In vielen Betrieben wird rund um die Uhr produziert. Umrüstzeiten und die Auslastung der Anlagen können durch Manufacturing-Execution-Systeme (MES) optimiert werden. Ungeplante Stillstände können jedoch zu massiven Verlusten führen, gerade im Bereich der pharmazeutischen Industrie. Mit Senseye Predictive Maintenance lassen sich Maschinen in der Produktion KI-gestützt überwachen und Abweichungen vom Normalzustand frühzeitig erkennen.
Viele Unternehmen setzen in der Produktion bereits auf eine vorbeugende Instandhaltungsstrategie. Dabei wird meist ein engmaschiges Wartungssystem aufgrund von Erfahrungswerten aufgebaut. Fiel beispielsweise eine Maschine im Abstand von vier Wochen aus – wird diese Maschine alle drei Wochen gewartet, unabhängig davon, ob sie noch eine Woche oder ein Jahr ohne Auffälligkeiten in Betrieb sein könnte. Durch diese Strategie wird ein Großteil ungeplanter Stillstände vermieden, wobei sie natürlich dennoch auftreten können, wenn sich die Maschine oder die darin enthaltenen Komponenten eben nicht an den Wartungszyklus halten. Zudem ist eine solche präventive Instandhaltungsstrategie ein immenser Kostenfaktor. Es wird viel Zeit aufgewendet, um Aggregate zu prüfen und zu warten, obwohl das Aggregat in einem einwandfreien Zustand ist. Hier kommt die künstliche Intelligenz in Spiel. Der Einsatz von KI-gestützten Systemen ermöglicht es, die Aggregate zu überwachen und nur dann zu warten, wenn es wirklich Sinn macht und das Aggregat eine merkliche Verschlechterung aufweist. Sowohl bei der reaktiven als auch bei der präventiven Instandhaltung, kann solch eine echte vorausschauende Instandhaltung bzw. Predictive Maintenance helfen, Kosten zu sparen.
KI-gestützte Predictive Maintenance
KI-gestützte Predictive Maintenance kann als Instandhaltungsstrategie in vielen Industrien umgesetzt und eingesetzt werden. In der pharmazeutischen Industrie ist der Nutzen besonders hoch, da ein ungeplanter Ausfall einen hohen Schaden nach sich ziehen kann – beispielsweise ein fehlerhafter Batch teurer Arzneiprodukte. Bei Tablettenpressen beispielsweise hilft die Überwachung der Drucksensoren bei der Vermeidung von Produktionsfehlern. Bei Sterilisatoren ist eine Früherkennung von Temperatur- und Druckabweichungen zur Sicherstellung der Sterilität sinnvoll. Und Bioreaktoren beinhalten viele Aggregate wie Pumpen, Ventile und Sensoren, bei denen eine Überwachung des Zustands dazu beiträgt, den Produktionsprozess stabil zu halten. Aber auch für Aggregate, die nicht direkt in den Produktionsprozess eingebunden sind, ist eine Überwachung sinnvoll, beispielsweise Lüftungssysteme, die die Reinraumbedingungen herstellen.
Senseye Predictive Maintenance von Siemens unterstützt Unternehmen bei der Einführung einer vorausschauenden Instandhaltungsstrategie. Dabei nimmt die Softwarelösung die notwendigen Werte aus den Anlagen, Maschinen und Aggregaten auf und lernt anhand dieser Werte das normale Verhalten kennen – und dies voll automatisiert. Nachdem die Software das Aggregat kennengelernt hat, verlässt sie automatisch den Lernmodus und beobachtet die Werte voll automatisiert weiter. Tritt nun eine Abweichung von der Norm auf, generiert Senseye Predictive Maintenance einen sogenannten Case, der von der Attention Engine klassifiziert wird. Durch den von der Attention Engine generierten Attention Index erhält der Instandhalter die Information, auf welches Aggregat er sich vorrangig konzentrieren muss. Das spart Zeit und Kosten für Aggregate, die in Ordnung sind und erhöht die Anlagenverfügbarkeit.
