Vorausschauende Wartung und Vorhersage industrieller Revolutionen

Wie transformativ ist künstliche Intelligenz? Diese scheinbar einfache Frage kann schwierig zu beantworten sein.

Zunächst einmal hat der Begriff oft eine nebulöse Bedeutung. Der Begriff ist oft eine Abkürzung für „künstliche allgemeine Intelligenz“ oder „starke KI“. In diesem theoretischen Konstrukt hat die nicht-organische Intelligenz die Fähigkeit, zu denken und eine Reihe von Aufgaben auszuführen. Es ist auch diese Art von KI, auf die sich Hollywood in Filmen wie „The Terminator“ bezieht, sowie auf die Vielfalt, die dystopische Ängste in Leuten wie Elon Musk und Bill Gates hervorruft. Doch die Frage, wann es eine solche Form der KI geben wird, lässt sich nicht eindeutig beantworten. Gartner argumentiert, dass es wahrscheinlich Jahrzehnte dauern wird, bis Forscher Maschinen entwickeln, die in der Lage sind, menschliches Denken anzunähern, obwohl Maschinen, die auf enge Aufgaben trainiert sind, Menschen in intellektuellen Spielen wie Schach und seit kurzem Go in den Schatten stellen können. Martin Ford, Autor von „Architects of Intelligence:Die Wahrheit über KI von den Menschen, die sie bauen“, sagte, die meisten Experten glauben, dass starke KI eine ausgesprochen unberechenbare Sache ist.

Ebenso wie es scheint, industrielle Revolutionen. Während Konzepte wie Industrie 4.0 im Großen und Ganzen andeuten, dass die Konvergenz von KI, IIoT und anderen Technologien die nächste industrielle Revolution anheizen könnte, stagniert die Produktivität in den westlichen Ländern seit Jahrzehnten. Die US-Industrieproduktion für Fabriken, Bergwerke und Versorgungsunternehmen ging im März um 0,1% zurück, was, wie das WSJ ausdrückte, „die Ansicht verstärkt, dass die Fertigung eine Schwächephase erreicht hat.“

Aber während der industrielle Makrokosmos, gemessen an verschiedenen Produktivitätsindizes, voranschreitet, gibt es eine wachsende Zahl von Erfolgsgeschichten von Industrieunternehmen, die IIoT-Technologien in Verbindung mit maschinellem Lernen einsetzen. Das Startup FogHorn beispielsweise half dem japanischen Industrieelektroniker Daihen dabei, 1800 Stunden manuelle Dateneingabe in einer einzigen Fabrik zu eliminieren. Und ein Top-Getränkeunternehmen hat durch vorausschauende Wartung auf einen Schlag umgerechnet 1 Million Dosen Bier eingespart. Das Unternehmen installierte Maschinenüberwachungstechnologie der Firma Augury, die drahtlose Vibrations-, Ultraschall-, Temperatur- und Magnetsensoren mit maschinellem Lernen kombiniert, um Maschinenprobleme für eine Reihe von Industriemaschinen, einschließlich derer, die von Brauereien verwendet werden, zu erkennen. „Und wir haben starken Lagerverschleiß an einem Füller festgestellt – der Maschine, die Dosen mit Bier füllt“, sagte Saar Yoskovitz, Mitbegründer und CEO von Augury. „Die Entdeckung ermöglichte es der Brauerei, das Problem während der geplanten Ausfallzeiten zu beheben. „Da es sich um eine 24-mal-7-Einrichtung handelt, haben sie keinen Raum für ungeplante Ausfallzeiten“, sagte Yoskovitz. Aber das Lagerproblem hätte letztendlich einen Ausfall auslösen können, der acht Stunden Produktivitätsverlust zur Folge hatte. „Das entspricht einer Million Dosen Bier und einem Umsatz von 200.000 US-Dollar“, fügte Yoskovitz hinzu.

Alizent, die digitale Tochtergesellschaft von Air Liquide, liefert ein weiteres Beispiel für die Leistungsfähigkeit von Industrie 4.0-Technologien. Mit der Technologie von OSIsoft hat Air Liquide vor einigen Jahren eine Anlagenoptimierungsplattform namens SIO geschaffen. Die PI-Software von OSIsoft dient als eingebettete Daten-Engine für die Plattform, die die Datenerfassung und -verfeinerung für Analysen ermöglicht. „Air hat sich mit SIO in drei Monaten amortisiert und im ersten Jahr eine 10-fache Amortisation“, schrieb Michael Kanellos,

IoT-Analyst und Senior Manager Corporate Communications bei OSIsoft in einer E-Mail. „Sie zogen dann um, um Fabriken in Frankreich und Südostasien ohne Mitarbeiter (d. h. ohne Mitarbeiter) zu verwalten.“ Daraufhin beschloss Air Liquide, die digitale Gruppe in die Einheit Alizent auszugliedern, um sowohl Air Liquide als auch andere Unternehmen zu bedienen.

Ein weiteres Beispiel für ein Unternehmen mit einem schnellen ROI der digitalen Transformation ist der White House Utility District. Als einer der führenden Wasser- und Abwasserversorger in Tennessee reduzierte die Organisation Wasserlecks von etwa 32 % auf 15 %. Die Einsparungen beim Wasser führten ebenfalls zu Einsparungen in Millionenhöhe. "Aber sie haben auch das Datenmanagement weit zurückgenommen und 30.000 US-Dollar pro Jahr eingespart", sagte Kanellos. „Sie haben eine neue 15-Millionen-Dollar-Anlage um 11 Jahre verschoben. Das Ansehen der Community ist gestiegen. Ratingagenturen haben ihre Ratings sogar angehoben.“

Mark Willnerd, Chief Executive Officer und Präsident des Unternehmens Toumetis für industrielles maschinelles Lernen, rechnet in den nächsten fünf Jahren mit einem Anstieg der industriellen Produktivität. „Dank Technologien wie maschinellem Lernen werden wir eine große Verbesserung sehen“, sagte er. „[Wir könnten eine Rückkehr von] Produktivitätsgewinnen vom Typ der 1990er Jahre sehen“, fügte Willnerd hinzu und bezog sich auf das Jahrzehnt, das mit einem schnellen Anstieg der Produktion verbunden war.

Toumetis arbeitet mit einem Energieunternehmen an einem Ölfeld zusammen, von dem Willnerd erwartet, dass es eines Tages zu den führenden Produktionsstandorten der Welt gehören könnte. Ein Faktor, der die Produktivität des Standorts behindert, ist die Unzuverlässigkeit der elektrischen Tauchpumpen, die einen Brunnen aus der Produktion bringen kann. Aber wenn die Fachexperten, die die Ausrüstung des Unternehmens im Auge behalten, 1.500 Bohrlöcher und 100 verschiedene Datensignale überwachen, können sie leicht Daten übersehen, die auf einen bevorstehenden Pumpenausfall hinweisen. "Sie wissen nicht, welche Brunnen wann ausfallen werden", sagte Willnerd. „Aber wenn ich vorhersagen kann, welche in einem 14-Tage-Fenster ausfallen werden, kann ich Reparaturen planen, um Gewinn und Produktion zu maximieren.“

Aber der Prozess der Anwendung von maschinellem Lernen – oder seiner Anwendung in der vorausschauenden Wartung – im industriellen Bereich ist selten einfach. „Die Daten können inkonsistent sein. Sie könnten falsche Messwerte von Sensoren haben. Sie könnten fehlende Daten haben“, fügte Willnerd hinzu. „Und es gibt eine Menge, nur die Daten zu bereinigen, bevor Sie sie analysieren können.“

Willnerd vermutet, dass wir noch am Anfang stehen, maschinelles Lernen auf industrielle Anwendungen anzuwenden.

Zu ähnlichen Ergebnissen kommt eine Studie von Bain &Co. mit dem Titel „Beyond Proofs of Concept:Scaling the Industrial IoT“ nach einer Befragung von 600 Hightech-Führungskräften. IIoT im Allgemeinen und vorausschauende Wartung im Besonderen sind oft schwieriger zu implementieren als erwartet – ebenso wie die Aussicht, „wertvolle Erkenntnisse aus den Daten“ aus IIoT-Projekten zu gewinnen. Der Bericht kommt jedoch später zu dem Schluss, dass „das industrielle IoT weiterhin eine vielversprechende Chance bleibt“.

Eine zentrale Herausforderung besteht darin, dass die Sinnhaftigkeit solcher Daten auch eine seltene Mischung aus Domänenexpertise und datenwissenschaftlicher Erfahrung erfordert. Um die Lücke zu schließen, hat Toumetis Industrieexperten eingestellt, die seit Ende der 1990er und Anfang der 2000er Jahre an Datenanalysen arbeiten. "Es ist immer noch eine Kunstform", sagte Willnerd. „Sie müssen klar verstehen, welches Problem Sie lösen möchten und welchen Geschäftswert damit verbunden ist.“

Yoskovitz hat eine ähnliche Einstellung. Nachdem er eine Reihe von Industrieanlagen in den Vereinigten Staaten besichtigt hatte, kam er zu dem Schluss, dass eine der häufigsten Herausforderungen darin bestand, Talente zu finden. Obwohl viel über die Schwierigkeit gesprochen wurde, einen Experten beispielsweise für industrielle Cybersicherheit oder industrielle Datenwissenschaft zu finden, ist das Problem größer. „Einmal ging ich in einen Raum, um bei unseren Kunden zu schulen. Das Durchschnittsalter betrug 55 Jahre“, erinnert sich Yoskovitz. „Wir hatten dort Leute, die kurz vor dem Ruhestand standen, und die Neuankömmlinge, die in den Zwanzigern waren. Und zwischen ihnen liegen gut 30 Jahre.“

Ein Großteil der bisherigen Fertigungserfahrung in den Vereinigten Staaten wird in den nächsten fünf bis zehn Jahren verschwinden, wenn ältere Arbeitnehmer in der Industrie in den Ruhestand gehen. Industriejobs stehen hingegen bei jüngeren Arbeitnehmern weit unten auf der Liste. „Fast niemand, der Millennial oder Gen Z ist, möchte Wartungstechniker werden“, sagte Yoskovitz.

Es mag also noch zu früh sein, um zu sagen, ob breite Technologien wie IoT und KI eine Ära der Produktivität schaffen werden, die mit den ersten industriellen Revolutionen konkurrieren wird, oder ob Industrie 4.0 eher eine Software-Revision sein wird als eine von Cyber-Physical-Systems getriebene Revolution. Im Moment ist es eine praktischere Frage zu fragen, wie solche Technologien ihre dringendsten Bedürfnisse erfüllen können – die richtigen Leute (Techniker) zur richtigen Zeit (bevor die Maschine kaputt geht) an den richtigen Ort (eine potenziell versagende Maschine) zu bringen.