Vorrausschauende Wartung (predictive maintenance) mit Maschine Learning

Die Future Cooling Solutions GmbH, ein familiengeführtes Unternehmen mit weniger als 50 Mitarbeiter*innen, ist seit über zwei Jahrzehnten im Segment der industriellen Kältetechnik aktiv. Mit Sitz im Herzen Bayerns exportiert das Unternehmen seine spezialisierten Kühlsysteme in über 60 Länder. Neben der Herstellung hochmoderner Kühllösungen bietet Future Cooling Solutions auch einen umfangreichen Wartungsservice für ihre Kundschaft an. Hohe Zuverlässigkeit und rasche Reaktionszeiten sind für die Sicherstellung der Kundenzufriedenheit von entscheidender Bedeutung.

Problem

Obwohl Future Cooling Solutions seit einiger Zeit Fernwartungsmodule in ihre Systeme integriert hat, bieten diese lediglich eine Möglichkeit zur Überwachung des aktuellen Anlagenzustands und Analyse vergangener Ausfälle. Eine vollständige Instandhaltung erfordert nach wie vor den Vor-Ort-Einsatz von Spezialist*innen, was bei Personalknappheit und steigender Nachfrage eine Herausforderung darstellt. Das Unternehmen suchte nach einer Lösung, um sowohl die Effizienz ihres Wartungspersonals zu erhöhen als auch die Reaktionszeit bei Ausfällen zu verkürzen.

KI als Problemlöser

Um den optimalen Einsatz ihrer begrenzten Personalressourcen zu gewährleisten und gleichzeitig die Kundenzufriedenheit zu maximieren, entschied sich Future Cooling Solutions für die Implementierung einer Maschinenlern-basierten vorausschauenden Wartungslösung. Ziel war es, das Fachwissen der Mitarbeiter*innen in eine datengetriebene Analyse zu überführen, sodass zukünftige Ausfälle vorhergesagt oder sogar vermieden werden können. Die neue Lösung sollte es ermöglichen, Verhaltensabweichungen in den Betriebsdaten frühzeitig zu erkennen, um potenzielle Probleme rechtzeitig zu adressieren.

Umsetzung

In Zusammenarbeit mit einem Forschungsinstitut wurden bestehende Betriebsdaten vorverarbeitet und analysiert. Auf Basis dieser Daten wurden fortschrittliche Algorithmen entwickelt, die sowohl die Prozessdaten der Kühlsysteme als auch externe Umweltdaten berücksichtigen. Durch Zeitreihenanalysen wurden Normverläufe der Sensordaten identifiziert. Wenn eine Abweichung dieser Normverläufe über einen bestimmten Zeitraum hinweg festgestellt wurde, konnte dies auf ein sich änderndes Systemverhalten hinweisen, welches potenziell auf einen Defekt schließen ließ. Die größte Herausforderung bestand in der korrekten Interpretation der durch Faktoren wie Außentemperatur, Wind oder Standort bedingten Einflüsse.

Ergebnis

Dank der KI-basierten Lösung konnte Future Cooling Solutions die Effizienz ihrer Wartungsprozesse erheblich steigern und ihren Kunden eine verbesserte Servicequalität bieten. Ungeplante Ausfallzeiten wurden reduziert, da potentielle Störungen frühzeitig erkannt und behoben werden konnten, bevor sie zu gravierenden Problemen führten. In Zukunft plant das Unternehmen, diese Lösung weiter zu verfeinern und zusätzliche externe Einflussgrößen zu integrieren, um die Genauigkeit der Vorhersagen weiter zu erhöhen.

‍

Diese Fallstudie basiert auf dem Report KI im Mittelstand