Generative KI-Anwendungen Generative KI-Anwendungen in der Industrie: Vom Hype zur Wertschöpfung

Anbieter zum Thema

AVEVA GmbH

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

In den vergangenen Monaten war das Thema generative KI-Anwendungen in Politik, Wirtschaft und Gesellschaft omnipräsent. Doch hinter der anfänglichen Euphorie für diese Technologie steht eine zentrale Frage: Wie lässt sie sich künftig sicher, präzise und gewinnbringend einsetzen?

Dies gilt insbesondere für die Industrie: Unternehmen stehen vor der Mammutaufgabe, ihre Anlagen und Abläufe zu optimieren, sie nachhaltiger zu gestalten und eine zuverlässige Betriebsführung zu gewährleisten. Angesichts schwankender Nachfrage, gestörter Lieferketten und erhöhter Sicherheitsanforderungen bedarf es technologischer Innovationen, die die Leistungsfähigkeit steigern können. Während viele Unternehmen bereits Dateninfrastrukturen und Analysetools implementiert haben, sind angesichts dieser komplexen Anforderungen ebenbürtige technologische Lösungen erforderlich.

Auf Bestehendem aufbauen

Ein Weg ist, vorhandene Datenbestände um weiterführende, KI-gestützte Analytik sowie Modelle zu ergänzen. Jede industrielle Anlage befindet sich an einem individuellen Punkt auf ihrer datenzentrierten Digitalisierungsreise. Während einige ihre historischen Betriebsinformationen in verschiedenen Datenbanken erfassen und simple Analysen durchführen, nutzen andere bereits Echtzeit-Datenströme und fortgeschrittene Analysemodelle. Um alle Werke auf den gleichen Stand zu bringen, können Unternehmen einzelne Standorte also um die neuen KI-gestützten Systeme ergänzen.

KI findet unter anderem in Form von Prozesssimulationen, aber auch prädiktiver Analytik Anwendung in der Industrie. Die Prozesssimulation der nächsten Generation berechnet wichtige Leistungsindikatoren, die über die direkt in der Anlage messbaren Werte hinausgehen. Die prädiktive Analytik erkennt wiederum Anomalien und kann vorhersagen, wann Anlagen ausfallen bzw. eine Wartung erforderlich ist, um dies zu verhindern. Zusammengenommen können die Teams vor Ort potenzielle Risiken analysieren und Maßnahmen entwickeln, um maximal effizient und rentabel zu arbeiten.

Verlässliche Daten als Grundlage für generative KI-Anwendungen

Bevor Betriebe ergänzende KI-Anwendungen einsetzen, benötigen sie eine verlässliche digitale Datengrundlage. Der digitale Zwilling ist ein virtuelles Abbild und spiegelt einzelne Maschinen oder gesamte Anlagen wider. Er führt Informationen beispielsweise zu geometrischen und physikalischen Eigenschaften oder Umgebungseinflüssen aus verschiedenen Datenquellen zusammen. Entwickler und Ingenieure eines Unternehmens können dann von überall auf dieses virtuelle Abbild zugreifen, dessen Zustand analysieren und bei Bedarf anpassen vornehmen.

Kritische Datenpunkte identifizieren

Die Qualität der Daten macht dabei den Unterschied: Schließlich kann eine KI nur so korrekte Analysen und Verknüpfungen liefern, wie es ihr anhand der “zugefütterten” Daten möglich ist. Industriebetriebe müssen daher zunächst wichtige Leistungsindikatoren und kritische Datenpunkte identifizieren, die direkt mit den strategisch gewünschten Zielen wie einer energieeffizienteren Produktion übereinstimmen. Zudem benötigen sie umfassende Datenerfassungsprotokolle sowie Sensoren und IoT-Geräte, die strategisch entlang des gesamten Anlagenlebenszyklus platziert sind.

Mit der Prozesssimulation und prädiktiven Analytik stehen inzwischen bewährte Ansätze zur Verfügung, die in den letzten Jahren kontinuierlich verbessert wurden. Jetzt können Echtzeitdaten in Kombination mit First-Principal-Prozessmodellen verwendet werden, um einen angereicherten digitalen Zwilling eines Betriebs zu erhalten. Herkömmliche Programme zur Anlagenüberwachung stützen sich auf Daten, die während des gesamten Prozesses erhoben werden, um Entscheidungen über Wartungsintervalle zu treffen. So können beispielsweise Temperatur- und Schwingungsdaten eine Vielzahl von möglichen Ausfällen einer Kreiselpumpe vorhersagen. Durch die Verwendung historischer Daten können Zuverlässigkeitsingenieure einen Basiswert für jede Messung bestimmen und Warnmeldungen konfigurieren, wenn die Werte außerhalb dieses Bereichs liegen. Diese zustandsabhängige Überwachung ist eine einfache Möglichkeit, Messdaten zur Verbesserung der Prozesszuverlässigkeit zu nutzen.

Vorausschauende Wartung in Stromanlagen

Während die zustandsorientierte Überwachung für Anlagen mit relativ stabilem Betrieb nützlich ist, kann die Berücksichtigung unterschiedlicher Betriebsfenster oder Prozessmodi schnell zu einer Herausforderung werden. Ingenieure müssen möglicherweise häufig Betriebsfenster anpassen oder sich mit störenden Alarmen auseinandersetzen, was die Effizienz und Effektivität eines vorausschauenden Wartungsprogramms schnell zunichte machen kann. Anstelle der zustandsbasierten Überwachung setzen viele Unternehmen heute auf prädiktive Analytik als Teil eines robusten Asset-Performance-Management-Programms. In einem weiteren Schritt können Betriebe die Remaining Use of Life Estimation (RULE) ihrer Anlagen sowie derer Komponenten berechnen, um die Vorhersagegenauigkeit der KI zu erhöhen. Das ermöglicht auch einen rechtzeitigen Austausch von Komponenten in energieeffiziente, moderne Alternativen.

Stromerzeugungsanlagen im Blick

Das US-amerikanische Energieunternehmen Duke Energy betreibt über 60 Anlagen in mehr als sieben US-Bundesstaaten. Damit dessen Datenanalysten den Zustand der geografisch verteilten Stromerzeugungsanlagen optimal überprüfen und Auszeiten verhindern können, wollte Duke Energy die vorhandenen Prozesse und Einblicke in seinem Zentrum für Überwachung und Diagnose weiterentwickeln. Die eingesetzte Lösung sollte software- und hardwareunabhängig sein, um die Kosten für Erneuerung und Austausch der bereits installierten Technologien zu minimieren. Viel mehr musste die Konnektivität der Anlagen optimiert werden. Über 33.000 kostensensible Sensoren ermöglichten zusammen eine vorausschauende Wartung. Diese Maßnahmen verschafften den verantwortlichen Ingenieuren und Analysten kontextabhängige Einblicke in den Zustand ihrer Anlagen. Und das rechnet sich: Die eingesetzte Predictive-Analytics-Software erkannte beispielsweise rechtzeitig die Störung bei Turbinenschaufeln und sparte Duke Energy 34 Millionen US-Dollar innerhalb eines Jahres.

Generative KI-Anwendungen für eine leichtere Entscheidungsfindung

Dieser Einsatz einer leistungsstarken Kombination aus Echtzeitdaten, prädiktiver Analyse und First-Principle-Simulationen lässt Industriebetriebe KI-Anwendungen zielgerichtet und effizient in ihre bestehenden Prozesse integrieren. Indem sie fortschrittliche KI auf die bestehende Dateninfrastruktur aufsetzen, können Industrieunternehmen die Vorteile sowohl von aktuellen Echtzeit-Daten als auch von historischen Betriebsdaten nutzen. Die damit verfügbaren tiefergehenden Erkenntnisse erleichtern die Entscheidungsfindung, damit Industrieanlagen künftig leistungsstark, sicher, rentabel und nachhaltig arbeiten können.

Der Autor Awraam Zapounidis ist Vice President Central & Eastern Europe bei Aveva.