Smart Predictive Maintenance zum frühzeitigen Erkennen von Fehlerquellen
Seite 3: Fazit
Machine Learning kann im Rahmen von Smart Predictive Maintenance auf unterschiedliche Weise zum Einsatz kommen. Es kann die Genauigkeit von Vorhersagen verbessern und der Komplexität eines untersuchten Gegenstandes besser gerecht werden als herkömmliche Ansätze. In manchen Fällen schaffen ML-Methoden erst die Grundlagen zum Betrachten eines komplexen Projekts.
Mit Smart Predictive Maintenance gehören nicht nur regelmäßige Wartungstermine der Vergangenheit an, sondern der gesamte Prozess rund um Reparaturen und das Monitoring von Maschinen lässt sich mit ML-Methoden besser organisieren.
Statt bei einer ausgefallenen Maschine zunächst eine Fehleranalyse durchzuführen, auf deren Basis Ersatzteile zu bestellen und beim Folgetermin auszutauschen, lässt sich vor der ersten Untersuchung die wahrscheinliche Ursache für den Fehler erkennen. Das bringt eine deutlich bessere Ausgangsposition. Ersatzteile lassen sich vorab bestellen, damit der Techniker sie im Idealfall beim ersten Termin mitbringt und austauscht. Smart-Predictive-Maintenance-Lösungen sind nicht zuletzt ein Gradmesser, der über den digitalen Reifegrad eines Unternehmens Auskunft geben kann.
Michaela Tiedemann
ist Chief Marketing Officer bei der deutschen Data Science Beratung Alexander Thamm. Sie hat Betriebswirtschaft mit Schwerpunkt Marketingmanagement studiert.
(rme)
