Entscheidungsunterstützung mit KI

Eine Analyse technischer und sozialer Faktoren für die industrielle Instandhaltung in Deutschland

Jonas Wanner, Lukas-Valentin Herm, Kevin Fuchs, Axel Winkelmann und Christian Janiesch, Julius-Maximilians-Universität Würzburg

Die politische Initiative „Industrie 4.0“ soll deutschen Fertigungsunternehmen bei der Nutzung von Datenpotenzialen helfen. Gerade die Instandhaltung ist mit heutigen Ansätzen bisher unzureichend proaktiv gestaltet. Einen Lösungsweg bieten auf künstlicher Intelligenz (KI) gestützte Entscheidungsunterstützungssysteme, welche eine vorausschauende Maschinenwartung erlauben. Der undurchsichtige Entscheidungsprozess der KI stellt jedoch ein Hindernis für Nutzer dar, welches die Effektivität solcher Systeme gefährdet. Dieser Beitrag beleuchtet daher sowohl technische als auch soziale Faktoren für den Einsatz von KI im Rahmen von Industrie 4.0.

Die von der Regierung ins Leben gerufene Initiative „Industrie 4.0“ (I4.0) ist ein Versuch, Fertigungsunternehmen bei ihrem Übergang zu modernen Möglichkeiten der Datennutzung und Vernetzung zu unterstützen. Die Notwendigkeit eines solchen Wandels resultiert aus der steigenden Komplexität heutiger Produktionsanlagen, welche ausgeklügelte Wartungssysteme erfordern, um die Sicherheit der Menschen, eine hohe Zuverlässigkeit und geringe Umweltrisiken zu gewährleisten [1]. Dennoch inspizieren, korrigieren und reparieren Servicemitarbeiter fehlerhafte Produktionssysteme noch immer hauptsächlich auf der Grundlage von Erfahrung und Intuition [2].

Im Gegensatz dazu stützen sich moderne Instandhaltungsstrategien zunehmend auf datenbasierte Ansätze, die intelligente Mechanismen und Systeme zur Unterstützung von Instandhaltungsentscheidungen bieten, um Fehler und Ausfälle sogar vorherzusagen, bevor sie auftreten [3]. Diese werden nachfolgend mit IUS (intelligentes Unterstützungssystem) abgekürzt. Tatsächlich ist die Einführung solcher Systeme in der industriellen Praxis derzeit noch recht zögerlich. 

Neben organisatorischen Hindernissen werden überwiegend technische Hindernisse als mögliche Gründe für die zögerliche Einführung genannt. Diese umfassen Probleme wie einen hohen Implementierungsaufwand oder eine fehlende Datengrundlage [4-6]. Kurzgefasst gilt: Ein intelligentes Unterstützungssystem ist zwingend auf eine geeignete Datengrundlage angewiesen. Konnte in manchen Unternehmen bereits ein solches System realisiert werden, bleibt dennoch die Frage offen, ob dieses seitens der Mitarbeiter akzeptiert wird. Nur ein akzeptiertes System wird ein effektives System sein, unabhängig seiner Leistungsfähigkeit [8]. Insbesondere soziale Aspekte wie technologische Ängste und die Entfremdung „bekannter Arbeit“ durch mangelndes Verständnis und Vertrauen werden hierzu als potenzielle Widerstandsmerkmale genannt [7]. Ein wichtiger Aspekt scheint darüber hinaus die fehlende Nachvollziehbarkeit der Entscheidungsfindung eines IUS zu sein. Es ist davon auszugehen, dass bei einer verbesserten Systemtransparenz i. S. d. Nachvollziehbarkeit und Erklärbarkeit der KI-Entscheidung die Adoptionsbereitschaft seitens der Mitarbeiter steigt [9, 10].

 


Bild 1: Prototypisches Dashboard eines KI-basierten Entscheidungsunterstützungssystems
für die industrielle Instandhaltung.

Eine Bestandsaufnahme über den aktuellen Entwicklungsstand der industriellen Instandhaltung in deutschen Fertigungsunternehmen hinsichtlich der Befähigung und/ oder des bereits erfolgten Einsatzes von KI impliziert mehrere Perspektiven. Einerseits muss verstanden werden, welche Hindernisse aus technischer Sicht bestehen. Die Studie versucht daher zu klären, welche infrastrukturellen Voraussetzungen geschaffen sind und welche Wartungsstrategien bisher eingesetzt werden. Andererseits scheinen soziale Adoptionsbarrieren zu existieren, welche einem effektiven Einsatz von KI entgegenwirken. Hier versucht die Studie ein besseres Verständnis zu schaffen, welches insbesondere auf den Stand der Aufklärung der Mitarbeiter zum Thema KI sowie deren Bereitschaft zur Nutzung einer KI-basierten Wartungsstrategie abzielt.


Vorbereitung der Studie

Als Vorbereitung für die Studie zur Bestandsaufnahme wurden zwei wesentliche Schritte durchgeführt: die Auswahl von geeigneten Fragestellungen und die Ausgestaltung eines prototypischen IUS. Im ersten Abschnitt werden die technischen Herausforderungen für die Initiative Industrie 4.0 dargestellt, im zweiten Abschnitt folgen die sozialen Aspekte.

Die Grundvoraussetzung für den Einsatz datenbasierter Auswertungen stellt der umfangreiche und langfristige Abgriff von Maschinendaten dar [10-12]. Bereits hier scheitern laut einer repräsentativen Studie aus 2019 die Hälfte aller deutschen Fertigungsbetriebe [10]. Für den Einsatz von komplexen Algorithmen als Grundlage eines IUS ist darüber hinaus eine langfristige Speicherung dieser Daten notwendig. Die Studie zeigt jedoch, dass einige Unternehmen kein Verständnis für die Notwendigkeit einer Langzeitspeicherung der Daten haben [10].

Hinsichtlich von Strategien der Instandhaltung setzt die Mehrheit der Betriebe heute auf reaktive Maßnahmen. Auch präventive (vorbeugende) Ansätze finden sich, welche jedoch überwiegend (noch) nicht auf datenbasierten Entscheidungen fußen [13]. Dies verwundert insbesondere hinsichtlich des hohen Automatisierungsgrads innerhalb der Produktion in Deutschland. Laut einer Studie aus dem Jahr 2017 sind 80 % der deutschen Produktionsanlagen teilautomatisiert bzw. sogar 6 % vollautomatisiert [14]. Bei einem ungeplanten Ausfall ist daher mit hohen Opportunitätskosten zu rechnen. Moderne Wartungsansätze erlauben hier Optimierungen [15, 16] durch eine datenbasierte, vorausschauende Maschinenwartung, mit großem monetärem Einsparpotenzial [17]. Eine explizite Ausführung für prädiktive oder präskriptive Wartungsstrategien finden sich hingegen nicht. Bei prädiktiven Wartungsstrategien können zukünftig auftretende Ereignisse vorhergesagt werden. Aufbauend auf der prädiktiven Wartung ermöglicht die präskriptive Wartung eine Empfehlung für die beste Handlung im jeweiligen Momentum, unter betriebswirtschaftlichen Gesichtspunkten [16].

Die Auswahl an geeigneten Fragestellungen für den technischen Abschnitt der eigenen, quantitativen Studie orientiert sich an den Fragestellungen der oben aufgeführten Vorstudien und Referenzen.

Neben technischen Herausforderungen kommt der Rolle des Mitarbeiters als Schnittstelle zwischen einem eingesetzten IUS und der Maschine eine große Bedeutung zu. Oft 

[ Wenn Sie den kompletten Beitrag lesen möchten, klicken Sie hier ]