TAMMS-CMMS: KI-gestützte Datenanalyse für effizientere Instandhaltung

Die Digitalisierung der industriellen Instandhaltung steht vor einer neuen Ära: Die Integration von künstlicher Intelligenz (KI) in CMMS-Systeme (Computerized Maintenance Management Systems) treibt die Entwicklung in Richtung Industrie 4.0 voran und eröffnet völlig neue Möglichkeiten. Mit unserem neuesten Forschungsprojekt entwickeln wir eine KI-gestützte Erweiterung für TAMMS, die weit über die herkömmliche Dokumentation hinausgeht und einen entscheidenden Beitrag zur intelligenten und vernetzten Instandhaltung leistet.

Traditionelle Datenbanken

In traditionellen relationalen Datenbanken, wie sie auch im TAMMS-System erfolgreich genutzt werden, werden Wartungsdaten präzise und strukturiert gespeichert. Dennoch stoßen solche Systeme an ihre Grenzen, wenn es darum geht, semantische Zusammenhänge zwischen Begriffen wie „wechseln“ und „tauschen“ zu erkennen, die im gleichen Kontext dasselbe bedeuten können. Hier setzt die KI-gestützte Vektorisierung als ergänzende Funktion an, um Daten zusätzlich nach ihrer Bedeutung zu analysieren und so tiefere Einblicke zu ermöglichen.

Beispiel:

• Ein Techniker schreibt „Keilriemen gewechselt“.
• Ein anderer dokumentiert „Antriebsriemen ausgetauscht“.

Obwohl beide Beschreibungen denselben Vorfall betreffen könnten, besteht in der Datenbank zwischen den beiden textbasierten Einträgen keine erkennbare Verbindung. Dadurch wird es schwieriger, Muster zu erkennen oder Zusammenhänge für zukünftige Wartungsplanungen zu nutzen.

Der Weg zu besseren Daten: Vektorisierung

Mit unserer neuen KI-gestützten Lösung gehen wir einen Schritt weiter. Die Vektorisierung von Daten erlaubt es, Texte und deren Bedeutung in Form von Zahlenräumen darzustellen. Das bedeutet:

• Wartungsdaten werden in einem „vektoriellen Raum“ abgelegt, wo semantische Ähnlichkeiten zwischen Einträgen mathematisch erfasst werden können.
• Begriffe wie „wechseln“ und „tauschen“ erscheinen hier nicht als getrennte Datenpunkte, sondern als verwandte Vektoren.

Praktischer Einsatz: Unsere Tests

Für unsere Experimente haben wir einen Monat lang fiktive Wartungsdaten und Sensordaten von drei Maschinen gesammelt:

1. Vektorisierung der Wartungsdaten: Die erstellten Einträge wurden zunächst durch ein KI-Modell vektorisiert. Diese vektorbasierten Daten wurden anschließend in eine Qdrant-Datenbank (Vektordatenbank) hochgeladen, um semantische Zusammenhänge zwischen den Einträgen analysieren zu können.
2. Sensordatenverarbeitung: Die Sensordaten wurden wie gewohnt in einer InfluxDB gespeichert. Der „Assistent“ hat Zugriff auf diese Daten, sodass gezielte Abfragen möglich sind.
3. Assistent-Integration: Unser experimenteller Assistent wurde so konfiguriert, dass er sowohl die Qdrant-Vektordatenbank als auch die InfluxDB für spezifische Anfragen nutzen kann.

Wie funktioniert der Assistent?

• Eine Frage wird analysiert und ebenfalls vektorisiert.
• Die vektorisierten Inhalte werden mit den in Qdrant gespeicherten Vektoren verglichen.
• Falls nötig, erstellt der Assistent dynamische Abfragen für die InfluxDB, um zusätzliche Daten wie Sensormesswerte hinzuzufügen.

Beispiel: Analyse der Antworten des Assistenten

Die folgende Interaktion zeigt, wie der experimentelle Assistent präzise und kontextbasierte Antworten auf gestellte Fragen liefert. Der Assistent analysiert die Anfragen, extrahiert relevante Informationen aus den Datenbanken und liefert klar strukturierte Ergebnisse. Besonders hervorzuheben ist, wie gut der Assistent die Schwerpunkte der Fragen erkennt und darauf eingeht.

1. Frage (auf dem Bild leider nicht zu sehen):

„Zeige mir, welche Reparaturen im März an der CNC-Fräse durchgeführt wurden und warum diese notwendig waren?“

Analyse der Frage:

• Fokus: Reparaturen an der CNC-Fräse im März, inklusive Begründungen.
• Filter: Gerät (CNC-Fräse), Typ (korrektiv), Zeitraum (März).

Antwort des Assistenten:

• 4. März: Geplante Wartung ohne Beanstandungen.
• 11. März: Reparatur des Kühlsystems (Überhitzung), Kühlmittel gewechselt und System gereinigt.
• 19. März: Werkzeugverschleißprüfung noch ausstehend (Ersatzteilmangel).

Anmerkung: Der Assistent liefert präzise Details zu den Wartungsmaßnahmen und erklärt die Ursachen (z. B. Überhitzung).

2. Frage:

„Wie viele Aufgaben hat Hans im März erledigt?“

Analyse der Frage:

• Fokus: Anzahl und Art der Aufgaben von Techniker Hans im März.
• Filter: Techniker (Hans), Zeitraum (März).

Antwort des Assistenten:

• Hans hat zwei Aufgaben im März erledigt:
  • 23. März: Reinigung und Filterwechsel beim Lasergerät (korrektiv).
  • 24. März: Vierteljährliche Hydraulikprüfung an PRESS-002 (nicht fristgerecht abgeschlossen).

Anmerkung: Der Assistent erkennt, dass sowohl die Anzahl als auch der Status der Aufgaben wichtig sein können. Merkwürdig dass ich nur Hans geschrieben habe, und er hat gewusst dass ich Hans Schmidt meinte wie er in der Datenbank gespeichert ist.

3. Frage:

„Wer hat im März noch an der Maschine PRESS-002 gearbeitet?“

Analyse der Frage:

• Fokus: Techniker und Tätigkeiten an PRESS-002 im März.
• Filter: Gerät (PRESS-002), Zeitraum (März).

Antwort des Assistenten:

• Michael Weber arbeitete an PRESS-002:
  • 2. März: Kalibrierung der Sicherheitssensoren (korrektiv).
  • 17. März: Reparatur von Vibrationsproblemen (Lagerwechsel, korrektiv).
  • 24. März: Vierteljährliche Hydraulikprüfung (noch ausstehend).

Anmerkung: Der Assistent benennt Techniker und spezifische Wartungsmaßnahmen, die klar den Zeitpunkten und Kategorien zugeordnet sind.

Fazit zur Analyse

Der experimentelle Assistent zeigt eine hohe Fähigkeit, Anfragen zu verstehen und relevante Informationen herauszufiltern. In jeder Antwort werden die wichtigsten Details klar und strukturiert dargestellt, z. B. Gerät, Datum, Art der Wartung und Status (abgeschlossen oder ausstehend). Dies unterstreicht die Effektivität der vektorisierten Datenanalyse und die Fähigkeit des Systems, komplexe Fragen präzise zu beantworten.

Potenziale für die Zukunft

Die Möglichkeiten einer KI-gestützten Wartungsanalyse sind nahezu grenzenlos. Mögliche Anwendungen umfassen:

• Statistiken: Automatische Erstellung von Berichten über häufige Fehlerursachen.
• Dokumentation: Intelligente Suchfunktionen in Wartungsprotokollen und Maschinendokumentationen.
• Berichtszusammenfassungen: Automatische Generierung von verständlichen Management-Reports.
• Skill-Matrix: Automatische Bewertung der Erfahrung von Wartungspersonal im Umgang mit spezifischen Maschinen.
• Lagerbestandsanalyse: Analyse der Lagerbestände mit automatisierter Berichtserstellung.
• Fragen: Beantwortung spezifischer Fragen zu Maschinen und Personal, basierend auf den verfügbaren Daten.
• TPM-Planung: Automatische Erstellung von TPM-Plänen basierend auf den verfügbaren Daten und hochgeladenen Dokumenten von Maschinen.

Fazit

Die Integration von KI in CMMS-Systeme wie TAMMS bietet ein enormes Potenzial zur Optimierung der Instandhaltung. Die intelligente Analyse von Wartungs- und Sensordaten hilft dabei, Prozesse nicht nur effizienter, sondern auch nachhaltiger zu gestalten. Mit unserer aktuellen Forschungsarbeit legen wir den Grundstein für die nächste Generation der Wartungsdigitalisierung.