Predictive Maintenance: Katalysator für die nächste industrielle Revolution

Künstliche Intelligenz' transformatives Potenzial ist ein Thema, das branchenübergreifend Debatte entfacht. Während seine zukünftige Auswirkung oft diskutiert wird, bleibt der wahre Umfang seines Einflusses komplex und vielschichtig.

„Künstliche Intelligenz“ kann alles meinen – von narrow, task-spezifischen Algorithmen bis zum spekulativen Konzept künstlicher General Intelligence (AGI) – Maschinen, die mit menschlichem Intelligenzlevel raisonieren und handeln. Hollywood dramatisierte diese Vision in Filmen wie The Terminator, und öffentliche Figuren wie Elon Musk und Bill Gates äußerten Bedenken über Implikationen. Doch wann und ob AGI materialisieren wird, ist ungewiss. Gartner prognostiziert, Jahrzehnte mögen vergehen, bevor Maschinen menschliches Raisonieren approximieren, auch wenn narrow AI bereits Menschen in spezialisierten Arenen wie Schach und Go übertrifft. Martin Ford, Autor von Architects of Intelligence, echoed diese Sicht, notierend, dass AGIs Ankunft unvorhersagbar bleibt.

Ähnlich bleibt die nächste industrielle Revolution elusive. Während Konzepte wie Industrie 4.0 suggerieren, dass KI, IIoT und verwandte Technologien eine neue Produktivitätswelle auslösen könnten, stagniert westliche Produktivität seit Jahren. US-Industrieproduktion fiel 0,1 % im März – ein Dip, den Wall Street Journal als Beweis beschrieb, dass Fertigung in einen „Soft Patch“ eingetreten ist.

Trotz dieser Makrotrends ernten zahlreiche industrielle Firmen greifbare Vorteile durch Paarung von IIoT mit Machine Learning. FogHorn, ein Startup, half Daihen, japanischem Industrial-Electronics-Unternehmen, 1.800 Stunden manueller Dateneingabe in einem einzigen Plant zu eliminieren. Ein führender Getränkehersteller sparte das Äquivalent einer Million Bierdosen durch Implementierung von Augurys Predictive-Maintenance-Plattform, die drahtlose Vibration, Ultraschall, Temperatur und Magnet-Sensoren mit ML fusioniert, um Equipment-Faults zu detektieren. Augury Co-Founder und CEO Saar Yoskovitz erklärte, dass Identifikation severe Bearing Wear an einer Füllmaschine der Brauerei erlaubte, einen geplanten Repair während Downtime durchzuführen, verhindert einen achtstündigen Outage, der 200.000 Dollar Lost Revenue gekostet hätte.

Air Liquides Digital-Arm, Alizent, demonstriert die Macht von Industrie 4.0 at Scale. Leveraging OSIsofts PI Software als Plattform-Daten-Engine, launchte Air Liquide die SIO Plant-Optimierungs-Plattform vor einigen Jahren. Laut Michael Kanellos, Senior Manager Corporate Communications bei OSIsoft, erzielte Air Liquide Payback in nur drei Monaten und zehnfachen Return im ersten Jahr. Das Unternehmen expandierte die Plattform anschließend auf „Lights-out“-Fabriken in Frankreich und Südostasien, spannte Alizent schließlich in eine separate Unit aus, um sowohl Air Liquide als auch externe Clients zu bedienen.

White House Utility District, führender Tennessee Wasser- und Abwasser-Versorger, reduzierte Wasserlecks von 32 % auf 15 % durch digitale Transformation, yielding Millionen in Savings. Der District reduzierte auch Data-Management-Kosten um 30.000 Dollar jährlich und verschob ein 15-Millionen-Dollar-Plant-Upgrade um 11 Jahre, boostete Community-Reputation und Credit-Rating-Agenturen-Assessments.

Mark Willnerd, CEO und President von Toumetis – einer ML-Firma für industrielle Applikationen – antizipiert einen Produktivitätsschub in den nächsten fünf Jahren. „Dank Technologien wie Machine Learning sind wir für signifikante Gains positioned“, sagte er, vergleichend die erwartete Verbesserung mit dem Produktivitätsboom der 1990er.

Toumetis kollaboriert mit einem Energy-Unternehmen auf einem Ölfeld, das zu einem der weltweiten Top-Producer werden könnte. Unzuverlässige elektrische Tauchpumpen haben Output gehemmt. Durch Monitoring von 1.500 Wells und 100 Datenstreams kann Toumetis Pumpenversagen bis zu 14 Tage im Voraus vorhersagen, enabling proaktive Reparaturen, die Profit und Produktion maximieren.

Machine Learning in industriellen Settings zu implementieren, ist selten straightforward. Dateninkonsistenzen – false Sensor Readings, Missing Values, Bedarf an extensive Cleaning – können Analyse hindern. Willnerd notiert, wir sind noch in der Infancy-Stage von ML-Anwendung in Industrie.

Eine Bain & Co. Studie, Beyond Proofs of Concept: Scaling the Industrial IoT, surveyte 600 High-Tech-Executives und fand, dass IIoT, besonders Predictive Maintenance, herausfordernder zu deployen ist als erwartet. Dennoch schließt der Report, dass Industrial IoT eine vielversprechende Opportunity bleibt.

Eine Kernherausforderung ist der Bedarf an einer seltenen Blend aus Domänenexpertise und Data-Science-Acumen. Toumetis adressiert dies durch Hiring seasoned Industrial Experts, die seit späten 1990ern/frühen 2000ern in Data Analytics gearbeitet haben. Willnerd betont, dass Success an klarem Verständnis von Problem und Business Value hängt.

Yoskovitz echoed dieses Sentiment, notierend, dass Talent-Shortages pervasive sind. In einer Training-Session war das Durchschnittsalter der Attendees 55, illustrierend den Generational Gap. Mit älteren Workern in Rente und jüngeren Generations uninteressiert an Maintenance-Rollen riskiert die USA, unschätzbares Legacy-Fertigungswissen über das nächste Jahrzehnt zu verlieren.

Während es verfrüht sein mag, zu deklarieren, ob IoT und KI eine Produktivitätsära auf Par mit den ersten industriellen Revolutionen einläuten – oder ob Industrie 4.0 einem Software-Upgrade gleicht statt einer Cyber-Physical-Systems-Revolution – können Organisationen dennoch die praktische Frage beantworten: Wie können diese Technologien sofortigen Wert liefern, indem sie sicherstellen, dass die richtigen Techniker die richtigen Maschinen zur richtigen Zeit erreichen?