Fertigungs-Einblicke: Lektionen aus Metall & Bergbau (Teil 3) – Experten-Panel mit Axora

Willkommen beim Trend Detection Podcast, powered by Senseye – einem Branchenführer bei der Nutzung von KI für skalierbare und nachhaltige Asset-Performance und -Zuverlässigkeit. Diese neue Publikation soll Ihnen Ideen vermitteln, wie Sie Wartungseffizienz erreichen können.

Im dritten und letzten Teil unserer Serie darüber, was Hersteller vom Metall- und Bergbausektor lernen können, begrüße ich erneut Joe Carr von Axora. Teil 1 finden Sie hier und Teil 2 hier.

In dieser Episode diskutieren wir mit Joe Carr von Axora die Wartungspraktiken im Metall- und Bergbau, warum Maschinenverfügbarkeit entscheidend ist und warum zu viele Maschinendaten eine Herausforderung darstellen.

Abonnieren Sie über Ihren bevorzugten Podcast-Anbieter (Apple, Google, Spotify), um über zukünftige Episoden informiert zu werden, und hinterlassen Sie uns eine Bewertung mit Ihrem Feedback.

Transkript

Wichtige Themen (klicken zum Springen):

1. Die wichtigsten Wartungspraktiken in der Metall- und Bergbauindustrie
2. Nutzung von Maschinendaten im Metall- und Bergbau
3. KI- und Machine-Learning-Anwendungsfälle im Metall- und Bergbau
4. Nachhaltigkeit im Metall- und Bergbau
5. Fallstudie: Alcoa

Wartungspraktiken: Uptime ist König

Niall Sullivan, Senseye: Joe, du hast Wartung erwähnt – genau dahin wollte ich als Nächstes. Was sind die wichtigsten Wartungspraktiken, die derzeit angewendet werden? Geht es reaktiv zu? Oder werden Komponenten nach festen Intervallen getauscht, wie du angedeutet hast (alle 4.000 Tage oder ähnlich)?

Joe Carr, Axora: In der Bergbau- und Metallwelt ist Uptime der Schlüssel. Hundertprozentig. Uptime ist das Wichtigste, weil es wie bei einem Flugplatz ist: Wenn ich in dieser Zeit nicht produziere, kann ich sie nie zurückholen. Wenn ein Flugzeug abhebt und der Sitz nicht verkauft ist, kann ich ihn nie wieder verkaufen. Gleiches gilt für eine Raffinerie: Wenn ich eine Stunde lang keine Tonne Kupfer produziere, ist diese Stunde für immer verloren.

Die Industrie will keinesfalls reaktiv arbeiten. Es wird immer einen gewissen Anteil reaktiver Wartung geben – das ist unvermeidlich. Aber sie soll die Ausnahme bleiben, nicht die Regel. Neben der reaktiven Wartung gibt es geplante und präventive Wartung. Es ist definitiv ein Mix – wieder abhängig vom Unternehmen.

Nehmen wir LKWs als Beispiel: Heute haben wir viele Sensoren in LKWs, die uns sagen, wie Motor, Bremsen etc. funktionieren. Dort können wir prädiktiver vorgehen und verstehen, wann eine Komponente ausfallen wird. In anderen Bereichen ist es rein geplant: „Wir tauschen das alle 5.000 Stunden.“ Warum? Weil der Hersteller es empfiehlt. Ob das richtig ist, ist diskussionswürdig.

Ideal wäre, die gesamte Industrie würde prädiktiv arbeiten: KI, Sensordaten und Machine Learning sagen uns 100 Stunden vor dem Ausfall Bescheid, damit wir genau rechtzeitig tauschen können. Doch es gibt ein Planungsproblem: Wir können nicht alles reparieren, kurz bevor es kaputtgeht. Wir brauchen Planbarkeit. Doch es gibt massive Kosteneinsparungen und Uptime-Vorteile, wenn man die Komponentenlebensdauer maximiert. Wenn ich den LKW 10 Stunden länger laufen lassen kann und ihn plane, wenn ein Slot frei ist, statt ihn einen Tag stehen zu lassen – das ist verlorene Produktion.

Als ich im operativen Bereich arbeitete, zielten wir auf hohe 80er-Prozentwerte bei der Uptime ab – 88 % war typisch. Mit besserer Predictive Maintenance, wenn wir das in die hohen 80er oder 90er bringen, gibt es massive Vorteile für das Bergbauunternehmen und die Gesellschaft: Wir können mehr Metalle mit denselben Assets produzieren, müssen keine neue Mine eröffnen und nutzen die vorhandene Ausrüstung effizienter.

Predictive Maintenance: Weit bekannt, aber hürdenreich

Niall Sullivan: Es gibt also einen Mix an Strategien. Predictive Maintenance würde offensichtlich viel Wert schaffen. Wie gut wird es angenommen? Ist es noch ein wachsender Markt?

Joe Carr: Es ist tatsächlich weit bekannt. Wartungslösungen gehören zu den größten in der Industrie. Der Hauptgrund: Der Wert lässt sich extrem leicht berechnen. „Was bringt mir 1 % mehr Uptime?“ Ersatzteile sind toll, aber im Vergleich zur Produktion winzig. Wenn der Betrieb der Mine mehr kostet als das Material einbringt, gäbe es die Mine nicht.

Das primäre Problem war eine unkoordinierte Entwicklung über Jahre. Bei Fahrzeugen und Anlagen ist es am fortschrittlichsten – besonders bei den bekannten großen gelben LKWs. Wenn Sie Caterpillar, Komatsu & Co. haben, betreiben diese seit Langem Predictive Maintenance an ihren Fahrzeugen. Heute kaufen Minen LKWs oft nicht mehr, sondern leasten sie mit garantierter Uptime (z. B. 87 %). Wenn die Uptime nicht erreicht wird, zahlen sie nicht. Die Hersteller sind also extrem motiviert, die Fahrzeuge effizient am Laufen zu halten – ein riesiger Differenzierungsfaktor beim Verkauf. Sie haben massive Datapools: Zehntausende LKWs mit Sensoren liefern Daten, wie diese laufen. Sie werden immer besser darin.

Wenn eine Minengesellschaft 100 LKWs hat, ist ihr Datapool viel kleiner, um ähnliche Vorteile zu erzielen. Wenn sie eigene Systeme implementieren, sind diese weniger effektiv. Das ist ein Beispiel, wo präventive/geplante Wartung vom Hersteller getrieben wird.

Geht man jedoch in Konzentratoren, Raffinerien oder Hütten, gibt es keinen einzelnen OEM, der eine Hütte verkauft. Man kauft nicht bei Hatch oder FLSmidth eine komplette Hütte. Sie werden aus Komponenten vieler Hersteller gebaut. Vielleicht wird in den letzten fünf Jahren ein Digital Twin drumherum gebaut. Genau hier haben KI, Predictive Maintenance und Machine Learning eine echte Chance, weil es nicht von einem einzelnen etablierten OEM kontrolliert wird. Jede Minenraffinerie, jeder Hüttenofen, jeder Konzentrator ist anders, gebaut aus vielen verschiedenen Teilen verschiedener Hersteller. All diese Daten zusammenzuführen, zu verstehen und Insights zu liefern – wie wir sie heute für LKWs, Bohrer oder Bagger haben – das ist die große Chance. Und das gilt für die gesamte Wertschöpfungskette im Bergbau.

Datenflut: Tonnen von Daten, aber keine Ahnung, was damit anzufangen

Niall Sullivan: Daten sind immer ein Feast-or-Famine-Thema: Entweder keine Daten oder so viele in so vielen Formaten, dass es schwer ist, echte Insights zu gewinnen. Sammeln Metall- und Bergbauunternehmen viele Daten und suchen Wege, sie zu nutzen? Oder sammeln sie wenig?

Joe Carr: Aus persönlicher Erfahrung: Sie sammeln Tonnen von Daten. Aber sie haben keinen Schimmer, was sie damit anfangen sollen.

Unsere Innovationsprognose zeigte: Ein großes Problem ist, die Daten überhaupt zu sammeln – das erfordert Netzwerk. Sobald Minen Daten haben, liegen sie in vielen verschiedenen Formaten, an vielen verstreuten Orten. Entweder wussten sie nicht, was sie damit anfangen sollten, oder sie konnten nichts damit anfangen, weil ihnen die Skills fehlten (wie zuvor besprochen).

Ein Techniker sagte mir vor ein paar Jahren: „Ein einziger LKW produziert 2 Gigabyte Daten pro Tag.“ Sie hatten 83 davon auf der Mine. „Der Speicher ist voll. Das dauert nicht lange.“ 83 Geräte, die täglich 2 GB produzieren, füllen den Server. Was tun wir mit diesen Daten? Oder 99 % davon interessieren uns nicht. Warum? Wir haben nichts damit anzufangen. Es waren vermutlich unglaublich interessante Daten: Geschwindigkeit, Zykluszeit, Motortemperaturen – von 500 Variablen tracken wir vielleicht 20 in Echtzeit.

Eine riesige verpasste Chance für Minen: Sie haben all diese Daten, aber sie liegen in Silos auf dem Minenserver – wegen Cloud-Infrastruktur und Cybersicherheit. Niemand auf der Mine weiß, wie man sie nutzt. Niemand ist dafür eingestellt. Ich wurde als Bergbauingenieur eingestellt, um Gestein zu brechen, Dinge aus dem Boden zu holen und durch die Aufbereitungsanlage zu schicken – nicht, um Serverdaten zu sichten.

Selten findet man 20 Data Scientists auf einer Mine. Man findet Geologen, Ingenieure, Produktionsleute, Bohrer. Das ist schade, weil es eine so ungenutzte Chance ist. Sie haben nicht die internen Ressourcen, um die Daten zu sichten. Sie sind auch sicherheitsbewusster bei Cloud oder Softwareplattformen, die helfen könnten, echte Insights zu gewinnen. Eine verpasste Gelegenheit.

Die Industrie wird sich wahrscheinlich ändern. Menschen wechseln Jobs, neue Generationen kommen. Vielleicht ändert sich das mit der Zeit, und Leute fragen: „Da sind Unmengen Daten. Warum tun wir nichts damit?“ Wir müssen rausgehen und Lösungen finden, um diese Daten für unseren Nutzen zu nutzen.

Es ist auch ein Job-Thema: Als Produktionsingenieur kümmerte ich mich um Produktion. Wenn jemand kam und sagte: „Können wir ein KI-Projekt auf deinen LKWs laufen lassen?“ Dachte ich: „Das kommt meiner Produktion und meinem Job in die Quere.“

Man sieht eine Diskrepanz: Leute vor Ort wollen einfach ihren Job machen. Leute in Innovationsabteilungen wollen innovative Projekte, brauchen aber Buy-in von den Leuten vor Ort. Diese Diskrepanz: Als Produktionsingenieur werde ich auf Produktion bezahlt, nicht auf KI-Projekte. Da kann die Reaktion sein: „Komm wieder, wenn ich es sofort nutzen kann, ohne Integrationsaufwand.“ Es gibt niemanden, dessen Job diese Integration ist.

Niall Sullivan: Wieder das fehlende Skills-Element. Sind sie sich des Skills-Gaps bewusst?

Joe Carr: Ja. Das kommt auf das zurück, was wir früher besprachen: Machine Learning, KI, Remote Operations Center. Wenn Menschen von wiederholbaren Aufgaben, Planungsschritten, die sie noch von Hand machen, befreit werden – die automatisiert werden könnten –, dann können sie sich KI widmen und Zeit und Mühe in diese Projekte stecken, die letztlich enormen Wert liefern.

Es ist das „Lieber 10 Pfund jetzt als 20 Pfund nächste Woche“-Problem. Was würden Sie bevorzugen? Der Bergbau plant tatsächlich fantastisch langfristig – 20 Jahre im Voraus. Jede Bergbauabteilung hat Kurz-, Mittel- und Langfristplaner. Die Langfristplaner schauen 10 Jahre voraus. Der Kurzfristplaner plant für heute Nachmittag. Die Industrie denkt also langfristig. Es geht darum, wie wir die gesamte Wertschöpfungskette langfristig denken lassen und Menschen freisetzen, das zu tun.

KI & Machine Learning: Wo sonst noch angewendet?

Niall Sullivan: Abseits von Predictive Maintenance – wo werden KI und ML noch angewendet? Top 5?

Joe Carr: Die Liste ist lang. Nummer 5: Wartung – die Früchte hängen so tief, sie liegen am Boden. Wo wir Sensoren haben, kann so viel in der Wartung getan werden, was heute noch reaktiv oder nur geplant ist. „Luftfilter alle 500 Stunden wechseln.“ Warum? Weil es so steht. Da gibt es Vorteile.

Verständnis der Lagerstätte: Nicht zu sehr in die Geologie abdriften, aber zu verstehen, wo das Metall unter der Erde liegt. Heute macht der Mensch ein Modell pro Woche. Ein ML-Algorithmus könnte hunderte Modelle in einem Nachmittag erstellen, und der Geologe bewertet sie: „Das macht Sinn, jenes nicht.“

Basisanwendungen von KI: Wir nehmen KI hier für „dumme“ Dinge. Sie ist schlau, gut in einer Sache, schlecht in allem anderen. KI, die einen LKW fährt, ist toll beim Fahren, kann aber nichts anderes. Anwendungen von KI in der Mine für repetitive Aufgaben: Bohren, Ausgraben, Markieren von Flächen, Laden von Sprengstoff. Alles reif für KI, weil wir exakt dasselbe immer wieder tun.

Ich bohre eine Front für horizontale Entwicklung. Ich nutze jedes Mal dasselbe Bohrbild. Moderne Bohrer bohren oft selbstständig; der Bohrer überwacht nur noch die Position. Warum nicht einen Schritt weiter: Jemand im Remote Operations Center behält den Überblick.

Im Metallbereich: Machine Learning zur Qualitätsprüfung des Endprodukts. Machine Vision (Kameras) versteht Materialeigenschaften und Zielkunden. Die Utopie: Sie bestellen ein spezifisches Metall mit bestimmten Eigenschaften. Der Auftrag geht zur Mine, die das Equipment dorthin schickt, wo das Material liegt. Es wird abgebaut, durch Konzentrator, Hütte, Raffinerie – weil es spezifische Eigenschaften hat – und genau nach Ihrer Spezifikation geliefert. Heute sind wir davon weit entfernt. Es gibt keinen Grund, warum wir das heute nicht könnten – es existiert nur nicht.

Nachhaltigkeit: Der Bergbau tut mehr, als man denkt

Niall Sullivan: Nachhaltigkeit – heißes Thema. Wie wirkt sie sich aktuell auf Metall & Bergbau aus? Welche Maßnahmen ergreifen Unternehmen für ihre Ziele?

Joe Carr: Die Bergbauindustrie tut tatsächlich viel. Viele Projekte mit Batteriefahrzeugen auf Minen. Wasserstoff ist ein großes Thema. Gestern in den Nachrichten: Der Besitzer von Fortescue Metals in Australien kaufte den Batteriezweig von Williams F1. Er baut eine Solar-Farm im Outback, um aus Meerwasser grünen Wasserstoff für grünen Stahl in Australien zu produzieren – Stahl ohne CO₂-Fußabdruck.

Stahl/Metall ist einer der größten CO₂-Emittenten. Eisenerz zu Stahl erfordert Koks/Kohle – eine spezielle Kohleart. Es gibt zwei Kohlearten: Thermische (Kraftwerk) und Koks (Stahlherstellung). Letztere ist der Haupt-CO₂-Verursacher der Bergbauindustrie (außer Kohlebergbau).

Große Fragen: Wie produzieren wir grünen Stahl? Wie reduzieren wir Kohle in der Stahlproduktion? Wasserstoff oder Erdgas? (Erdgaspreise aktuell auch problematisch.)

Nachhaltigkeit steht ganz oben auf der To-do-Liste der Bergbauindustrie. Die Frage: Wie produzieren wir all diese wichtigen Metalle mit begrenztem Impact? Der Bergbau ist per se extraktiv – er nimmt der Erde etwas. Wie wir das besser machen, steht seit Langem auf der Agenda und wird bleiben, je mehr Fokus auf Umwelt liegt.

Der interessante Punkt – das „Doublethink“ (Orwell): Viele mögen die Bergbauindustrie nicht. „Oh, was auch immer.“ Sie verstehen sie nicht. Sie sehen sie als schrecklich an. Gleichzeitig sagen sie: „Klimakrise, wir brauchen grüne Energie mehr als alles.“ Man kann nicht beide Ansichten halten: Gegen Kupferminen UND für Klimaschutz. Man kann die grüne Energiewende nicht ohne Bergbau haben.

Ich war vor einigen Jahren bei IMARK in Melbourne. Extinction Rebellion war da. Ein Interview auf Sky News Australia: Der Chef der Proteste sagte sinngemäß: „Klimakrise, wir müssen handeln, sonst massive Probleme. Aber sie bauen eine Kupfermine auf den Philippinen, die niemand will.“ Unmöglich, beide Ansichten zu halten. Man kann nicht gegen Kupferminen und für Klimaschutz sein. Keine grüne Energiewende ohne Bergbau.

Niall Sullivan: Ein starkes Schlusswort. Wo erfahren Leute mehr über Axora?

Joe Carr: Auf Axora.com – Marketplace ansehen, Kontakt aufnehmen. Oder mich auf LinkedIn anschreiben, ich leite weiter.

Fallstudie: Alcoa

Alcoa Corporation ist ein globaler Marktführer bei Bauxit, Aluminiumoxid und Aluminiumprodukten, gegründet auf starken Werten und operativer Exzellenz seit mehr als 130 Jahren – seit der weltverändernden Entdeckung, die Aluminium zu einem erschwinglichen, lebenswichtigen Bestandteil des modernen Lebens machte.

Alcoa betreibt Produktionsanlagen weltweit und hat bahnbrechende Innovationen und Best Practices implementiert, die zu gesteigerter Effizienz, Sicherheit, Nachhaltigkeit und stärkeren Gemeinschaften geführt haben, wo immer sie tätig sind.

Erfahren Sie, warum Alcoa mit Senseye zusammenarbeitete, um Best-in-Class-Technologie und operative Praktiken für Predictive Maintenance zu erreichen.