By Frank P. Neuhaus on Dienstag, 09. Januar 2024
Category: Case Studies

Maschinenbau: IoT meets GenAI

Branche: Maschinen- und Anlagenbau (Erdöl- und Erdgasindustrie; Brasilien)

Funktion: Produktion/Technik (CTO, Project Manager)

Thema: Internet of Things (IoT), Künstliche Intelligenz, Reorganisation, Transformation, Digitalisierung, Wertschöpfungskette, Brasilien

Umsatz p.a.: ca. 90 Mio.USD

Anzahl Mitarbeiter: ca. 800 

Ausgangslage:

Vor einigen Jahren hatten ich mit iMB.Solutions Ltda. ein Reorganisations- und Transformationsprojekt bei einem brasilianischen Familienunternehmen der Erdöl- und Erdgasindustrie zu bearbeiten. Das Maschinen- und Anlagenbauunternehmen fertigt in der zweiten Generation Komponenten und Anlagen für die Explorationsindustrie. Um das genaue Umfeld des Projektes besser zu verstehen, empfehle ich den nachfolgenden Blog, wo der Business Case in der ersten Phase publiziert wurde:

https://www.imb.solutions/blog/digitization-helps-oil-and-gas-plant-manufacturer-boost-productivity-by-30

Einer der essentiellen Punkte war, einen innovativen Ansatz zu implementieren, um die Effizienz und Zuverlässigkeit der Produktions- und SCM-Prozesse integral zu verbessern. 

Zum damaligen Zeitpunkt der ersten Projektphase war klar, dass das Unternehmen, wie faktisch alle Unternehmen, über einen gigantischen Fundus an Informationen verfügen, welche aber als Datensätze nicht strukturiert und konsistent analysierbar vorlagen.

Zum Zeitpunkt der ersten Projektphase war die Technologie des Internet of Things (IoT) schon auf dem Reifegrad des Plateau of Productivity angelangt und ohne erhebliche Kosten zu implementieren. Es ging zentral um die Verbindung von analogen Maschinen und Prozessen mit dem Internet, um die Daten erheben zu können. Auch sollten die Schlüssellieferanten in dieses System weitestgehend integriert werden, damit alle in ihren koordinierten Prozessen gemeinsam profitieren können.

Es ging also darum, mit Hilfe der überall verfügbaren Sensortechnik die relevanten Daten aus den Prozessen zu sammeln, zu extrahieren und in einer Big Data Bank im ersten Schritt organisiert abzulegen. Zu einem späteren Zeitpunkt im Projekt sollte dann die entsprechende Auswertung gemacht werden und Rückschlüsse auf Managemententscheidungen auf vielen Ebenen vorbereiten.

Dieser zweite Projektschritt ließ dann allerdings noch einige Zeit auf sich warten, da wir als Projektteam damals feststellten, dass wir doch nicht auf solch kostengünstige und auf breiter Ebene einsetzbare Technologie zurückgreifen konnten. Das änderte sich mit dem Durchbruch der generativen KI (GenAI) und führte das Projekt im Jahr 2022/23 in die nächste Stufe: Auswertung der Big Data Struktur mit GenAI.

Projektphase 01

Die Integration der Lieferanten in den Informationsfluss der Produktionsdaten bedeutete damals, dass alle partizipierenden Lieferanten Zugang zu relevanten Daten über den Zustand, die Leistung und den Bedarf der Maschinen und Anlagen im Wertschöpfungsverbund erhalten. Dies führte zu einer besseren Abstimmung, Planung und Optimierung der Lieferkette sowie zu einer höheren Transparenz und größerem Vertrauen zwischen den Partnern.

Die Installation von Sensoren an den Maschinen, um z.B. die Geräusche und Vibrationen aufzuzeichnen, ermöglicht eine kontinuierliche Zustandsüberwachung (Condition Monitoring) der Maschinen. Dies ist eine Methode, um die physikalischen Parameter, die auf den Zustand und die Leistungsfähigkeit der Maschinen hinweisen, zu erfassen und zu analysieren. Durch die Überwachung dieser Parameter können Anomalien, Verschleiß oder Schäden frühzeitig erkannt und behoben werden, bevor sie zu größeren Problemen oder Ausfällen führen. Genau diese ausgewertete Überwachung ließ dann aber noch eine gewisse Zeit ins Land gehen; erst mit GenAI konnte dieser Schritt zur vollen Zufriedenheit auch umgesetzt werden.

Projektphase 02

Das Profil zur Frühwarnung, das aus den Sensordaten heute nach Implementierung des GenAI Systems generiert wird, ist eine generative KI-Anwendung, die auf maschinellem Lernen basiert. GenAI ist ein Teilgebiet der KI, das darauf abzielt, neue Daten oder Inhalte zu erzeugen, die den vorhandenen Daten ähneln oder sie ergänzen.

In meiner Projektmission kann die generative KI aus den Sensordaten ein normales oder ideales Profil der Maschinen ableiten, das als Referenz für den Vergleich mit den aktuellen Daten dient. Wenn die aktuellen Daten signifikant vom normalen Profil abweichen, kann dies ein Hinweis auf eine Anomalie oder einen Fehler sein, der eine Warnung auslöst, oder sogar eine SCM an den Endkunden ändert.

Die Speicherung der Sensordaten in einer Datenbank (Big Data) ermöglichte eine spätere Analyse und Auswertung der Daten mit weiteren generativen KI-Anwendungen.

Zum Beispiel können die Daten heute verwendet werden, um Muster, Trends oder Zusammenhänge zu erkennen, die zu einer besseren Vorhersage, Optimierung oder Automatisierung der Maschinen und Anlagen beitragen können. Außerdem können die Daten genutzt werden, um neue Erkenntnisse oder Lösungen zu generieren, die die Leistung, Qualität oder Sicherheit der Maschinen und Anlagen verbessern können.

Ergebnisse & Resultate

Der Business Case für den Einsatz von IoT-Sensoren und generativer KI bei meinem Mandanten des Maschinen- und Anlagenbau für die Öl- und Gasindustrie kann aus verschiedenen Perspektiven betrachtet werden.

Nach gut einem Jahr mit dem integrierten System aus IoT-Sensoren und GenAI wurde eine höhere Effizienz und Produktivität der Maschinen und Anlagen durch eine vorausschauende und präventive Instandhaltung erreicht. Die Ausfallzeiten, Reparaturkosten und Energieverbrauch, im Vergleich zu dem alten, reinen analogen System, konnten um 40% reduziert werden. Eine höhere Qualität und Sicherheit der Maschinen und Anlagen durch eine kontinuierliche Überwachung minimierte die Risiken, Fehler und Unfälle.

Die Wettbewerbsfähigkeit und Kundenzufriedenheit durch eine bessere Anpassung, Innovation und Differenzierung der Maschinen und Anlagen, die auf den Bedürfnissen und Anforderungen des Marktes basieren, wurde robust erhöht. Das macht sich besonders in der versprochenen Liefertreue bemerkbar. Auch hat sich der Abstimmungsbedarf innerhalb der Wertschöpfungskette merklich reduziert. Die Reduktion liegt bei ca. 20%. Mit einigen angedachten Optimierungen für 2024 wollen wir den Aufwand um weitere 10% reduzieren.

Die erhöhte Transparenz in der Wertschöpfungskette hat eine höhere Nachhaltigkeit und Verantwortung durch eine Reduzierung des ökologischen Fußabdrucks und eine Einhaltung der ethischen und rechtlichen Standards der Branche zufolge. ESG-Richtlinien kommen nun in den Fokus des Kunden.

Frank P. Neuhaus
Profil bei UNITEDINTERIM

Video

Playlist: Brasilien-Special

Marechal Deodoro, 135, 19th. floor
04738000 São Paulo
Brasilien

Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein!
+55 119 910 39 149

Leave Comments