Autor: Ricarda Huyeng

Maschinen, die bewegliche Teile enthalten, erzeugen Vibrationen. Diese können, besonders in schnell rotierenden Maschinen, wertvolle Rückschlüsse auf die Vorgänge innerhalb der Maschine liefern. Generell gilt: Was hörbar ist, lässt sich auch in den Daten erkennen. Wenn also eine Maschine bei bestimmten Fehlerzuständen ungewöhnlich klingt, kann das ein Zeichen dafür sein, dass sich diese Zustände anhand von Vibrationsmessungen erkennen lassen. Neben Vibrationen können auch andere messbare Größen wie Temperatur, Druck, Motorströme oder weitere Daten aus der Steuerung miteinbezogen werden. Die Erfahrung und das Wissen von Domänenexpert:innen tragen hier maßgeblich zum Verständnis bei und ermöglichen es, die Daten in einen sinnvollen Kontext zu setzen. Nach einer Analyse der aufgenommenen Daten und der Verbindung der Daten mit dem Domänenwissen kann ein KI-Modell trainiert werden. Dieses kann später live die Zustände der Maschine erkennen und eventuell sogar voraussagen. Durch eine intelligente Regelung kann es so beispielsweise ermöglicht werden, Probleme direkt zu beheben und Anlagenstillstände zu verringern.

Der Schlüssel zur erfolgreichen Einführung KI-basierter Anwendungen ist dabei ein ganzheitlicher Ansatz unter Berücksichtigung verschiedener strategischer Elemente. Zunächst ist die Formulierung einer KI-Vision empfehlenswert, um die Ziele des Einsatz KI-basierter Anwendungen festzulegen. Auf dieser Grundlage sind einerseits KI-Use Cases zu identifizieren, d. h. klar abgegrenzte Aktivitäten zur Erreichung bestimmter Ziele. Parallel hierzu ist zu überprüfen, welche Voraussetzungen erforderlich sind, um die identifizierten Use Cases umzusetzen und im nächsten Schritt auch im gesamten Unternehmen ausweiten zu können. Hierfür sind nicht nur technologische Voraussetzungen zu berücksichtigen, sondern auch organisationale und mitarbeiterbezogene Voraussetzungen wie das bereits vorhandene Know-how oder die Unternehmenskultur und -führung. Schließlich ist ein Zeitplan zu definieren, auf dessen Basis die Use Cases schrittweise umgesetzt werden. Das Vorgehen stellt somit die systematische und ganzheitliche Einführung KI-basierter Use Cases unter Berücksichtigung aller dafür notwendigen strategischen Elemente sicher.

Während die OEM massiv von allen vier Faktoren beeinflusst werden, muss sich der automobile Mittelstand insbesondere den Auswirkungen der steigenden Konnektivität und der zunehmenden Marktdurchdringung batterieelektrischer Fahrzeuge stellen. Die Elektrifizierung des Antriebsstrangs macht viele, zentrale und wissensintensive Fahrzeugkomponenten obsolet. Verbrennungsmotoren werden durch Elektromotoren ersetzt. Kraftstofftank, und -leitungen sowie der Abgasstrang entfallen völlig. Ein ähnliches Bild ergibt sich infolge der zunehmenden Konnektivität und Substitution physischer Komponenten durch digitale Lösungen. Schon heute macht der Einsatz von Brake-by-Wire-Systemen Bremskraftverstärker überflüssig und anstatt von Schließzylinder und Schlüssel setzen immer mehr Fahrzeughersteller auf elektrische Schließsysteme mit NFC (Near Field Communication). Diese Veränderungen machen eins deutlich: Es ist nur eine Frage der Zeit, bis viele Unternehmen des automobilen Mittelstands gezwungen sein werden, ihr Geschäft neu zu erfinden. Sie sollten sich deshalb die Frage stellen, wie sie eine Unternehmenstransformation erfolgreich gestalten können und nicht ob diese in Zukunft notwendig sein wird.

Kernaufgaben eines Data Scientists liegen in der Modellbildung und Interpretation. Ein mathematisches Modell – eine einfache lineare Funktion, ein statistisches Modell, oder ein Maschinelles Lernverfahren – beschreibt den jeweiligen Sachverhalt abstrakt. Modellausgaben müssen anschließend im Kontext des Einsatzgebietes interpretiert werden. Dies funktioniert nur dann, wenn folgende Kriterien beachtet werden:

Datenvielfalt: Für die erfolgreiche Modellbildung müssen Daten eine hinreichende Vielfalt bieten. Wird das Beispiel Verkaufszahlen betrachtet, gibt es saisonale Effekte, wie beispielsweise ein erhöhter Absatz zur Weihnachtszeit – somit müssen Daten für den gesamten Jahresablauf vorhanden sein. Deutlich schwieriger ist es bei Maschinendaten aus der Produktion. Maschinen erzeugen stetig wiederholende Daten. Für die Beschreibung eines Maschinenausfalls benötigt man Daten außerhalb des typischen Betriebsbereiches – dies ist selten in den aufgezeichneten Produktionsdaten vorhanden.

Datenqualität: Daten müssen fehlerfrei und zuverlässig aufgezeichnet sein sowie den Sachverhalt korrekt darstellen. Dies wird durch die Bereinigung und kontinuierliche Pflege ermöglicht. Ausreißer lassen sich bei hinreichend großer Datenmenge durch statistische Eigenschaften identifizieren.

Annotationen: Für die Interpretation der Ergebnisse ist Kontextwissen aus dem Anwendungsgebiet notwendig. Dazu müssen Daten mit Meta-Informationen und Annotationen ergänzt werden. Beispielsweise können Maschinenexperten ein fehlerhaftes Verhalten in den Daten markieren oder Prozessexperten Zielgrößen für einen optimalen Prozess ergänzen.

Unter einem Smart Service wird eine „digitale, datenbasierte und auf einem physischen Produkt basierende Dienstleistung“ [KED+19] verstanden. Dabei sind die wesentlichen Subsysteme eines Smart Services ein physisches Produkt als Datenquelle, Produktdaten und (digitale) Dienstleistung. Im Bild sind die Subsysteme in das Schichtenmodell in Anlehnung an ACATECH eingeordnet [Aca15].

Das Zusammenspiel aus einem physischen Produkt und Produktdaten ermöglicht den Aufbau einer zusätzlichen digitalen Dienstleistung, wie bspw. Zustandsüberwachung oder prädiktive Wartung. Solch eine Erweiterung der bestehenden Produktfunktionalität kann das Angebot eines produzierenden Unternehmens mit dem Alleinstellungsmerkmal ausstatten, welches eine deutliche Abgrenzung von der Konkurrenz ermöglicht und den Schutzgraben vor Nachahmungen ausbaut.