Mit Hilfe verschiedener Sensoren (bspw. Akustiksensoren, Videokamera, Thermalkameras, Spektroskop, …) werden die Zustände einer Maschine und ihrer Komponenten, bzw. des zugrundeliegenden Prozesses aufgenommen. Mit Hilfe eines KI-Systems werden einerseits historische Daten und zum anderen Echtzeit-Sensordaten aus dem Condition Monitoring ausgewertet, um gesunde Zustände der Maschine und ihrer Komponenten zu bestimmen.

Predictive Maintenance wird überwiegend zur Wartung von industriellen Maschinen eingesetzt. Wird die Wartung für eine Maschine zu spät vorgenommen, können Schäden, Ausfälle und hohe Kosten entstehen. Durch den Einsatz und die Unterstützung von KI, können Vorhersagen über zukünftig notwendige Wartungen gemacht und möglicherweise entstehenden Ausfälle vorgebeugt werden.

Predicitve Maintenance kann über verschiedene Verfahren bzw. KI-Methodiken realisiert werden.

1. Maschinelles Lernen - Analyse von In- und Output-Daten, zur Erstellung von Prognosen über mögliche Ausfälle.
   1. Supervised Machine Learning
      1. Fehlermeldungen basieren auf In- und Output-Daten die durch durch den Menschen gelabelt wurden.
   2. Unsupervised Machine Learning
      1. Fehlermeldungen basieren auf der Erkennung von Muster- und Strukturen ohne expliziertes Datenlabeling.
   3. Reinforcement Learning
      1. Fehlermeldungen basieren auf Entscheidungen eines Agenten, der für die spezifischen Entscheidungsprozesse trainiert wurde.
2. Deep Learning

• Lebens- bzw. Betriebszeit von Maschinen wird gesteigert.
• Voraussetzung sind Maschinen, die mit einer Sensorik ausgestattet sind.
• Aufrüstung von alten Maschinen mit Sensorik kann kostenintensiv sein.
• Es sorgt häufig für das Einsparen von Ressourcen und Arbeitskräften.
• Involviert typischerweise auch Condition Monitoring.
• Ein KI-Algorithmus kann nur für die Maschine eingesetzt werden, auf dessen Basis er trainiert wurde.

• ML-basierte vorausschauende Wartung von Kühltürmen

• Fraunhofer-Institut für Integrierte Schaltungen IIS. (o. D.). Edge AI – Künstliche Intelligenz der nächsten Generation.
• Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM. (o. D.). BMBF-Projekt: Smartes Überwachen und Steuern von Prozessen mittels Edge-Computing.
• Janssens, Olivier; van de Walle, Rik; Loccufier, Mia; van Hoecke, Sofie (2018): Deep Learning for Infrared Thermal Image Based Machine Health Monitoring. In: IEEE/ASME Trans. Mechatron. 23 (1), S. 151–159. DOI: 10.1109/TMECH.2017.2722479.
• Serradilla, O., Zugasti, E., & Zurutuza. U. (2020). Deep learning models for predictive maintenance: a survey, comparison, challenges and prospect, 1(1).
• Serradilla, O., Zugasti, E., Rodriguez, J. & Zurutuza, U. (2022). Deep learning models for predictive maintenance: a survey, comparison, challenges and prospects. Applied Intelligenz 52, 10934–10964.
• https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7967622