Predictive Maintenance: wenn die Cloud eigenständig Entscheidungen trifft

Cloud-Services verfügen über genügend Daten, um Vorhersagen zu den Abläufen eines Betriebes zu machen. Somit lassen sich Probleme frühzeitig erkennen und vermeiden. Die große Herausforderung besteht darin, diese Daten auszuwerten und zu interpretieren. Hierfür ist es notwendig, dass die künstliche Intelligenz (KI) und die Algorithmen kontinuierlich lernen. Mittels der Predictive Maintenance automatisieren Sie so Ihre Unternehmensprozesse und lassen Probleme gar nicht erst entstehen.

Das Konzept der Predictive Maintenance

Die Idee hinter der Predictive Maintenance besteht darin, den optimalen Zeitpunkt zum Austausch von Bauteilen oder Maschinen in einem Betrieb zu bestimmen. Erfolgt der Austausch zu früh, ist die Lebenserwartung des Bauteils nicht ausgeschöpft, was einer Geldverschwendung gleichkommt. Erfolgt der Austausch zu spät, fällt das Gerät im laufenden Betrieb aus und es kommt zu Produktionsstörungen oder gar einem Produktionsausfall.

Im Idealfall wird eine Komponente also dann ausgetauscht, wenn sie am Ende ihrer Lebensdauer angekommen, aber noch nicht ausgefallen ist. Mittels der Predictive Maintenance versuchen Unternehmen, diesen optimalen Zeitpunkt zu bestimmen. Zu diesem Zweck ziehen sie eine Vielzahl an Daten und Erfahrungswerten heran. Diese Zustandsdaten eines Gerätes geben einen Einblick in dessen Funktionstüchtigkeit und lassen seriöse Einschätzungen zu, wie lange das jeweilige Bauteil noch einwandfrei arbeiten wird.

Predictive Maintenance bei Cloud-Services

Predictive Maintenance in der Industrie 4.0Unternehmen ist ihre Flexibilität sehr wichtig. Sie wollen nicht nur auf vorhandene Gegebenheiten reagieren, sondern die Betriebsabläufe proaktiv beeinflussen und steuern. Hierfür ist die Predictive Maintenance ein ideales Tool. Sie erlaubt es den Unternehmen, ihre Managementaufgaben zu automatisieren und somit Entscheidungskompetenzen an die Cloud auszulagern. Anhand vorhandener Daten und mit Bezug auf von den Nutzern festgelegte Rahmenbedingungen schätzen die Cloud-Dienste bestimmte Situationen ein und lösen automatisch angemessene Reaktionen aus.

Ale Beispiel sei hier ein Hacker-Angriff auf das System einer Firma genannt. Ein solcher Angriff ist mit ungewöhnlichen Aktivitäten im Netzwerk verbunden und verursacht eine Ansammlung ganz charakteristischer Daten. Wenn solche Telemetrie-Daten von Hardware und Umgebung richtig interpretiert werden, können Sie solche Angriffe vorhersagen und unterbinden. Die Auswirkungen extremer Ereignisse dieser Art (zu denen zum Beispiel auch Geräteausfälle gehören) auf die Betriebsabläufe wären dann nur noch marginal oder gar nicht mehr vorhanden.

KI und lernende Algorithmen für die Predictive Maintenance

Damit dieses Konzept aufgehen kann, müssen KI und Cloud in der Lage sein, die vorhandenen Daten nicht nur zu sammeln, sondern auch auszuwerten und zu interpretieren. Hierfür eignen sich festgelegte Parameter meist nur schlecht. Schließlich ist die Bandbreite an möglichen Ereignissen viel zu groß. Die Nutzer können gar nicht alle Eventuellen Ereignisse vorhersehen und der Cloud vorschreiben, was sie in einem solchen Fall zu tun hat. Aus diesem Grund ist es wichtig, dass KI und Algorithmen eigenständig lernen und befähigt werden, die vorhandenen Daten selbstständig zu interpretieren und darauf zu reagieren.

Hierfür ist es notwendig, dass klar ist, welche Parameter als normal gelten und welche ein ungewöhnliches Ereignis darstellen. Eine erhöhte Temperatur eines Geräts oder eines Bauteils kann für eine bevorstehende Überlastung sprechen. Ebenso ist es aber möglich, dass lediglich die Klimaanlage in einem Büroraum ungünstig eingestellt ist. Ein Anstieg der I/O-Rate kann durchaus ein Anzeichen für einen Hacker-Angriff sein. In einigen Fällen erzeugen jedoch gewollte und standardisierte Applikationstests die Mehrbelastung. Um nicht jedes Mal einen Fehlalarm auszulösen, wenn die Daten sich anders als normal verhalten, muss die Technik lernen, die Daten sinnvoll zu interpretieren und geeignete Maßnahmen zu ergreifen.

Diese Dinge lernen Algorithmen, indem Sie konkrete Features setzen und erläutern. Auf diese Features konzentriert sich die Cloud bei der Überwachung des Systems dann ganz besonders. Ungewöhnliche Daten werden als besondere Ereignisse festgehalten und interpretiert. Das System lernt, welche Entwicklungen, welche Reaktionen nach sich ziehen müssen. Je mehr Features und Deutungen das System hierfür zur Verfügung hat, desto zuverlässiger sind die Interpretationen und Reaktionen.

Cloud-Services blicken in die Zukunft

Um all dies leisten zu können, müssen Cloud-Dienste nicht nur auf Notfälle reagieren, sondern diese vorhersagen können. Hierfür ist es zunächst wichtig, dass das System Extremwerte erkennt und darauf reagiert. Dies entspricht der Reaktion auf Notsituationen. In einem zweiten Schritt werden Features und Ereignisse definiert, auf die das System dann in einer bestimmten Weise reagieren soll. Dies entspricht der vorausschauenden Komponente. Es müssen gar nicht erst Extremwerte auftreten, um eine Reaktion der Cloud auszulösen. Stattdessen sieht sie solche Entwicklungen voraus und verhindert, dass es überhaupt zu Störungen kommt. An diesem Punkt wird die Predictive Maintenance mit dem Cloud-Service kombiniert und Abhängigkeiten zwischen den einzelnen Unternehmensprozessen erkannt und interpretiert.

Ein dritter Schritt besteht dann in der vorausschauenden Vermeidung von Störungen in den Produktionsprozessen. So muss verhindert werden, dass ein bestimmtes Bauteil kaputt geht oder benötigte Ressourcen nicht vorhanden sind. Anhand der vorhandenen Daten erkennt der Cloud-Anbieter, dass es in naher Zukunft zu einem Engpass kommen könnte. Entsprechend skaliert er benötigte Ressourcen und vermeidet somit, dass es überhaupt erst zu diesem Engpass kommt. Die Mitarbeiter bekommen von diesen Aktivitäten im Idealfall nichts mit, weil sie vollautomatisch ablaufen und für reibungslose Betriebsabläufe sorgen.

Das könnte Sie auch interessieren

Neu

WerbungKatteb Content AI

Nicht verpassen