Erfahren Sie mehr über das Anwendungsbeispiel:

Tvarit GmbH

Predictive Maintenance, Qualitätssicherung

15.05.2020

Prädiktive Instandhaltung für Druckpressen in der Zeitungsherstellung

Was gab den Ausschlag für die Entwicklung eines KI basierten Anwendungsfalls?
Die Druckerei ist im Betrieb zwischen 23 und 3 Uhr. Unser Kunde hat somit lediglich vier Stunden, um Millionen von Zeitungen für den folgenden Tag zu drucken, bevor sie in den Morgenstunden verteilt und an Kunden ausgetragen werden. In Anbetracht des Zeitdrucks sind Maschinenausfälle fatal. Da Reparaturen zu zeitaufwändig wären, ist die einzige Lösung bei einem Ausfall des Antriebs diesen auszutauschen, was dennoch mindestens zehn bis 15 Minuten beansprucht und enorme Kosten mit sich bringt.
Um die entsprechenden Bauteile bei einem Ausfall schnell austauschen zu können, hatte unser Kunde einen sehr hohen Ersatzteilbestand, was dementsprechend hohe Lagerhaltungskosten verursachte.

Welche Erwartungen bzw. Anforderungen hatten Sie an die KI-Anwendung?
Das Ziel des Kunden war die Vermeidung unvorhergesehener Maschinenausfälle und eine optimierte Instandhaltungsplanung.

Auf welchen Partner waren Sie mit welcher Technologie bei der Entwicklung angewiesen?
Die Umsetzung des Projektes inkl. Datenbereinigung, Anomalie-Erkennung, Daten-Labeling, Daten-Harmonisierung, der Erstellung der prädiktiven Modelle und die Visualisierung in Dashboards für den Kunden erfolgte durch unser Data-Science Department mit Hilfe unser eigens entwickelten Module und Algorithmen.

Mit dem Einsatz von KI-Lösungen muss auch ein Wandel der Kompetenzen einhergehen. Wie sind Sie mit dieser Herausforderung in Bezug auf ihre Mitarbeitenden umgegangen?
Neben genauen und zuverlässigen Klassifizierungen und Vorhersagen durch unsere KI hat natürlich die Nutzbarkeit und Verständlichkeit der Ausgaben zentrale Bedeutung. Um sicherzustellen, dass unser Kunde unsere Lösung auch effektiv nutzen kann, veranstalteten wir zwei Workshops mit den involvierten Entscheidungsträgern und Angestellten. Einen Workshop zu Beginn des Projektes mit dem Ziel, den Anwendungsfall konkret zu definieren und ein klares Verständnis unter allen Beteiligten zu gewährleisten. Einen zweiten Workshop führten wir nach der Implementierung unserer Lösung durch, um zu garantieren, dass die Anwender unserer Lösung diese nicht nur verstehen, sondern sie auch in vollem Umfang nutzen können.

In welchem Zeitraum haben sie die KI-Lösung in Ihrem Unternehmen implementiert?
Die Umsetzung des Projektes nahm in etwa vier Wochen in Anspruch. Bei der Umsetzung dieses Projektes waren bereits ausreichende Maschinendaten zum Trainieren des Modells vorhanden.

Ein Fazit zu Ihrer KI-Lösung:
Die Umsetzung unserer KI-Lösung für den Kunden sicherte einerseits den Markennamen der Firma. Da eine verspätete Lieferung der Zeitungen einen enormen Image-Schaden bedeuten würde, stand der Kunde in Hinblick auf die zu erbringende Produktionsmenge in der gesetzten Zeit enorm unter Druck. Durch die Vorhersage potenzieller Maschinenausfälle können Wartungen optimal geplant und Stillstände während der Betriebszeiten vermieden werden. Bei einem vorhergesagten Ausfall kann das entsprechende Bauteil bereits im Vorfeld ausgetauscht werden. Dadurch ist unser Kunde in der Lage, die Zeitungen zuverlässig und rechtzeitig zu verteilen, was wiederum die Endkunden – die Leser der Zeitungen – zufrieden stimmt.
Zudem ergibt sich durch die effizientere Bestandsplanung eine beachtliche Kostenreduktion.

Für die Nutzer unserer KI-Lösung ergeben sich zudem folgende Vorteile:

  • die Produktionsabteilung kann mit Hilfe unsere KI-Lösung die Wartung zur Vermeidung von Maschinenausfällen vorausschauend planen
  • die Entwicklungsabteilung nutzt unser System, um ihre F&E-Ergebnisse hinsichtlich der Effizienzsteigerung der Maschinen zu verifizieren und zu ergänzen
  • basierend auf den umfassenderen Einblicken in die Produktion kann die Geschäftsleitung fundierte Geschäfts-Entscheidungen treffen.

Einen abschließenden Rat/Tipp an andere Unternehmer, die KI anwenden wollen:
Statistisch gesehen scheitern etwa 70% aller Data Science Projekte. Um dem vorzubeugen empfehlen wir, den konkreten Anwendungsfall und Business Case vor dem eigentlichen Kick Off des Projektes gemeinsam mit dem Partner genauestens zu erarbeiten und zu definieren.

Mehr Infos unter:
https://tvarit.com/