Wie Spryfox eine intelligentere Zukunft für Schwermaschinen erschlossen hat

Die thyssenkrupp Mining Technologies GmbH* ist ein weltweit führendes Unternehmen im Bergbausektor und bietet modernste Systeme und Dienstleistungen für die Gewinnung, Verarbeitung und Handhabung von Rohstoffen. Das Unternehmen ist bekannt für seine herausragende Ingenieurskunst und Innovationskraft und betreibt hochkomplexe Maschinen wie Steinmühlen, die eine wichtige Rolle in der industriellen Materialverarbeitung spielen.

Die Herausforderung: Ausfallzeiten und verschleißbedingte Kosten bei Steinschleifmaschinen

In industriellen Umgebungen mit hoher Kapazität können ungeplante Ausfallzeiten erhebliche finanzielle und betriebliche Störungen verursachen. Die Steinbrecher von thyssenkrupp, die zur Zerkleinerung von Erzen und anderen Mineralien eingesetzt werden, unterliegen einem kontinuierlichen Verschleiß und können schließlich ausfallen, insbesondere an den Oberflächen der Mahlwalzen. Der Austausch dieser Komponenten nach einem festen Zeitplan führt oft entweder zu vorzeitigen Wartungsarbeiten oder zu kostspieligen Ausfällen.

Das Unternehmen benötigte eine intelligentere und dynamischere Wartungsstrategie, mit der Ausfälle vor ihrem Auftreten vorhergesehen und Anpassungen auf der Grundlage der tatsächlichen Nutzung der Maschine vorgenommen werden konnten. 

Allerdings gab es mehrere Hindernisse:

• uneinheitliche Datenverfügbarkeit
• raue Betriebsumgebungen, die die Sensorleistung beeinträchtigten
• ein Mangel an fehlerspezifischen Daten und
• die Herausforderung, Vorhersagemodelle auf verschiedene Maschinen und Standorte zu skalieren.

Die Lösung von Spryfox: Ein pragmatischer, prinzipienbasierter KI-Ansatz

Spryfox hat in Zusammenarbeit mit thyssenkrupp eine Lösung für die vorausschauende Wartung entwickelt und implementiert, die auf erklärbarer KI basiert. Ihr Ansatz orientierte sich an sechs Grundprinzipien:

1. Schaffung einer Datenbasis
   Spryfox begann mit der Einrichtung robuster Datenerfassungsmechanismen und aggregierte Betriebsdaten von Steinschleifmaschinen aus einem Zeitraum von bis zu zwei Jahren. Sensorlücken und Hardwareausfälle wurden durch Datenanreicherung und die Entwicklung von Modellen berücksichtigt, die auch unter unvollständigen Datenbedingungen funktionieren.
   
   
2. Entwurf der richtigen Zielvariablen
   Anstatt direkt mit der Modellierung zu beginnen, fusionierte Spryfox Laserverschleißmessungen zu zuverlässigen, aussagekräftigen Zielvariablen, die sowohl den langfristigen Verschleiß als auch die kurzfristige Verschlechterung erfassten. Diese Variablen wurden anhand von Expertenwissen validiert und mit Sensordaten wie Druck, Temperatur und Eingangsvolumen korreliert.
   
   
3. Aufbau robuster, adaptiver Modelle
   Da Spryfox erkannte, dass der reale Betrieb chaotisch ist, entwickelte das Unternehmen Modelle, die mit fehlenden Daten und Sensorausfällen umgehen konnten. Es implementierte Fallback-Modelle und Ersatzsensorlogik, um sicherzustellen, dass das System auch unter verschlechterten Eingangsbedingungen Erkenntnisse liefern konnte. Kontinuierliche Überwachungs- und automatische Nachschulungsmechanismen wurden eingebaut, um sich an die Alterung der Maschinen und sich verändernde Betriebsumgebungen anzupassen.
   
   
4. Sicherstellung der Erklärbarkeit
   Um das Vertrauen der Anwender zu gewinnen und die Akzeptanz zu fördern, legte Spryfox besonderen Wert auf die Transparenz der Modelle. Das Unternehmen setzte auf Entscheidungsbaum-basierte Methoden, die klar aufzeigten, welche Betriebsbedingungen zu höherem Verschleiß führten. Diese erklärbaren Modelle ermöglichten es den Fachexperten bei thyssenkrupp, die Vorhersagen zu überprüfen und die Ursachen für Warnmeldungen zu verstehen.
   
   
5. Skalierbarkeit durch Transferlernen
   Anstatt für jede Maschine isolierte Modelle zu trainieren, setzte Spryfox Transferlernen und Few-Shot-Lerntechniken ein. Dadurch konnte das Team Basismodelle schnell auf ähnlichen Maschinen einsetzen und im Laufe der Zeit verfeinern, was die Zeit bis zur operativen Wertschöpfung drastisch verkürzte.
   
   
6. Operative Integration
   Spryfox entwickelte eine End-to-End-Bereitstellungsarchitektur, die Edge und Cloud kombiniert. Industrie-PCs wurden direkt mit den Maschinen verbunden, um Echtzeit-Inferenzen und API-Zugriff zu ermöglichen. Große Mengen an Prozessdaten wurden in ein zentrales System übertragen, das die Datenspeicherung, das erneute Training der Modelle und die Verteilung zurück an die Edge-Geräte übernahm.

Wichtige Ergebnisse

Die Zusammenarbeit führte zu einem robusten Rahmenwerk für die vorausschauende Wartung, das für thyssenkrupp bereits messbare Vorteile bringt:

• Reduzierung ungeplanter Ausfallzeiten durch frühzeitige Fehlerwarnungen
• Verbesserte Planung des Walzenaustauschs, wodurch unnötige Wartungsarbeiten minimiert werden
• Erhöhtes Vertrauen und Akzeptanz bei den Außendiensttechnikern aufgrund der Erklärbarkeit des Modells
• Eine skalierbare Systemarchitektur, die mehrere Maschinen und Standorte unterstützt

Ausblick

Nachdem die vorausschauende Wartung nun in die Kernprozesse integriert ist, untersuchen thyssenkrupp und Spryfox weitere KI-gestützte Innovationen im Bereich der Bergbautechnologien. Die Partnerschaft zeigt, wie datengesteuerte Strategien, wenn sie sorgfältig umgesetzt werden, zu einer echten Transformation führen können.

Wenn Ihr Unternehmen das Betriebsrisiko reduzieren und den Wert von Maschinendaten erschließen möchte, kontaktieren Sie uns noch heute für eine unverbindliche Beratung.

*thyssenkrupp hat den Geschäftsbereich Mining Technologies inzwischen an das dänische Unternehmen FLSmidth verkauft.