Wie Artificial Intelligence die Automobilbranche revolutioniert

Wie Artificial Intelligence die Automobilbranche revolutioniert

Artificial Intelligence hat als Forschungsfeld mittlerweile eine große Vielfalt und Reife erreicht. So ist es nicht verwunderlich, dass sich immer mehr Produkte und ganze Industrien durch den Einsatz von Artificial Intelligence verändern. Wie umfassend die Auswirkungen von Methoden wie Künstliche Neuronalen Netzen und Deep Learning sein können, zeigt sich in der Automobilbranche.

Artificial Intelligence ist auf dem Vormarsch

In immer mehr Unternehmen gibt es erfolgreich eingeführte Use Cases oder zumindest Bestrebungen, die IT-Architektur entsprechend vorzubereiten. Zwei aktuelle KI-Studien – die IDC-Studie „Künstliche Intelligenz in Deutschland 2019“und die Deloitte „KI-Studie 2019“ zeigen für Deutschland ein positives Bild. Die Wichtigkeit von Artificial Intelligence wurde von den Unternehmen mehrheitlich erkannt, auch wenn häufig noch eine Einbettung der Use Cases in eine übergeordnete Data Strategy fehlt.

Linktipp: Lesen Sie auch unseren Blog-Artikel zur Frage „Übernehmen bald die Maschinen? Künstliche Intelligenz und ihr Impact in der deutschen Wirtschaft“.

Die Vorreiterrolle der Automobilwirtschaft

Die Automobilbranche nimmt in diesem Zusammenhang eine Vorreiterrolle ein. Nicht nur finden sich dort prominente Anwendungsbeispiele wie das autonome Fahren, das ohne Artificial Intelligence nicht denkbar wäre. Auch die Auswirkungen auf zahlreiche andere Produktionsbereiche sind enorm.

Nicht zuletzt aufgrund der gesamtwirtschaftlichen Bedeutung der Automobilindustrie als Schlüsselindustrie für Deutschland, sind Entwicklungen für diesen Bereich von besonderem Interesse für die deutsche Wirtschaft.

In immer mehr Produkten, Maschinen und Komponenten ist Artificial Intelligence schon im Einsatz

Wirft man einen Blick ins Auto, so lassen sich zahlreiche Teilbereiche identifizieren, in denen Artificial Intelligence direkt oder indirekt eine Rolle spielt. Die Grundlage für die Spracherkennung im Auto beruht auf NLP, also Natural Language Programming – einem wichtigen Teilgebiet von Artificial Intelligence. Auch die Optimierung der Navigation wird durch lernfähige, intelligente Algorithmen unterstützt.

Artificial Intelligence eröffnet der Automobilindustrie völlig neue Möglichkeiten

Artificial Intelligence eröffnet der Automobilindustrie völlig neue Möglichkeiten.

Fahrerassistenzsysteme und bestimmte Zusatzfunktionen wie die Vorausberechnung des Streckenverlaufs für die automatische Anpassung der Scheinwerfer beruhen zum Teil auf Bilddatenauswertung bzw. Objekterkennung.

Linktipp: Unser Data Scientist Karl Schriek hat sich in diesem Zusammenhang mit der Bedeutung von Transfer Learning bei Bildanalysen beschäftigt.

Auch in der Fahrzeug-Produktion profitieren bereits einige Hersteller und Zulieferer von Artificial Intelligence (vernetzte Produktion). Gerade Machine Learning ist eine wichtige Data-Science-Methode, die beispielsweise in Predictive Maintenance Projekten zum Einsatz kommt.

Das eigentliche Potenzial von Artificial Intelligence ist noch nicht realisiert

Hochkomplexe Vorgänge wie autonomes Fahren sind die Königsdisziplin von Artificial Intelligence.  Selbst bei Autonomiestufe 4, bei der das Auto schon sehr viel an Fahrleistung übernimmt, ist die Anwesenheit eines Fahrers noch erforderlich. Erst bei Autonomie-Level 5, das bislang noch nicht erreicht worden ist, agieren Fahrzeuge komplett autonom.

Linktipp: In diesem Artikel beschäftigt sich Dr. Felix Klein mit dem „Autonom fahrenden Fahrzeug aus Sicht eines Data Scientist“.

Das Ziel: Komplexe Systeme zu beherrschen und die Kundenerfahrung zu verbessern

Auch in anderen Bereichen, in denen durch Artificial Intelligence komplexe Systeme beherrschbar werden, ist noch Entwicklungsarbeit zu leisten. In einigen Fällen sind Fortschritte aber nur eine Frage der Zeit. Eines der wesentlichen Merkmale von intelligenten Algorithmen ist ihre Lernfähigkeit. Das heißt, sie werden besser, je länger und damit häufiger sie im Einsatz sind.

Um die komplexen Zusammenhänge des Straßenverkehrs oder innerhalb einer Fabrik zu interpretieren, ist es zunächst nötig, die Voraussetzungen zu lernen. Dazu gehört es, die Verkehrsregeln oder die Abläufe in einer Produktionshalle zu verstehen, zu analysieren und bis zu einem gewissen Grad vorherzusagen sowie Lösungsansätze zur Optimierung durchzuspielen.

Daten sind der Schlüssel auf dem Weg zur Artificial Intelligence

Für Autohersteller lohnt es, eine automatisierte Auswertung von Fahrzeugdaten anzustreben. Daten, wie die zur Abnutzung von Bremsbelägen, Filtern oder zum Ölverbrauch, sind wertvolle Informationen. Sie lassen Schlüsse über das verwendete Material zu, ermöglichen die Prognose von Schäden und Ausfällen und stellen nicht zuletzt die Grundlage zur automatisierten Planung von Werkstattterminen dar.

Das ist auch das übergeordnete Ziel, das all die genannten Entwicklungschancen letztlich verfolgen: Die konsequente Verbesserung des Kundenerlebnisses im Auto und die Erhöhung von Komfort und Sicherheit im Straßenverkehr insgesamt.

Artificial intelligence in der Automobilindustrie

Intelligente Navigationsgeräte unterstützen uns schon heute im Auto.

Artificial Intelligence in der Automobilbranche – gestütztes Design bei der Automobilentwicklung

Die Nutzung von Artificial Intelligence eröffnet auch in anderer Hinsicht ein bis dato unbekanntes Maß an Effizienzsteigerung und Optimierung. Das fängt bei der ersten Planung beziehungsweise beim Design eines neuen Modells an.

Lernfähige, intelligente Software kann den Designer dabei unterstützen, das optimale Design für ein Auto zu entwickeln. Dazu wird Artificial Intelligence zunächst mit allen möglichen Autodesigns, die bereits existieren, trainiert, damit die grundlegenden Kenntnisse in diesem Bereich vorhanden sind. Darauf aufbauend können verschiedene andere Fähigkeiten trainiert werden, wie Ergebnisse aus dem Windkanal oder das Verhalten bestimmter Materialien bei hohen und niedrigen Temperaturen.

CAD-Modelle und Simulationen von neuen Designs können mithilfe von Artificial Intelligence zu völlig neuen Ergebnissen führen, weil sie Millionen von verschiedenen Varianten durchprobieren können. Dasselbe gilt auch für angrenzende Bereiche wie dem Sounddesign bei Türenschließgeräuschen, bei der Insassensicherheit oder der Vibrationsreduzierung.

Artificial Intelligence als Game Changer in der Automobilproduktion:

Durch den Einsatz von Artificial Intelligence in der Automobilbranche gehen zahlreiche und grundlegende Optimierungsmöglichkeiten hervor. So lassen sich Objekte, Zeichen und Sprache eindeutig erkennen, Entscheidungen automatisieren und darauf aufbauende Aktionen ausführen. Das Resultat ist jeweils autonomes und adaptives Multi-Agent-Verhalten. Auf diese Weise lassen sich sowohl der Traum vom autonomen Fahren als auch Optimierungspotenziale innerhalb der Produktionskette realisieren.

Wenn in der Produktion kontinuierlich alle Prozessdaten erfasst und gespeichert werden, lässt sich die Produktionsqualität maßgeblich erhöhen, Defekte und Fehlproduktion reduzieren und der Energieverbrauch senken. Auch Prognosemodelle können in die Optimierung mit einbezogen werden: Beispielsweise bei der Lackierung und beim Karosserieschutz. Das Potenzial im Bereich Prozessoptimierung ist enorm und längst nicht ausgeschöpft.

Artificial Intelligence kann zahlreiche Bereiche entlang der gesamten Wertschöpfungskette der Automobilproduktion wesentlich verbessern. Was von dieser Vision Realität wird, hängt zum Teil auch vom Gesetzgeber ab. In bestimmten sensiblen Anwendungsbereichen muss geklärt werden, was unter den Datenschutz fällt und was erlaubt ist. Auch der Mangel an geeigneten Fachkräften sorgt immer noch dafür, dass Unternehmen im Bereich Artificial Intelligence nicht das gesamte Potenzial realisieren können.

Nichtsdestotrotz ist Artificial Intelligence in der Automobilbranche ein Game Changer und eröffnet ganz neue Möglichkeiten für die gesamte Industrie.

Predictive Maintenance Use Cases – Fünf Beispiele aus der Praxis

Predictive Maintenance Use Cases – Fünf Beispiele aus der Praxis

Predictive Maintenance Use Cases gehören zu den meist umgesetzten Anwendungsfällen im Bereich Industrie 4.0. In diesem Blogartikel haben wir fünf von uns umgesetzte Predictive Maintenance Use Cases zusammengestellt, um herauszuarbeiten, was diese sind und welches Potenzials Predictive Maintenance in der Industrie 4.0 hat.

Wenn im Dashboard eines Autos das Symbol für „Wartung“ aufleuchtet, heißt das nicht, das mit dem Motor oder einem anderen Teil bereits etwas nicht stimmt. In der Regel steht der nächste reguläre Besuch in der Werkstatt nach einer bestimmten Kilometerzahl an. Die Logik, die hinter diesem Wartungsansatz steht, gehört im Zeitalter von Künstlicher Intelligenz und Data Science der Vergangenheit an.

Linktipp: Lesen Sie hier, warum Predictive Maintenance die Grundlage für zahlreiche Anwendungsfelder liefert und welche Erfolgsfaktoren zu beachten sind.

An die Stelle herkömmlicher Wartungsansätze tritt heute immer häufiger ein neuer Ansatz: Predictive Maintenance – die vorausschauende Wartung. Am Beispiel von fünf Predictive Maintenance Use Cases zeigen wir im Folgenden, wie breit das Anwendungsspektrum des neuen Ansatzes der vorausschauenden Wartung ist.

Herstellerübergreifende Ausfallwahrscheinlichkeit von Fahrzeugbauteilen auf Basis von Fahrzeugeigenschaften

Bei der Prognose von Wartungsterminen spielen Muster in Daten eine zentrale Rolle. Muster führen vor allem dann kausale Zusammenhänge zutage, wenn die Daten eine einheitliche Quelle haben – etwa Sensordaten aus ein und demselben Motorentyp. Die besondere Herausforderung bei diesem Projekt bestand darin, dass wir mit einem asymmetrischen Informationsstand im Bereich Gebrauchtwagenverkauf konfrontiert waren. Das machte eine punktuelle Datenerfassung des Fahrzeugzustandes nötig, um eine herstellerunabhängige Betrachtung der Bauteile zu ermöglichen. Das setzte eine Datenerfassung der Bauteil-Mängel unabhängig von vorab durchgeführten Fahrzeugreparaturen voraus.

Unsere Lösung sah zunächst die Durchführung einer Häufigkeitsanalyse von ausgefallenen Bauteilen vor. Danach folgte das Ranking der Bauteile nach Kernfaktoren der Gebrauchtfahrzeuge.  Im Ergebnis kam ein Datenmodell zur Verknüpfung von Mängelprotokollen und Werkstattberichten zustande. Durch die Einführung eines interaktiven Bauteil-Rankings nach Ausfallwahrscheinlichkeit und Einflussfaktoren entstand zudem eine Transparenz über die analytische Wertigkeit der Datenlage.

Herstellerübergreifende Analyse gleicher Fahrzeugbauteile mit interaktiver Drill-Down-Funktion auf einzelne Fahrzeugeigenschaften

Präventive Identifikation fehlerhafter Teile zur Identifikation von potenziell ausfallgefährdeten Teilen entlang des Produktions- und Logistikprozesses bis hin zum Kunden

Qualitätssicherung ist insbesondere im Premiumsegment eine der zentralen Herausforderungen von Unternehmen. Ein Automobilhersteller wollte Fahrzeugausfälle bis in die Logistik zurückverfolgen und identifizieren können. Bislang war der Verbleib von potenziell ausfallgefährdeten Teilen aus defekten Lieferantenchargen nicht nachverfolgbar und barg ein Risiko. Um die Qualität sicherzustellen, sollen die betroffenen Teile in der Logistik und beim Kunden identifiziert werden.

Mit einem generischen Datenmodell stellten wir zunächst die Verknüpfung der Datenquellen entlang des Produktionsprozesses sicher. So gelang eine Rückverfolgbarkeit der fehlerhaften Teile bis hin zum Lieferanten und die Visualisierung des Prozesses. Mit der QlikSense-Applikation ist nun die Verortung der Teile in der Logistik und beim Kunden möglich. Das generische Datenmodell ermöglicht zudem die Identifizierung verschiedener Teile, die beim Kunden ausgefallen sind.

Tipp:
Sehen Sie sich noch andere Einsatzgebieten und Use Cases zum Thema KI in der Logistik an.

Predictive Maintenance an Automaten: Komponentenbasierten Reparaturen auf Tagesbasis

Ein internationaler Technologiekonzern trat mit dem Wunsch an uns heran, Ausfälle an bestimmten Bankautomaten zu vermeiden, um Kosten einzusparen. Die hohe Verfügbarkeit der Automaten spielte dabei eine sehr wichtige Rolle und sollte sichergestellt werden. Zunächst wurde die Relevanz, die Datenqualität und die Menge von möglicherweise wichtigen Datenquellen bewertet, um eine sinnvolle Zielvariable zu bestimmen und die Vorhersagequalität mithilfe von deskriptiven und visuellen Analysen (Visual Data Exploration) zu evaluieren.

Im Rahmen der Machbarkeitsanalyse ergab sich zunächst der Bedarf, die Datengrundlage zu verbessern. Dazu wurden 1TB der vorhandenen Datenquellen in Bezug auf den konkreten Predictive Maintenance Use Case bewertet. So wurde die Grundlage für die erfolgreiche Umsetzung des Wartungsalgorithmus geschaffen.

Eine kritische Komponente eines jeden Predictive Maintenance Use Cases ist die Datengrundlage. Denn hier gilt die Gleichung: Garbage in, garbage out.

Beschreibung: Eine kritische Komponente eines jeden Predictive Maintenance Use Cases ist die Datengrundlage. Denn hier gilt die Gleichung: Garbage in, garbage out.

Predictive Maintenance Potenziale & Enablement: Potenziale im Service eines Mess- und Sendetechnikherstellers

Ein Mess- und Sendetechnikhersteller sah sich mit der Fragestellung konfrontiert, wie er den Service für sein Produktportfolio verbessern konnte. Da es im Unternehmen noch keine umfangreiche Erfahrung mit Predictive Maintenance Use Cases gab, sollten dabei zugleich die Potenziale für weitere Anwendungsfälle evaluiert werden. Dabei galt es die hohe Verfügbarkeit und die Qualität der Sendeanlage zu berücksichtigen

Nicht immer ist von Anfang an klar, welcher Predictive Maintenance Use Cases sich am Ende durchsetzen wird. In Workshops wird darum geklärt, welcher Business Case sich besonders eignet.

Um zunächst zu klären, welche Daten verwendet werden konnten und welche Predictive Maintenance Use Cases sich daraus ableiten ließen, um einen Mehrwert aus Daten zu ziehen, wurde zunächst ein Data Science Roadmap Workshop durchgeführt. So war es uns möglich, unserem Kunden alle Ansatzpunkte für sinnvolle Business Cases darzulegen. Im Anschluss wurde eine Storyline für ein Pilotprojekt erarbeitet und dem Kunden präsentiert. In kurzer Zeit gelang es, relevantes Methodenwissen aufzubauen, um den Elektronikhersteller zu befähigen, das Thema einzuordnen und in weiteren Predictive Maintenance Use Cases voranzutreiben.

Pilotierung eines Prototyps zur Wartungsoptimierung: Ein Prototyp zur Optimierung von Wartungsfenstern in der Produktionsstraße eines Automobilkonzerns

Ein Automobilkonzern verfügte bereits über einen entwickelten R-Prototyp zur Optimierung von Wartungsfenstern, der nun im Live-Betrieb getestet werden sollte. Dabei musste der Prototyp mit Daten aus dem HDFS (Hadoop Distributed File System) gespeist und die Resultate in eine Datenbank geschrieben werden. Eine Schwierigkeit bestand darin, dass das Datenformat von dem im Prototyp verwendeten Format abwich.

Unsere Lösung sah zunächst die Erstellung einer Data Pipeline vor, welche die Daten aus dem HDFS las und in das unterstützte Format umwandelte. So konnten die Ergebnisse mit Hilfe des Prototypen berechnet und anschließend in die Datenbank geschrieben werden. Im Anschluss wurden die Laufzeiten des Prototypen optimiert und die Data Pipeline automatisiert. Abschließend erfolgte der Test und dessen Evaluation im Live-Betreib. So gelang es uns am Ende, dass die Wartungsfenster jede Minute neu berechnet werden und nun die Ergebnisse direkt an den Bildschirmen der Produktionsstraße visualisiert werden.

Linktipp: Unsere Visualisierungsexpertin erklärt in ihrem Blog-Beitrag, wie man in 4 Schritten zum perfekten Dashboard gelangt.

Predictive Maintenance Use Cases mit unerschöpflichen Möglichkeiten

Die hier vorgestellten fünf Predictive Maintenance Use Cases zeigen, wie vielfältig die Anwendungsfälle bei der vorausschauenden Wartung sein können. Bei der konkreten Planung und Umsetzung von Fragestellungen geht es oft auch um die Klärung von Grundsätzlichem – Welche Daten können verwendet werden? Stimmt die Datenqualität? Welche Business Cases sind sinnvoll und welche Priorität haben sie bei der Umsetzung? Um Fragen wie diese zu klären, führen wir häufig zunächst Data Workshops durch.

Predictive Maintenance spielt dabei vor allem auch im Rahmen der datengetriebenen Digitalisierung eine Rolle. Hier stellt sich immer brennender die Frage danach, wie im Rahmen von datengetriebenen Geschäftsmodellen aus den vorhandenen Daten ein Mehrwert generiert werden kann. In Predictive Maintenance Use Cases steckt aus unserer Perspektive dabei noch sehr viel mehr Potenzial – sei es ganz klassisch bei der Wartung von Maschinen und Fahrzeugen, in den Bereichen Logistik und Vertrieb, dem Service oder der vernetzten Produktion.

Vernetzte Produktion am Beispiel der Transformation der Automotive-Branche

Vernetzte Produktion am Beispiel der Transformation der Automotive-Branche

Die vernetzte Produktion entwickelt sich mehr und mehr zum Standard der fertigenden Industrie. Das Konzept trägt dem neuen Megatrend der Hyperkonnektivität Rechnung. Am Beispiel der Automotive-Branche zeigen wir in diesem Blog-Artikel, wie daraus zahlreiche wettbewerbsentscheidende Vorteile entstehen und konkret ausgestaltet werden können.

Unter dem Stichwort „Industrie 4.0“ fand in den letzten Jahren ein Transformationsprozess in der fertigenden Industrie statt. Genauer gesagt hält diese Entwicklung immer noch an und gewinnt sogar zusehends an Bedeutung – vor allem in Bezug auf die vernetzte Produktion. In vielerlei Hinsicht nimmt die Automobilbranche diesbezüglich eine Vorreiterrolle und als wichtigster Industriezweig in Deutschland eine Schlüsselrolle ein. Es gibt mehrere übergeordnete Ziele der Industrie 4.0 beziehungsweise für die vernetzte Produktion:

Die industrielle Produktion allgemein und die Automobilproduktion im Besonderen sind in komplexe Zusammenhänge eingebunden. Angefangen bei der Zuliefererindustrie, den Regulierungen in unterschiedlichen internationalen Standorten und Märkten bis hin zu den komplexen Produkten mit langen Produktzyklen. Gerade darum stellt die Automotive-Branche ein ideales Anwendungsgebiet für die vernetzte Produktion dar.

Link-Tipp: Jede Fabrik kann Teil der Industrie 4.0 werden – Lesen Sie mehr dazu in unserem Blog-Artikel über „Brownfield vs. Greenfield“.

Die vier zentralen Handlungsfelder der vernetzten Produktion: Vertikale Shop-Floor-Integration, direkte Datenintegration, flexible Fertigungsprozesse und optimierte Arbeitsplätze

Wenn es um die konkreten Handlungsfelder bei der vernetzten Produktion geht, lassen sich im Moment insgesamt vier wesentliche Entwicklungen identifizieren:

  1. „Vertikale Shop-Floor-Integration“: Durch die Vernetzung der Produktionsanlagen und -maschinen innerhalb des komplexen Produktionsökosystems der deutschen Automobilzuliefererindustrie lassen sich Informationen über Ausfall- und Störzeiten, Anzahl von fehlerhaften Teilen oder auch Qualitätsprobleme in der Produktion erheben und übermitteln.
  2. „Direkte Datenintegration“: Einmal erhobene Daten lassen sich oft in anderen Abteilungen weiter anreichern und auswerten, beispielsweise um daraus zusätzliche Instandhaltungs- und Qualitätsmaßnahmen abzuleiten.
  3. „Flexible, individuelle Fertigungsprozesse“: Die vernetzte Produktion ermöglicht die flexible Produktion der Losgröße Eins. Durch diese Flexibilisierung des Fertigungsprozesses können auch die unterschiedlichen Standards anderer Länder besser und einfacher erfüllt werden – im Idealfall bei Einzelstücken innerhalb der laufenden Produktion.
  4. „Optimierte Arbeitsplätze“: Die Mitarbeiter stehen bei der vernetzten Produktion im Zentrum. Optimierte Arbeitsplätze ermöglichen es, auf spezielle, individuelle Anforderungen jedes Mitarbeiters einzugehen. Nicht mehr die Menschen passen sich den Maschinen an, sondern die Maschinen den Menschen.

Die vernetzte Produktion liefert damit gleichzeitig zentrale Antworten auf die Frage nach der Zukunft der Arbeit wie auf die Frage nach der Zukunft der Automobilindustrie. Die sich stetig wandelnden Anforderungen in einer globalisierten und digitalisierten Arbeitswelt lassen sich mit der vernetzten Produktion sehr viel besser bewältigen.

Vernetzte Produktion als Strategie für mehr Innovation und einen datenzentrierten Ansatz

Die vernetzte Produktion ist heute einer der Schlüssel von Innovation geworden beziehungsweise schafft die Voraussetzungen dafür. Sie ist damit ein wichtiger Baustein für die datengetriebene Digitalisierung. Denn bei der Vernetzung der Produktion ist es notwendig, alle Fertigungsprozesse in ihrer Gesamtheit zu betrachten.

Ein weiterer wichtiger Bestandteil der Transformation sind beispielsweise auch Anpassungen in der Unternehmenskultur. Solch ein ganzheitlicher Ansatz liefert damit zugleich die Chance, auch andere Innovationen anzustoßen beziehungsweise zu begünstigen.

Die Vernetzung der Fabrik und die Vernetzung des Produktes selbst wie in diesem Fall des Connected Car gehen Hand in Hand. Besser gesagt: sie bedingen einander. Die Daten, die in den Produkten, sprich den Autos, erhoben werden, können dazu genutzt werden, die Produktion zu verbessern.

Insbesondere die „Early Adopters“ können sich Wettbewerbsvorteile sichern. Unternehmen, die früh in die Vernetzung der Produktion einsteigen, können sich gegenüber ihren Mitbewerbern einen Vorsprung verschaffen. Gerade in hart umkämpften Branchen wie der Automobilbranche lohnt es sich darum, den eigenen Kunden so früh wie möglich die Vorteile, die sich aus der Vernetzung ableiten, zu bieten.

Das Auto als Softwareprodukt: Als „digitaler Zwilling“ wird das vernetzte Auto zur Schnittstelle

Die vernetzte Produktion lässt sich in einen größeren Gesamtkontext einbetten. Die zugrunde liegende These lautet, dass in Zukunft alle Unternehmen ein Stück weit zu „Software-Firmen“ werden müssen. Das liegt daran, dass Software und Datenauswertung zu einem immer wichtigeren Bestandteil der Produkte, der Produktion und damit der Wertschöpfungskette werden.

Wie sehr das Auto zu einem Softwareprodukt wird, zeigt sich an mehreren Stellen. Zum einen steuert Software zentrale Bestandteile von Autos und zum anderen wird der Fahrer selbst immer mehr zum Connected Customer. Software steht damit mehr und mehr an der Schnittstelle zwischen Unternehmen und Kunden – beziehungsweise es wird besser gesagt selbst zu Schnittstelle.

In Zukunft wird das vernetzte Auto im Rahmen der vernetzten Produktion mit der Smart Factory kommunizieren, später mit Infrastrukturen wie der Smart City, aber auch mit Vertragswerkstätten oder als autonom fahrendes Fahrzeug mit anderen Verkehrsteilnehmern.

Im Gartner Hype-Cycle erfährt aufgrund dieser Entwicklung der sogenannte „digitale Zwilling“ bzw. „Digital Twin“ seit einigen Jahren eine Aufwertung. Als digitaler Zwilling wird das digitale Abbild von realen Produkten – sowohl während der Produktion als auch danach – bezeichnet.

Zukunfts-Perspektive: Künstliche Intelligenz ist der nächste wichtige Schritt bei der Industrie 4.0

Im Rahmen der vernetzten Produktion stellen Digital Twins oder allgemeiner gesagt Daten die Grundlage für weitere Entwicklungen dar. Insbesondere durch den Einsatz von Künstlicher Intelligenz (KI) und Machine Learning kann die vernetzte Produktion das nächste Level erreichen.

Die während der Vernetzung der Produktion erhobenen Daten sind selbst der neue Rohstoff für den nächsten Schritt in der Wertschöpfungskette. In großen Datenmengen können Muster erkannt werden, die zu neuen Use Cases führen können.

Linktipp: Lesen Sie zu diesem Thema auch unseren Blog-Artikel „Wie Artificial Intelligence die Automobilbranche revolutioniert“

Die während der Vernetzung der Produktion erhobenen Daten sind selbst der neue Rohstoff für den nächsten Schritt in der Wertschöpfungskette. In großen Datenmengen (Big Data) können Muster erkannt werden, die zu neuen Use Cases führen können.

Eine der zentralen Folgen für die vernetzte Produktion ist die Verbesserung der Mensch-Maschine-Interaktion durch Künstliche Intelligenz. Denn die Spracherkennung der natürlichen gesprochenen Sprache wird durch KI immer besser und auch Systeme zur Bild- und Umgebungserkennung werden immer intelligenter. Das öffnet völlig neue Möglichkeiten bei der Bedienung von Maschinen wie Cobots („Collaborative Robots“).

Auch der Einsatz von Virtual-Reality- oder Mixed-Reality-Geräten bei der Produktion und Reparatur von Maschinen ermöglichen standortübergreifende Telewartung und begünstigen damit das Fortschreiten der Revolution der vernetzten Produktion in der Automobilbranche.


Sie möchten noch mehr über Machine Learning erfahren? Dann werfen Sie einen Blick auf unsere Machine Learning und Deep Learning 2018 Studie.


Predictive Maintenance – Erfolgsfaktoren und Use Cases

Predictive Maintenance – Erfolgsfaktoren und Use Cases

Der „Deutsche Industrie-4.0-Index 2018“ ist eine jährlich durchgeführte Studie, die den aktuellen Stand der Entwicklungen im Rahmen der digitalen Transformation ermittelt. Insbesondere die Ergebnisse zu Predictive Maintenance geben dabei jedoch zu denken. Denn einerseits ist die vorausschauende Wartung einer der prominentesten Anwendungsfälle der Industrie 4.0. Andererseits bleibt gerade dieser Use Case bei den Unternehmen hinter den Erwartungen zurück.

Auch die Studie „Predictive Maintenance“ vom VDMA und der Unternehmensberatung Roland Berger kommt zu dem Ergebnis, dass erst 40 Prozent der Unternehmen auf die vorausschauende Wartung setzen. Gerade weil wir mit vielen Predictive-Maintenance-Projekten überaus positive Erfahrung gemacht haben, sehen wir darin ein großes, zu wenig genutztes Potenzial. Aus diesem Grund wollen wir noch einmal die Frage stellen, was die kritischen Erfolgsfaktoren von Predictive Maintenance sind und in welchen konkreten Szenarien sich ein Einsatz lohnt.

Obwohl die Erfahrungen mit Predictive Maintenance überwiegend positiv sind, sagen 42 Prozent der befragten Unternehmen, dass sie keine Berührung damit hatten.
(Quelle: Staufen AG – „Deutscher-Industrie-Index-2018“)

Herkömmliche Wartungsansätze sind nicht mehr zeitgemäß

Wartungen wurden früher stets nach festen, vorab festgelegten Intervallen durchgeführt. In vielen Fällen ist dies noch heute so. Diese Praxis ist jedoch extrem zeitaufwändig und führt vor allem dazu, dass auch Maschinen gewartet werden, die noch einwandfrei funktionieren. Das entscheidende Problem dabei ist: Während der Wartungszeit stehen diese nicht zur Produktion oder Verwendung zur Verfügung.

Solche herkömmlichen Wartungs- und Instandhaltungsansätze verursachen darum unnötig Kosten. Zudem schließt dieser Ansatz nicht aus, dass es dennoch zu unerwarteten Ausfällen von Maschinen kommt. Diese sorgen für zum Teil erhebliche wirtschaftliche Einbußen, weil Ersatzteile erst bestellt werden, wenn die Maschine bereits nicht mehr funktioniert. Das Ziel eines Wartungsansatzes für das digitale Zeitalter der Industrie 4.0 muss darum eine Lösung für diese beiden Herausforderungen finden. Und dieser Lösungsansatz lautet: Predictive Maintenance.

Die Grundlagen für Predictive Maintenance

Die Grundlagen für den Predictive-Maintenance-Ansatz sind Daten beziehungsweise Datenanalysen. Diese liefern die Grundlage für die Planung und Durchführung von Wartungen. Die Voraussetzung hierfür sind Monitoring-Daten, die Sensoren liefern, die zu diesem Zweck in den Maschinen platziert werden. Die Menge an Daten, die dabei anfallen sind zum Teil enorm (Big Data). Diese Daten werden in Echtzeit nach auffälligen Mustern untersucht. Dies gelingt, indem zunächst definiert wird, welche Werte den Normalbetrieb definieren. Davon ausgehend können abweichende Muster erkannt werden, die auf den Ausfall eines bestimmten Bauteiles oder eine Fehlfunktion des Motors hindeuten.

Kritische Erfolgsfaktoren

Allen voran ist ein Predictive-Maintenance-Use-Case eine wichtige Gelegenheit, um Data Skills in der eigenen Organisation aufzubauen. Ohne das entsprechende Know-how und Erfahrung mit Datenprojekten entsteht entweder ein unrealistischer Erwartungshorizont oder die Ergebnisse bleiben hinter den Erwartungen zurück.

Auch das Sicherstellen einer hohen Datenqualität ist kritisch für den Erfolg von Datenprojekten insgesamt und besonders von Predictive-Maintenance-Projekten. Dabei empfiehlt sich für jeden Datenerhebungspunkt, immer mehrere Kontrollmesswerte gleichzeitig zu erheben, um Fehlmessungen und falsche Messwerte schnell zu identifizieren bzw. auszuschließen.

Lese-Tipp: Die Einführung eines Datenkatalogs kann ebenfalls ein wichtiger Baustein für erfolgreiche datengetriebene Use Cases sein.

Ein weiterer zentraler Erfolgsfaktor für Predictive Maintenance hängen mit der konkreten Fragestellung und dem Geschäftsmodell des jeweiligen Kunden zusammen. Predictive Maintenance ist kein reiner Selbstzweck, sondern muss im Gesamtkontext betrachtet und bewertet werden. Dies kann zum Beispiel in einem Use-Case-Workshop analysiert werden, die wir aus genau hierfür anbieten.

Die Vorteile von Predictive Maintenance

Der bisher beschriebene Ansatz stellt jedoch nur das einfachste Funktionsprinzip dar, nach dem Predictive Maintenance funktioniert. Im Rahmen der zahlreichen Use Cases, die wir in diesem Zusammenhang bereits erfolgreich durchgeführt haben, konnten wir feststellen, dass die konkreten Fragestellungen in den Unternehmen oft sehr viel spezifischer waren oder darüber hinaus gingen. Dennoch lassen sich eine ganze Reihe von Vorteilen benennen, die Predictive Maintenance bringt:

  • Lebensdauer von Maschinen und Anlagen wird verlängert und Investitionskosten damit gesenkt
    • Schäden können identifiziert werden, bevor sie entstehen
    • Reparaturen können besser geplant und durchgeführt werden
    • Ursachen können auf Bauteilniveau festgestellt werden
    • Daten liefern Feedback für die Hersteller und Produzenten, um die Qualität langfristig zu verbessern

Predictive Maintenance kann auch die Grundlage für neue Dienstleistungen und Geschäftsmodelle liefern. Beispielsweise können Anlagen- und Maschinenbauer zusätzlich zu ihrem bisherigen Geschäftsmodell neue Service-Angebote anbieten.

Use Case: Telematik-Dienst für MAN

Wie sehr ein Predictive-Maintenance-Use-Case in den Gesamtkontext eines Unternehmens eingebettet sein muss, zeigt der konkrete Fall eines unserer Kunden – dem LKW-Hersteller MAN. Dieser hatte immer wieder damit zu kämpfen, dass einige seiner Fahrzeuge zum Teil vollbeladen beispielsweise wegen eines Injektorschadens liegen blieben. Durch den Ausfall entstanden direkte Kosten für die Reparatur sowie indirekte Kosten für Konventionsstrafen und einer Abstufung im Qualitätsranking. Unsere Lösung sah die Entwicklung und serienmäßigen Implementierung eines Telematik-Dienstes vor. Dieser diente uns als Datenlieferant für Predictive Analytics zur präventiven Erkennung einer Panne oder eines Defektes.

Dazu nutzen wir Data-Mining-Methoden, um aus den Telematik-Daten der Fahrzeuge präventiv Ausfälle zu erkennen, um proaktiv darauf reagieren zu können. Die statistischen Angleichungsverfahren und Data-Mining-Methoden wurden am Beispiel der Zündspule und den Injektoren analysiert und prognostiziert. Für unseren Kunden konnten wir so bestimmte Fehlerbilder mittels der Telematik-Daten statistisch vorhersagen. Dadurch erreichten wir:

  • Vermeidung vonPannendurchproaktives Monitoring der Telematik-Daten
    • Frühzeitige Erkennung vonimFeldaufsteigenden Qualitätsproblemen
    • Reduktion der Gewährleistungs- und Kulanzkosten sowiedrastische Steigerung der Kundenzufriedenheit

Mit diesem und anderen Use Cases stellen wir immer wieder fest, welchen großen Wert Predictive Maintenance gegenüber herkömmlichen Lösungen liefert. Der Mehrwert entsteht dabei nicht allein durch die Vermeidung von Reparaturkosten. Vor allem die dadurch gestiegene Verlässlichkeit und die Zufriedenheit der Kunden ist mehr als nur ein indirekter Nebeneffekt von Predictive Maintenance.