Künstliche Intelligenz : KI und Predictive Maintenance: Wo lohnen sie sich?

Die vorausschauende Wartung ist ein Beispiel aus der Fertigung, in der künstliche Intelligenz zum Einsatz kommen kann. Gerade bei teuren Maschinen und Prozessen sollte man nicht erst reagieren und Ersatz bestellen, wenn ein Verschleißteil kaputt ist. Im Idealfall weiß eine Maschine, dass beispielsweise eine Spindel in vier Wochen kaputt wird. So das Prinzip von Predictive Maintenance. Aber ob sich der Einsatz eines Vorhersage-Tools auszahlt, ist eine andere Frage.

"Am Ende gibt es noch den kaufmännischen Aspekt, der das Ganze unter Umständen relativiert", sagt Theo Steininger, CEO und Gründer des Machine Learning Start-Ups Erium. Im Podcast FactStorys spricht er mit Dennis Rathmann über den Nutzen und die Grenzen von Machine Learning im industriellen Einsatz. Seiner Erfahrung nach lassen es manche Anwender:innen drauf ankommen und sparen sich das Predictive Maintenance System. Wie viel Risiko man eingehen kann, entscheidet sich danach, wie teuer eine Anlage ist.

Auch bei Machine Learning bleibt ein Restrisiko zurück, das man bei bestimmten Anlagen oder Prozessen nicht eingehen sollte. In dem Fall werden Teile sicherheitshalber schon weit vor ihrer erwarteten Lebenserwartung ausgetauscht. "Ich prüfe bei Use Cases für Predictive Maintenance, ob es quasi einen Sweet Spot gibt". Steininger stellt also sicher, wie weit das Risiko vertretbar ist, dass die Anlage vielleicht in einem seltenen Ereignis ausfällt – aber Machine Learning trotzdem einen Mehrwert bringt.

Ein Beispiel, wo Predictive Maintenance angewendet wird, ist die Deutsche Bahn. Je länger die Bahn fahren kann, desto rentabler ist es für das Unternehmen. "Aber wenn der Zug dann doch einmal unvorhergesehener Weise stehen bleibt, warten schlimmstenfalls die Kund:innen am Bahnsteig", so Steininger weiter. Ein Risiko, mit dem man leben kann. Die Deutsche Bahn ist mit ihrer Unternehmensgrüße und den zahlreichen Zügen, die sie betreibt, allerdings eher ein Sonderfall.

"Wenn es darum geht, bestehende Prozesse mit KI zu verbessern, gelangt man ziemlich schnell an ein Limit", erklärt Steininger. Hier bestehe die Gefahr, unrentabel zu werden. Denn: "KI ist teuer. Da steckt viel an teuren Mannstunden drin". Wenn es darum gehe, bei einem Prozess noch ein halbes Promille rauszuholen, müsse es ein sehr großvolumiger Prozess sein, damit sich das rechnet.

Es ist laut Steininger ein Irrglauben, dass man mit KI einen vermeintlich bequemen Weg gehen und einen instabilen Prozess regeln kann. Mit Machine Learning kann man sich also nicht die intrinsische Prozessverbesserung ersparen. Zur Prozessregelung sei es nur dann sinnvoll, wenn es wirklich nicht anders geht, weil der Prozess in sich so starken Schwankungen unterliegt.