile werden proaktiv ausgetauscht, um einem kompletten Ausfall entgegenzuwirken. |
Mithilfe von Sensoren lässt sich der Wartungszeitpunkt oder der Zeitpunkt für einen möglichen Austausch noch präziser bestimmen:
| • | Condition-based Maintenance:Liefert ein Sensor erste Anzeichen für beschädigte oder fehlerhafte Komponenten, erfolgt der Austausch. Das kann auch bei Qualitätskontrollen geschehen. |
| • | Predictive Maintenance:Die Sensoren sollen den Zeitpunkt des Ausfalls möglichst präzise vorhersagen. |
| • | Prescriptive Analytics:Maschinen sollen versuchen, einzelne Parameter selbst anzupassen und so Fehler eigenständig korrigieren. Die Umsetzung dieses Modells liegt noch in der Zukunft, doch die Technologie dafür existiert bereits heute. |
3 Smarte Qualitätssicherung: Präzise Voraussagen sind möglich
Sowohl Predictive als auch Prescriptive Maintenance arbeiten mit Erfahrungswerten. Algorithmen klassifizieren den Zustand von Anlagen- oder Maschinenteilen, die als lauftüchtig oder als fehlerhaft eingestuft werden in Abhängigkeit von Daten aus dem Fertigungsprozess, etwa Druckverläufen, Schwingungen oder Temperaturveränderungen. Anschließend werden die Erfahrungswerte einer Event History Analyse – auch Ereigniszeitanalyse, Verlaufsdatenanalyse, Survival Analysis oder Zuverlässigkeitsanalyse genannt – unterzogen.
Vorhersagemodell
Diese Analyse kann bei allen statistisch erfassten Messobjekten angewendet werden, die im Laufe der Erfassung sukzessive ausscheiden. Dank der so gewonnenen Erkenntnisse können Modelle für den erwarteten Verschleiß erstellt und anhand der automatisch aufgezeichneten Sensordaten trainiert werden. Das Ergebnis ist ein Vorhersagemodell, das über den Zustand der Verschleißteile und den Wechselzeitpunkt informiert. Der große Vorteil: Da die angewandten Lernverfahren alle Einflussgrößen miteinbeziehen, werden bislang nicht beachtete Zusammenhänge aufgezeigt.
Diese Analyse kann bei allen statistisch erfassten Messobjekten angewendet werden, die im Laufe der Erfassung sukzessive ausscheiden. Dank der so gewonnenen Erkenntnisse können Modelle für den erwarteten Verschleiß erstellt und anhand der automatisch aufgezeichneten Sensordaten trainiert werden. Das Ergebnis ist ein Vorhersagemodell, das über den Zustand der Verschleißteile und den Wechselzeitpunkt informiert. Der große Vorteil: Da die angewandten Lernverfahren alle Einflussgrößen miteinbeziehen, werden bislang nicht beachtete Zusammenhänge aufgezeigt.
