Einführung

In der heutigen industriellen Produktion ist ein effektives Ersatzteilmanagement (MRO – Maintenance, Repair and Operation) ein entscheidender Faktor für den reibungslosen Betrieb der Anlagen. Die Identifizierung gleichwertiger Ersatzteile stellt jedoch oft eine komplexe und zeitaufwändige Aufgabe dar. Dies ist auf die Vielfalt der Hersteller, sich ändernde Nomenklaturen, mangelnde Standardisierung in Katalogen und die schnelle Entwicklung der Technologien zurückzuführen. Zu den Folgen dieses Zustands gehören Überbestände, Engpässe bei kritischen Komponenten, längere Ausfallzeiten der Geräte und erhöhte Betriebskosten.

Künstliche Intelligenz (KI) bietet durch automatisierte Querverweise eine Lösung für diese Probleme. Mit dieser Methode können Systeme unabhängig voneinander technisch identische oder funktionsäquivalente Komponenten verschiedener Hersteller identifizieren und zuordnen und so den Beschaffungs- und Lagerverwaltungsprozess optimieren. Für den nach Modernisierung und Steigerung der Wettbewerbsfähigkeit strebenden ukrainischen Industriesektor ist die Implementierung KI-orientierter Querverweissysteme ein strategisch wichtiger Schritt.

Funktionsprinzip des KI-orientierten Querverweises

KI-gesteuerte Querverweise basieren auf einer Kombination aus natürlicher Sprachverarbeitung (NLP) und maschinellem Lernen (ML) für tiefgreifende Analysen und Benchmarking. Dieser Prozess beschränkt sich nicht auf eine einfache Stichwortsuche, sondern konzentriert sich auf das semantische Verständnis der Daten. Zu den Implementierungsphasen gehören:

1. Datenerfassung und -integration

   Im ersten Schritt werden erhebliche Datenmengen aus verschiedenen Quellen aggregiert. Dies können interne ERP-Systeme (z. B. SAP, 1C), Wartungsmanagementsysteme (CMMS), digitale und gescannte Lieferantenkataloge (PDF), technische Zeichnungen, Herstellerspezifikationen sowie öffentliche Datenbanken und Standards (ISO, EN, DSTU) sein. Wichtig ist die Fähigkeit des Systems, mit Daten sowohl in strukturierter (Datenbanken, CSV) als auch unstrukturierter (Textbeschreibungen, Bilder) Form zu arbeiten.

2. Textdatenverarbeitung

   Die gesammelten Textdaten werden einer umfassenden Nachbearbeitung unterzogen, um Rauschen zu entfernen und zu standardisieren. Dazu gehören Tokenisierung (Aufteilen von Text in Wörter/Phrasen), Stammbildung und Lemmatisierung (Reduzieren von Wörtern auf ihre Grundform), Entfernen von Stoppwörtern (häufig verwendete Wörter ohne signifikante Bedeutung) und Normalisieren von Maßeinheiten (z. B. Umwandeln von „mm“ in „Millimeter“, „bar“ in „Atmosphären“ oder „kW“ in „Kilowatt“).

3. Merkmalsextraktion und Vektorisierung

   Nach der Vorverarbeitung werden die textuellen Beschreibungen mithilfe moderner NLP-Modelle wie Word2Vec oder BERT in numerische Vektoren umgewandelt. Diese Vektoren erfassen die semantische Bedeutung und den Kontext technischer Begriffe und ermöglichen es der KI, nicht nur Wörter, sondern auch deren Beziehungen und technischen Inhalt zu verstehen. Beispielsweise hat die Beschreibung „6205 einreihiges Radialkugellager“ einen ähnlichen Vektor wie „6205 Radialkugellager“. Durch die Vektorisierung kann die KI Spezifikationen wie ein Ingenieur „lesen“ und „verstehen“.

4. Ähnlichkeitsbewertung und maschinelles Lernen

   Der Kern des Systems besteht aus Algorithmen für maschinelles Lernen, die vektorisierte Merkmale vergleichen, um den Grad der technischen Ähnlichkeit zwischen verschiedenen Komponenten zu bestimmen. Dabei kommen Methoden wie Kosinusähnlichkeit oder komplexere neuronale Netze zum Einsatz. Das System berücksichtigt nicht nur direkte Übereinstimmungen, sondern auch funktionale Austauschbarkeit und analysiert alle verfügbaren Parameter: Abmessungen (z. B. Innendurchmesser 25 mm, Außendurchmesser 52 mm, Breite 15 mm für ein ISO 6205-Lager), Material, Nennlast (statisch C0, dynamisch C), Betriebstemperatur (von -40 °C bis +120 °C), Fertigungsgenauigkeit (z. B. gemäß ISO 492:2014) und das Vorhandensein spezieller Zertifikate (CE, UkrSEPRO).

5. Validierung und Ranking

   KI erstellt eine Liste potenzieller Äquivalente, denen jeweils ein Glaubwürdigkeitswert zugewiesen wird. Diese Liste wird den Ingenieuren zur endgültigen Validierung zur Verfügung gestellt. Ein Feedback-Mechanismus ermöglicht es dem System, aus menschlichen Entscheidungen zu lernen und so die Genauigkeit und Relevanz seiner Empfehlungen kontinuierlich zu verbessern. Beispielsweise schlägt die KI für einen Kugelhahn DN50 PN16 möglicherweise mehrere Optionen vor, der Ingenieur bestätigt jedoch die Eignung des Gehäusematerials (Stahl 1.0619 gemäß EN 10213) und der Antriebsart (Hebel oder Getriebe).

Datenanforderungen

Die Wirksamkeit eines KI-Querverweissystems hängt direkt von der Qualität und Menge der Eingabedaten ab. Hauptaspekte:

• Datenquellen

  Zum Trainieren und Betreiben des Modells sind verschiedene Quellen erforderlich:

  • **Interne Systeme:** ERP (Kaufhistorie, Nomenklatur, Beschreibungen), CMMS (Daten zu installierter Ausrüstung, Wartungspläne).
  • **Anbieterkataloge:** Digitale (API, XML, JSON) und Papierkataloge (gescannt, OCR-verarbeitet).
  • **Industriestandards:** Normative Dokumente (ISO, EN, DSTU, DSTU).
  • **Offene Datenbanken:** Öffentlich verfügbare Komponentendaten.

• Datenqualität

  Eine hohe Datenqualität ist entscheidend. Dazu gehören:

  • **Konsistenz:** Einheitliche Terminologie, Maßeinheiten (z. B. Druck immer in Bar, Temperatur in Grad Celsius angeben).
  • **Vollständigkeit:** Verfügbarkeit aller wesentlichen technischen Merkmale (Abmessungen, Materialien, Betriebsparameter, Zertifikate).
  • **Genauigkeit:** Verifizierte und vertrauenswürdige Daten. Ungenaue oder inkonsistente Daten führen zu falschen KI-Empfehlungen.

• Umfang und Format

  Für ein effektives Training von KI-Modellen sind große Datenmengen erforderlich. Beispielsweise kann eine Datenbank mit weniger als 10.000 einzigartigen Ersatzteilen eine zusätzliche Anreicherung mit externen Quellen erfordern. Daten müssen in einer Vielzahl von Formaten verfügbar sein, von strukturierten Tabellen bis hin zu unstrukturiertem Text und Bildern, die eine optische Zeichenerkennung (OCR) und Informationsextraktion erfordern.

Implementierungsarchitektur

Die Implementierung eines KI-orientierten Querverweissystems erfordert eine integrierte Architektur, die mehrere Ebenen umfasst:

• Data Lake (Data Lake)

  Ein zentrales Repository für Roh- und verarbeitete Daten aus allen Quellen. Ermöglicht das Speichern von Daten im Rohformat und bietet so Flexibilität für zukünftige Analysen und Modellschulungen.

• Datenaufnahmeschicht

  ETL-System (Extract, Transform, Load) oder ELT-System zum Extrahieren von Daten aus ERP, CMMS, Webkatalogen, gescannten Dokumenten, deren Transformation (Bereinigung, Normalisierung) und Hochladen in den Data Lake.

• KI/ML-Kern

  Enthält:

  1. **NLP-Modul:** Zur Verarbeitung und semantischen Analyse von Textbeschreibungen.
  2. **ML-Module:** Algorithmen für maschinelles Lernen zur Ähnlichkeitserkennung und Empfehlungsgenerierung.
  3. **Knowledge Graph:** Ein semantisches Netzwerk, das Beziehungen zwischen Komponenten, Materialien, Herstellern und Standards anzeigt (z. B. die Beziehung zwischen „Pumpengehäuse“ und „Gusseisen EN-GJL-250“).

• Integrationsschicht (Integrationsschicht)

  API (Application Programming Interfaces) für die nahtlose Interaktion mit den bestehenden IT-Systemen des Unternehmens: ERP (SAP S/4HANA, Microsoft Dynamics 365, 1C:Enterprise), CMMS (IBM Maximo, SAP PM), elektronische Beschaffungssysteme. Bietet automatische Datenaktualisierungen und Empfehlungen.

• Benutzeroberfläche (Benutzeroberfläche)

  Benutzerfreundliche Webschnittstellen oder Integrationen in bestehende Dashboards für Ingenieure und Beschaffungsexperten. Ermöglichen Sie die Suche, die Überprüfung von Empfehlungen, die Validierung vorgeschlagener Äquivalente und die Bereitstellung von Feedback, um das Modell kontinuierlich zu trainieren.

• Feedback-Schleife

  Ein Mechanismus, der es Benutzern ermöglicht, die Genauigkeit von KI-Empfehlungen zu bewerten. Dieses Feedback wird verwendet, um das Modell regelmäßig neu zu trainieren und es an neue Daten und spezifische Geschäftsanforderungen anzupassen.

Praktische Ergebnisse und Kennzahlen

Die Implementierung von KI-gesteuerten Querverweisen zeigt erhebliche Verbesserungen der betrieblichen Effizienz und finanzielle Vorteile:

Fallstudien: Großes Chemieunternehmen, Ukraine

Die Datenanalyse eines großen Chemieunternehmens in der Ukraine vor der Einführung eines KI-Systems ergab, dass es sich bei etwa 15 % der vorhandenen Ersatzteile um Duplikate oder funktionsfähige Äquivalente handelte, die unter unterschiedlichen Artikelnummern gelagert waren. Darüber hinaus waren 8 % der MRO-Ausgaben auf dringende Anschaffungen zurückzuführen, da die erforderlichen Komponenten nicht auf Lager waren oder nicht schnell Alternativen gefunden werden konnten.

Umsetzung und Ergebnisse:

• **Umsetzungszeitraum:** 9 Monate für Pilotprojekt mit weiterer Skalierung.
• **Reduzierung der Lagerdoppelung:** Um 10 %, was durch die Freisetzung von Kapital und die Reduzierung der Lagerkosten zu Einsparungen von etwa 2,5 Mio. UAH pro Jahr führte.
• **Reduzierte Zeit für die Suche nach Äquivalenten:** Von 4 Stunden auf 1,5 Stunden (62,5 % Reduzierung) für komplexe Fälle, was die Entscheidungsfindung erheblich beschleunigte.
• **Verkürzung der Lieferzeit:** Bei nicht standardmäßigen Artikeln wurden die Lieferzeiten aufgrund der schnelleren Identifizierung alternativer Lieferanten um 25 % verkürzt.
• **Return on Investment (ROI):** 18 Monate.
• **Ungefähre Implementierungskosten:** Von 800.000 bis 1.500.000 UAH, abhängig von der Komplexität der Integration und dem Datenvolumen.

Allgemeine Vorteile in verschiedenen Branchen:

• **Reduzierung ungeplanter Ausfallzeiten:** Von 5 % auf 15 % aufgrund der schnelleren Wiederherstellung der Ausrüstung.
• **Optimierung der Lagerbestände:** 10 % bis 20 % durch Konsolidierung von Duplikaten und genauere Prognosen.
• **Einsparungen beim Einkauf:** Von 3 % bis 7 % durch bessere Nutzung vorhandener Lagerbestände und Auswahl optimaler Lieferanten.

Einschränkungen und potenzielle Risiken

Trotz erheblicher Vorteile sind KI-Querverweissysteme kein Allheilmittel und haben ihre Grenzen:

• Qualität der Eingabedaten

  „Müll rein, Müll raus.“ Schlechte Qualität, unvollständige oder inkonsistente Daten sind eine Hauptfehlerquelle. Eine anfängliche Investition in die Datenbereinigung und -standardisierung ist zwingend erforderlich.

• Kontextuelle Nuancen

  KI berücksichtigt möglicherweise nicht bestimmte kontextbezogene Anforderungen, die in den Daten nicht klar zum Ausdruck kommen. Beispielsweise können für kritische Komponenten, die in aggressiven Umgebungen betrieben werden, nicht offensichtliche Materialeigenschaften oder Feinheiten der Zertifizierung wichtig sein (z. B. für explosionsgefährdete Bereiche gemäß der ATEX-Richtlinie oder spezifische Anforderungen von UkrSEPRO), die der KI möglicherweise entgehen, wenn sie nicht explizit „trainiert“ wurde.

• Überabhängigkeit

  Es besteht die Gefahr, dass man sich ohne ordnungsgemäße technische Validierung zu sehr auf KI-Empfehlungen verlässt. Menschliche Erfahrung und Peer-Review bleiben von entscheidender Bedeutung, insbesondere bei Sicherheitskomponenten.

• Komplexität der Integration

  Die Integration mit älteren ERP-/CMMS-Systemen kann technisch komplex sein und einen erheblichen Aufwand erfordern.

• Drift-Modelle

  KI-Modelle erfordern eine ständige Überwachung und regelmäßige Auffrischungsschulungen, da sich das Angebot an Ersatzteilen, Technologien und Standards ändert. Andernfalls kann die Genauigkeit der Empfehlungen allmählich abnehmen.

Eigene Entwicklung oder fertige Lösung?

Die Entscheidung über eine eigene Entwicklung (Build) oder den Kauf einer fertigen Lösung (Buy) hängt von mehreren Faktoren ab:

• Eigene Entwicklung (Build)

  • **Vorteile:** Maximale Anpassung an die einzigartigen Prozesse des Unternehmens, vollständige Kontrolle über geistiges Eigentum.
  • **Nachteile:** Hohe Entwicklungskosten (von 1,5 Millionen bis über 5 Millionen UAH), lange Implementierungszeit (12–36 Monate), Bedarf an hochqualifizierten Spezialisten in KI und Data Science, erhebliche Kosten für Support und Entwicklung.
  • **Für wen ist es geeignet:** Große Unternehmen mit einzigartigen Anforderungen, großen Budgets und etablierten internen Entwicklungsteams.

• Kauf einer fertigen Lösung (Kaufen)

  • **Vorteile:** Schnellere Implementierung (3–9 Monate), geringere Anfangsinvestitionen (oft auf Abonnementbasis), Zugriff auf bewährte Technologie und Anbieter-Know-how, kontinuierliche Updates.
  • **Nachteile:** Eingeschränkte Anpassungsmöglichkeiten, potenzielle Anbieterabhängigkeit, Probleme mit der Datensicherheit (insbesondere bei Cloud-Lösungen).
  • **Für wen es geeignet ist:** Die meisten Industrieunternehmen streben eine schnelle Wertschöpfung mit begrenzten internen KI-Entwicklungsressourcen an.

Erste Schritte für das Engineering-Team

Um KI-gesteuerte Querverweise erfolgreich zu implementieren, kann ein Ingenieurteam dem folgenden Plan folgen:

1. Phase 1: Bewertung und Planung (1–2 Monate)

   • **Identifizierung:** Identifizieren Sie die problematischsten Ersatzteilkategorien, bei denen Querverweise von entscheidender Bedeutung sind.
   • **Datenprüfung:** Führen Sie eine detaillierte Prüfung der vorhandenen Daten in ERP, CMMS und Lieferantenkatalogen durch und bewerten Sie deren Qualität und Vollständigkeit.
   • **Bestimmen von Erfolgskennzahlen:** Setzen Sie klare, messbare Ziele, z. B. die Reduzierung doppelten Inventars um 10 % oder die Reduzierung der Suchzeit um 50 %.

2. Phase 2: Pilotprojekt (3-6 Monate)

   • **Segmentauswahl:** Wählen Sie ein kleines, aber repräsentatives Segment an Ersatzteilen oder Ausrüstung für den Piloten aus.
   • **Auswahl einer Lösung:** Testen Sie eine fertige kommerzielle Lösung oder entwickeln Sie einen minimalen Prototyp Ihres eigenen Systems.
   • **Validierung:** Beauftragen Sie Wartungstechniker mit der manuellen Validierung von KI-Empfehlungen und dokumentieren Sie etwaige Abweichungen.
   • **Datenbereinigung:** Verbessern Sie die Datenbereinigungs- und Standardisierungsprozesse basierend auf Piloterfahrungen.

3. Phase 3: Skalierbare Bereitstellung

   • **Schrittweise Erweiterung:** Erweitern Sie das System auf andere Kategorien von Ersatzteilen und Produktionsanlagen.
   • **Überwachung:** Implementieren Sie eine kontinuierliche Überwachung der Leistung des KI-Modells und der Empfehlungsqualität.
   • **Integration:** Integrieren Sie KI-Lösungen in andere MRO-Initiativen zur digitalen Transformation.

Abschluss

Die KI-orientierte Quervernetzung von Ersatzteilen ist nicht nur eine technologische Innovation, sondern ein strategisches Instrument zur Steigerung der betrieblichen Effizienz und Wettbewerbsfähigkeit von Industrieunternehmen. Es verwandelt die Bestandsverwaltung von einem reaktiven in einen proaktiven, intelligenten Prozess, der die Kosten erheblich senkt und Ausfallrisiken minimiert. Der Einsatz fortschrittlicher Analysemethoden ermöglicht es ukrainischen Unternehmen, eine neue Ebene des MRO-Managements zu erreichen. UNITEC-D ist mit seinem umfangreichen elektronischen Katalog und seinem tiefen technischen Know-how ein zuverlässiger Partner bei dieser digitalen Transformation.

Erfahren Sie mehr über Komponenten und Lösungen für Ihre Produktion im UNITEC-D E-Katalog.

Liste der Literatur

• ISO 15:2011 „Wälzlager – Radiallager – Randmaße, Übersichtsplan“
• DSTU GOST 24810:2018 „Wälzlager. Begriffe und Definitionen“
• EN 16646:2014 „Instandhaltung – Leistungskennzahlen der Instandhaltung“

1. Einleitung: Die strategische Bedeutung des MRO-Bestandsmanagements

Eine effektive Bestandsverwaltung für Wartung, Reparatur und Betrieb (MRO) ist für die Kontinuität der Produktion und die finanzielle Stabilität von Industrieunternehmen in der Ukraine von entscheidender Bedeutung. Im heutigen Industrieumfeld, in dem Produktionsausfälle aufgrund der Nichtverfügbarkeit benötigter Komponenten zu erheblichen Verlusten führen können, wandelt sich die Optimierung der MRO-Lieferketten von einer taktischen Notwendigkeit zu einem strategischen Vorteil. Dies stellt nicht nur sicher, dass die richtigen Teile zur richtigen Zeit verfügbar sind, sondern minimiert auch die Kosten, die durch Überbestände oder Notkäufe entstehen.

2. Problem: Quantifizierung der Kosten eines ineffizienten Ersatzteilmanagements

Eine ineffiziente MRO-Bestandsverwaltung verursacht erhebliche, oft versteckte Kosten. Das Verständnis dieser Kosten ist der erste Schritt zur Optimierung. Zu den Hauptausgabenkategorien gehören:

2.1. Kosten für Geräteausfallzeiten

Das Fehlen eines kritischen Ersatzteils kann zum Stillstand der Produktionslinie führen. Die Kosten für Ausfallzeiten sind am offensichtlichsten und destruktivsten. Dazu gehören Produktivitätsverluste, Löhne für Nicht-Produktionspersonal, entgangene Gewinne und mögliche Bußgelder wegen Vertragsbruch. Für ukrainische Industrieunternehmen können die Kosten für eine Stunde Ausfallzeit je nach Branche und Produktionsumfang zwischen 1.500 und 15.000 Euro und mehr liegen. Beispielsweise können für ein Unternehmen mit einem täglichen Produktionsvolumen von 50.000 Euro 8 Stunden Ausfallzeit aufgrund des Fehlens eines Lagers 40.000 Euro an entgangenem Gewinn kosten.

2.2. Überbesatz

Überschüssige Lagerbestände eliminieren zwar das Risiko von Ausfallzeiten, verursachen aber auch andere finanzielle Belastungen. Die durchschnittlichen jährlichen Transportkosten für MRO-Komponenten betragen 20-30% ihrer Gesamtkosten. Dazu gehört:

• Lagerkosten: Miete für Lagerraum, Betriebskosten, Personal, Ausrüstung.
• Kapitalkosten: Eingefrorene Mittel, die in andere Vermögenswerte investiert werden könnten.
• Steuern und Versicherungen: Kosten im Zusammenhang mit dem Besitz von Vermögenswerten.
• Obsoleszenz und Verschlechterung: Risiko eines Wertverlusts aufgrund von technischem Fortschritt oder physischer Beschädigung.

Wenn ein Unternehmen über MRO-Bestände im Wert von 1.000.000 € verfügt, können die jährlichen Wartungskosten 200.000 bis 300.000 € betragen.

2.3. Notkäufe

Wenn ein kritisches Ersatzteil nicht verfügbar ist, ist eine Notfallbeschaffung erforderlich, was in der Regel höhere Preise, eine aufwendigere Logistik (Expresszustellung) und zusätzliche Verwaltungskosten bedeutet. Die Kosten für einen Notfallkauf können 20-50% höher sein als der geplante. Für ein Teil, das 500 € kostet, können beim Notkauf 100–250 € hinzukommen, Expressversand nicht inbegriffen, der die ursprünglichen Kosten verdoppeln kann.

Der durchschnittliche Anteil der MRO-Kosten an den Kosten der Produktionsausrüstung schwankt zwischen 3-5% pro Jahr. Durch Optimierung kann diese Zahl reduziert und die Gesamtrentabilität verbessert werden.

3. Analyserahmen: Optimierungsmethodik

Für eine effektive Optimierung ist ein strukturiertes Vorgehen erforderlich. Zu den wichtigsten Methoden gehören:

3.1. ABC-Analyse

Einteilung der Aktien nach ihrem Wert und ihrer Bedeutung. Kategorie A: 20 % der Reichweite, also 80 % der Kosten (kritische, teure Komponenten). Kategorie B: 30 % der Reichweite, also 15 % der Kosten. Kategorie C: 50 % der Reichweite, also 5 % der Kosten. Besonderes Augenmerk sollte auf Komponenten der Kategorie A gelegt werden.

3.2. VED-Analyse (Vital, Essential, Desirable)

Klassifizierung nach Auswirkung auf die Produktion bei Abwesenheit. V (Vital): Lebenswichtige Bestandteile, ohne die die Produktion stoppt. E (Essential): Wesentliche Komponenten, deren Fehlen zu erheblichen Ausfällen oder Produktionsverlangsamungen führen kann. D (Desirable): Wünschenswerte Komponenten, die sich nicht kritisch auf die Produktion auswirken.

3.3. Definition kritischer Ersatzteile

Eine Kombination aus ABC- und VED-Analyse ermöglicht die genaue Identifizierung kritischer Ersatzteile, die kürzere Vorlaufzeiten und eine erhöhte Verfügbarkeit erfordern. Dabei handelt es sich um Komponenten, die teuer (A) und lebenswichtig (V) sind.

3.4. Bedarfsprognose

Mithilfe historischer Daten, geplanter Wartungspläne und Geräteausfalldaten zur genauen Prognose des Teilebedarfs. Hierzu können statistische Methoden (z. B. gleitender Durchschnitt, exponentielle Glättung) oder modernere maschinelle Lernsysteme verwendet werden, die große Datenmengen analysieren. Es ist wichtig, Saisonalität und geplante Modernisierungen zu berücksichtigen.

Die Einhaltung der Anforderungen von Normen wie DSTU ISO 9001:2015 (Qualitätsmanagementsysteme) und DSTU EN 13306:2016 (Wartung. Terminologie) ist die Grundlage für einen strukturierten Ansatz im MRO-Management.

4. Phasen der Implementierung: Ein praktischer Leitfaden

Eine effektive Reduzierung der Vorlaufzeit für kritische MRO-Komponenten erfordert einen systematischen Ansatz:

4.1. Einschätzung des Ist-Zustandes

Überprüfen Sie aktuelle Beschaffungsprozesse, Lagerbestände, Lieferantendaten und historische Durchlaufzeiten. Identifizieren Sie Engpässe und potenzielle Verbesserungsmöglichkeiten.

4.2. Konsolidierung von Lieferanten

Durch die Reduzierung der Lieferantenzahl kann das Management vereinfacht, das Beschaffungsvolumen erhöht und die Verhandlungsposition verbessert werden. Dadurch ist es möglich, bessere Konditionen hinsichtlich Preis, Lieferzeit und Service zu erzielen. UNITEC-D kann als integrierter Lieferant tausende MRO-Artikel verschiedener Hersteller kombinieren.

4.3. Service Level Agreements (SLA)

Schließen Sie Service-Level-Vereinbarungen mit wichtigen Lieferanten ab, in denen maximale Lieferzeiten, Strafen bei Verstößen und Lieferbedingungen klar definiert sind. Dies gewährleistet Vorhersehbarkeit und Verantwortlichkeit.

4.4. Vendor Managed Inventory (VMI – Vendor Managed Inventory)

Übertragung der Verantwortung für die Verwaltung bestimmter MRO-Bestände an einen Lieferanten. Der Lieferant überwacht die Lagerbestände im Lager des Kunden und füllt diese automatisch auf. Dies reduziert die Belastung des internen Personals und optimiert die Lagerbestände.

4.5. Pufferbestände für kritische Elemente

Für kritische, langfristige oder einzigartige Komponenten bauen Sie strategische Pufferbestände in Ihrem eigenen Lager oder im Lager eines vertrauenswürdigen Partners wie UNITEC-D auf. Dadurch können Sie schnell auf unvorhergesehene Ausfälle reagieren, beispielsweise bei Lagern mit Sondertoleranzen ISO 492 oder Dichtungen, die DSTU EN 15848 entsprechen.

4.6. Digitalisierung von Beschaffungsprozessen

Implementierung elektronischer Beschaffungssysteme (E-Procurement) und Integration mit ERP/CMMS-Systemen. Es automatisiert die Bestellung, Nachverfolgung und den Papierkram und reduziert so administrative Verzögerungen. Der UNITEC-D E-Catalog beispielsweise vereinfacht die Suche und Bestellung.

5. KPIs und Metriken: Was zu messen ist

Die Messung von Key Performance Indicators (KPIs) ist unerlässlich, um den Fortschritt zu überwachen und weitere Bereiche mit Verbesserungspotenzial zu identifizieren:

5.1. Inventar-Service-Level (Service-Level)

Prozentsatz der Teileanfragen, die unverzüglich vom Lager erfüllt wurden. Der Zielwert für kritische Komponenten sollte bei 95–99 % liegen. Für weniger kritische Fälle - 90-95 %.

5.2. Inventarumschläge

Die Häufigkeit, mit der MRO-Inventar in einem bestimmten Zeitraum vollständig verkauft oder verbraucht wurde. Ein höheres Verhältnis weist auf ein effektiveres Management hin. Für die Komponenten-MRO kann das Ziel 2–4 Umdrehungen pro Jahr sein. Ein geringer Umschlag (weniger als 1) weist auf einen Überbestand hin.

5.3. Bestellvorlaufzeit

Durchschnittliche Zeit von der Bestellung bis zum Erhalt. Ziel ist es, diesen Indikator insbesondere für kritische Positionen kontinuierlich zu reduzieren. Bei Standardkomponenten kann es 3-7 Tage sein, bei Spezialkomponenten 14-30 Tage.

5.4. Lagerkosten pro Mitarbeiter

Die Gesamtkosten des MRO-Bestands geteilt durch die Anzahl der Produktionsmitarbeiter. Dadurch können Sie die Effizienz der Bestandsverwaltung mit Branchen-Benchmarks vergleichen. Der durchschnittliche Betrag kann bei 1.000 - 5.000 Euro pro Mitarbeiter und Jahr liegen.

5.5. Prozentsatz der Notkäufe

Das Verhältnis der Kosten der Notfallbeschaffung zu den Gesamtkosten der MRO-Beschaffung. Ziel ist die Minimierung, wobei weniger als 5 % angestrebt wird.

6. Werkzeuge und Technologien

Moderne Technologien spielen eine Schlüsselrolle bei der Optimierung der MRO-Lieferketten:

• ERP-Systeme (Enterprise Resource Planning): Integrierte Systeme zur Verwaltung aller Geschäftsprozesse, einschließlich Beschaffung, Lagerbestand und Finanzen.
• CMMS (Computerized Maintenance Management System): Für die Wartungsplanung und -verwaltung, einschließlich Ersatzteilmanagement.
• E-Procurement-Plattformen: Automatisieren Sie den Beschaffungsprozess, die Interaktion mit Lieferanten und das Vertragsmanagement.
• Datenanalysesysteme: Nutzen Sie Big Data und KI, um den Bedarf vorherzusagen, Lagerbestände zu optimieren und Muster bei Geräteausfällen zu erkennen.
• UNITEC-D E-Katalog: Online-Plattform für schnelle Suche, Querverweise und Bestellung von Industriekomponenten. Eine praktische Benutzeroberfläche und aktuelle Informationen vereinfachen den Kaufprozess und bieten Zugriff auf eine breite Palette von Ersatzteilen, die CE, UkrSEPRO und anderen internationalen Standards entsprechen.

7. Häufige Fehler: Wie man sie vermeidet

Durch die Vermeidung typischer Fehler können Sie den Optimierungsprozess beschleunigen:

1. Unzureichende Datenqualität: Mangel an genauen Nutzungs-, Durchlaufzeit- und Kostendaten. Lösung: Implementierung strenger Datenerfassungs- und Validierungsverfahren.
2. Kritikalität ignorieren: Alle Komponenten werden gleich behandelt. Lösung: Anwendung der ABC/VED-Analyse zur Priorisierung.
3. Übermäßige Abhängigkeit von einem Lieferanten: Hohes Risiko von Lieferunterbrechungen. Lösung: Diversifizierung der Lieferanten, insbesondere für kritische Artikel.
4. Mangelnde Kommunikation zwischen den Abteilungen: Kluft zwischen Beschaffungs-, Produktions- und Wartungsabteilungen. Lösungen: Regelmäßige Meetings, integrierte Systeme, gemeinsame KPIs.
5. Unterschätzung der Buchhaltung veralteter Komponenten: Lagerung veralteter oder unbenutzter Ersatzteile. Lösungen: Regelmäßige Bestandsprüfungen, Entsorgungs- oder Verkaufsprogramme.

8. Checkliste für schnelle Erfolge für den Beschaffungsmanager

Zehn Aktionen, die Sie diese Woche umsetzen können:

1. Inventarisieren Sie die 20 % teuersten MRO-Komponenten (Kategorie A).
2. Identifizieren Sie die fünf häufigsten Ursachen für Ausfallzeiten im Zusammenhang mit Ersatzteilen.
3. Kontaktieren Sie drei wichtige Anbieter, um die VMI-Bedingungen zu besprechen.
4. Analysieren Sie Notfallbeschaffungsberichte der letzten 6 Monate.
5. Bilden Sie eine interne Arbeitsgruppe aus Vertretern der Einkaufs-, Wartungs- und Produktionsabteilungen.
6. Überprüfen Sie die Relevanz der Auftragserfüllungszeitdaten in Ihrem ERP-System.
7. Wählen Sie die 1–2 kritischsten Komponenten aus, um einen Mindestpuffer zu schaffen.
8. Bewerten Sie die Möglichkeiten der Verwendung des UNITEC-D E-Katalogs zur Vereinfachung der Bestellung.
9. Entwickeln Sie ein grundlegendes Dashboard mit KPIs (Service Level, Umsatz).
10. Beginnen Sie mit der Überprüfung alter, sich kaum bewegender Lagerbestände, um veraltete Artikel zu identifizieren.

9. Fazit

Die Optimierung von Lieferketten und die Verkürzung der Durchlaufzeiten für kritische MRO-Komponenten ist ein fortlaufender Prozess, der einen strategischen Ansatz, Disziplin und den Einsatz moderner Technologie erfordert. Die Umsetzung der beschriebenen Methoden ermöglicht es Industrieunternehmen der Ukraine, die Betriebskosten erheblich zu senken, die Zuverlässigkeit der Ausrüstung zu erhöhen und die Kontinuität der Produktion sicherzustellen. UNITEC-D bietet integrierte Lösungen, einschließlich Outsourcing und schlüsselfertiger Dienstleistungen, um zur Erreichung dieser Ziele beizutragen.

Erfahren Sie mehr über das breite Spektrum an Industriekomponenten und Lösungen zur Optimierung von Lieferketten im UNITEC-D E-Katalog.

10. Links

• DSTU ISO 9001:2015 Qualitätsmanagementsysteme. Anforderungen
• DSTU EN 13306:2016 Wartung. Terminologie.
• DSTU ISO 492:2006 Wälzlager. Radiale Abstände.
• DSTU EN 15848:2018 Flansche und ihre Verbindungen. Kriterien für die Auswahl von Dichtungen zum Abdichten.
• „MRO Supply Chain Benchmarking Report“, Institute of Procurement Management (ISM), 2023.
• „Die Kosten von Ausfallzeiten: Ein Branchenbericht“, Aberdeen Group, 2022.
• „Managing MRO Inventory for Optimal Performance“, Supply Chain Management Review, 2024.

1. Einführung: Künstliche Intelligenz zur MRO-Problemlösung

In der industriellen Fertigung ist die Effizienz von Wartung, Reparatur und Betrieb (MRO) entscheidend für die Kontinuität des Betriebs und die Minimierung der Produktionskosten. Allerdings bereiten die zunehmende Komplexität der Geräte, die Vielfalt der technischen Dokumentationen und der Umfang der Ersatzteilkataloge erhebliche Schwierigkeiten. Herkömmliche Methoden der Informationssuche erfordern oft einen erheblichen Zeitaufwand, führen zu Fehlern und Verzögerungen bei Reparaturen. Angesichts des Fachkräftemangels ist die Fähigkeit, die benötigten Informationen schnell und genau zu finden, von entscheidender Bedeutung.

Künstliche Intelligenz (KI) bietet Lösungen für diese Herausforderungen durch die Implementierung fortschrittlicher Suchalgorithmen. Diese Systeme sind in der Lage, große Mengen unstrukturierter und strukturierter Daten zu verarbeiten, zu indizieren und zu interpretieren, darunter Bedienungsanleitungen, Schaltpläne, Zeichnungen, Service-Bulletins, Materialspezifikationen und Ersatzteilkataloge. Das Ziel besteht darin, Ausfallzeiten der Ausrüstung zu reduzieren, den Lagerbestand zu optimieren und die Gesamtzuverlässigkeit der Produktionsanlagen zu verbessern. Die auf MRO spezialisierte UNITEC-D GmbH erkennt das Potenzial von KI bei der Transformation dieser Prozesse für die ukrainische Industrie.

2. Arbeitsprinzipien: Semantische Suche und Verarbeitung natürlicher Sprache

Die Grundlage erweiterter Suchalgorithmen für MRO ist eine Kombination aus Natural Language Processing (NLP) und semantischer Suche. Anstatt einfach Schlüsselwörter zu vergleichen, wie es bei herkömmlichen Suchmaschinen der Fall ist, analysiert KI den Kontext und die Bedeutung der Suchanfrage eines Benutzers sowie den Inhalt von Dokumenten. Dieser Prozess kann in mehrere Schlüsselphasen unterteilt werden:

2.1. Erhebung und Vorverarbeitung von Daten

Das System aggregiert Daten aus verschiedenen Quellen: PDF-Dateien, technische Handbücher, CAD-Zeichnungen, Tabellenkalkulationen, ERP-Datenbanken. Bei unstrukturierten Daten wird die optische Zeichenerkennung (OCR) eingesetzt, um Textbilder in ein maschinenlesbares Format umzuwandeln. Anschließend wird der Text von Rauschen befreit, normalisiert und in einzelne Elemente (Tokens) unterteilt.

2.2. Indizierung und Vektorisierung

Jedes Dokument und jede Benutzeranfrage wird in einen numerischen Vektor (Einbettung) in einem mehrdimensionalen Raum umgewandelt. In diesem Bereich befinden sich Dokumente und Abfragen mit ähnlicher semantischer Bedeutung nahe beieinander. Dadurch kann das System nicht nur exakt passende Schlüsselwörter finden, sondern auch konzeptionell verwandte Dokumente. Wenn Sie beispielsweise nach „Wälzlager“ suchen, werden möglicherweise Dokumente gefunden, die „Kugellager“ oder „Rollenlager“ enthalten.

2.3. Mechanismen der semantischen Suche

Nach der Vektorisierung werden Suchalgorithmen für den nächsten Nachbarn (z. B. Approximate Nearest Neighbors – ANN) verwendet, um schnell die relevantesten Dokumente zu identifizieren. Darüber hinaus können Modelle, die auf der Transformer-Architektur basieren (wie BERT oder Qwen-8B), verwendet werden, um komplexe Abfragen zu verstehen und sogar Fragen basierend auf abgerufenen Informationen zu beantworten (Retrieval Augmented Generation – RAG). Dies erhöht die Genauigkeit und Relevanz der Ergebnisse erheblich und ermöglicht es den Ingenieuren, direkte Antworten statt nur einer Liste von Dokumenten zu erhalten.

3. Datenanforderungen: Volumen, Qualität und Format

Die Wirksamkeit von KI-Systemen hängt direkt von der Qualität und Menge der Eingabedaten ab. Für die erweiterte Suche sind folgende Aspekte entscheidend:

• Umfang: Je vielfältiger die technische Dokumentation ist, desto besser lernt das System, Zusammenhänge zu verstehen. Ein typischer Umfang kann zwischen 100.000 und Millionen Seiten Dokumentation umfassen.
• Qualität: Die Daten müssen korrekt und aktuell sein. Veraltete Anleitungen oder ungenaue Vorgaben führen zu falschen Empfehlungen. Eine regelmäßige Überprüfung und Aktualisierung der Informationen ist erforderlich.
• Format: Obwohl KI in der Lage ist, mit unstrukturierten Daten zu arbeiten, erleichtern strukturierte Formate (z. B. XML, JSON, Datenbanken) die Integration und erhöhen die Genauigkeit. Für eine effektive OCR-Erkennung müssen gescannte PDF-Dokumente von hoher Qualität sein.
• Vielfalt: Umfassen Sie alle Arten von technischen Informationen: Handbücher, Gerätepässe, Ersatzteilkataloge (mit Artikeln, Herstellern, technischen Merkmalen), Zeichnungen (DWG, DXF, SolidWorks), Prüfberichte, Zertifikate (z. B. UkrSEPRO, CE).
• Metadaten: Umfangreiche Metadaten (Erstellungsdatum, Version, Autor, Gerätetyp, Anwendungsbranche) verbessern die Fähigkeit zum Filtern und Kategorisieren von Suchergebnissen erheblich.

Besonderes Augenmerk sollte auf die Annotation der Daten gelegt werden, um die Modelle gegebenenfalls zu trainieren. Dabei geht es darum, wichtige Begriffe, Beziehungen zwischen ihnen und Schlüsselentitäten (Bezeichnungen von Teilen, Parametern, Fehlfunktionen) zu kennzeichnen.

4. Implementierungsarchitektur: Von der Quelle zur Aktion

Die Implementierung eines erweiterten Suchsystems für MRO umfasst mehrere miteinander verbundene Komponenten:

4.1. Datenquellen

Informationen stammen aus Unternehmenssystemen:

• ERP-Systeme: Ersatzteilspezifikationen, Lieferantendaten, Bestellhistorie.
• CMMS/EAM-Systeme: Servicehistorie, Fehleraufzeichnungen, F&E-Pläne.
• Dokumentenmanagementsysteme (DMS): Technische Handbücher, Zeichnungen, Zertifikate in PDF, DOCX, XLSX.
• SCADA/MES-Systeme: Betriebsdaten der Ausrüstung, die zur Kontextualisierung der Suche verwendet werden können.

4.2. Integration und Verarbeitung

Es werden Datenerfassungskonnektoren verwendet. Anschließend durchlaufen die Daten die Schritte OCR, Bereinigung und Normalisierung. NLP-Dienste (Natural Language Processing) extrahieren Entitäten, Begriffe und ihre Beziehungen. Dazu gehört die Verwendung großer Sprachmodelle (LLMs) zur Erstellung von Vektordarstellungen von Daten.

4.3. Vektordatenbank und Suchmaschine

Vektoreinbettungen werden in einer speziellen Vektordatenbank (z. B. Pinecone, Milvus) gespeichert, was eine effiziente semantische Suche ermöglicht. Die Suchmaschine nimmt Benutzeranfragen entgegen, vektorisiert sie und findet die ähnlichsten Übereinstimmungen in der Vektordatenbank. Für komplexe Abfragen, bei denen eine Antwortgenerierung erforderlich ist, wird eine RAG-Architektur verwendet, die Suche mit LLM kombiniert (z. B. Qwen-8B).

4.4. Benutzeroberfläche und Aktionen

Ingenieure und Techniker interagieren mit dem System über eine intuitive Weboberfläche oder ein integriertes Modul im Unternehmenssystem. Suchergebnisse werden mit hoher Relevanz angezeigt, können gerankt und gefiltert werden. Das System kann auch konkrete Aktionen vorschlagen: die Bestellung eines Ersatzteils (mit Verweis auf den Artikel im UNITEC-D E-Katalog), einen Link zum Reparaturablauf oder die Kontaktaufnahme zu einem Spezialisten.

Architekturdiagramm:

Datenquellen (ERP, CMMS, DMS, SCADA) --> Konnektoren --> Vorverarbeitung (OCR, NLP, Vektorisierung) --> Vektordatenbank / LLM (Qwen-8B) --> Suchmaschine (ANN, RAG) --> API / Benutzeroberfläche (Webportal) --> Aktion (Bestellung, Reparatur)

5. Ergebnisse aus der Praxis: Wirksamkeit und Kosteneffizienz

Die Implementierung fortschrittlicher KI-Suchalgorithmen zeigt erhebliche Verbesserungen der Betriebsleistung:

• Reduzierung der Ausfallzeiten: Die Erfahrung zeigt, dass der Zeitaufwand für Diagnose und Ersatzteilsuche um 25–40 % reduziert wird. Dies führt zu einer Reduzierung der mittleren Reparaturzeit (MTTR). Bei einer Produktionslinie mit einer durchschnittlichen Ausfallzeit von 8 Stunden/Monat kann dies beispielsweise die Ausfallzeit um 2–3 Stunden reduzieren, was bei Ausfallkosten von 1.500 UAH/Stunde zu Einsparungen von 3.000–4.500 UAH/Monat führt.
• Fehlerreduzierung: Eine genaue Suche reduziert das Risiko, falsche Teile zu bestellen oder falsche Reparaturverfahren durchzuführen, um 15–20 %.
• Bestandsoptimierung: Ein besseres Verständnis des Ersatzteilbedarfs und der Ersatzteilverfügbarkeit kann überschüssige Lagerbestände um 10–18 % reduzieren und so Betriebskapital freisetzen.
• ROI und Amortisation: Abhängig vom Umfang der Implementierung und den anfänglichen Kosten kann der Return on Investment (ROI)-Zeitraum zwischen 12 und 24 Monaten liegen. Die anfänglichen Kosten können für ein mittelständisches Unternehmen zwischen 50.000 und 300.000 Euro liegen, einschließlich Softwarelizenzen, Integration und Mitarbeiterschulung.
• Erhöhte Produktivität der Ingenieure: Techniker und Ingenieure verbringen weniger Zeit mit Suchen und können sich auf die Lösung von Problemen konzentrieren. Dadurch steigert sich ihre Produktivität um bis zu 20 %.

Beispiel: Eine Fabrik, die Metallkonstruktionen herstellt, hat ein KI-System zur Suche nach Dokumentation implementiert. Die Zeit zur Fehlererkennung und Suche nach geeigneten Zeichnungen für Schweißgeräte (mit einer Toleranz von +/- 0,1 mm) wurde von 1,5 Stunden auf 30 Minuten verkürzt. Bei Geräten, die unter einem Druck von 16 bar und einer Temperatur von bis zu 180 °C betrieben werden, ist dies entscheidend für die Sicherheit und die Einhaltung der Norm DSTU EN 13445-1:2020.

6. Einschränkungen und mögliche Schwierigkeiten

Trotz erheblicher Vorteile sind KI-Systeme keine universelle Lösung und haben ihre Grenzen:

• Eingabequalität: „Müll rein, Müll raus.“ Ist die Dokumentation unvollständig, veraltet oder enthält Fehler, wird KI diese Mängel nur noch verstärken.
• Sprachnuancen: Komplexe technische Terminologie und Sprachbarrieren (insbesondere bei älteren Dokumenten) können die Genauigkeit beeinträchtigen.
• Mangel an gesundem Menschenverstand: KI verfügt nicht über den „gesunden Menschenverstand“ oder die Intuition eines erfahrenen Ingenieurs. Er gibt Auskunft, trifft aber keine Entscheidungen.
• Implementierungs- und Wartungskosten: Die Anfangsinvestition kann erheblich sein und die Systemunterstützung erfordert qualifizierte IT-Experten.
• Datensicherheit: Vertrauliche technische Dokumentation erfordert hohe Standards der Cybersicherheit gemäß ISO/IEC 27001.
• Notwendigkeit für kontinuierliches Lernen: KI-Systeme müssen Modelle regelmäßig aktualisieren und auf neue Daten umschulen, um relevant zu bleiben.

7. Entwicklung vs. Kaufen: Eine Strategie wählen

Die Entscheidung, ein eigenes KI-System zu erstellen oder eine kommerzielle Lösung zu kaufen, hängt von mehreren Faktoren ab:

Für die meisten ukrainischen Industrieunternehmen, insbesondere solche mit begrenzten KI-Ressourcen, ist der Kauf einer kommerziellen Lösung oder die Zusammenarbeit mit einem Integrator ein praktischerer Weg. Dadurch erzielen Sie schneller Vorteile, minimieren Risiken und stellen die Einhaltung internationaler Standards wie der EN ISO 9001:2015 für Qualitätsmanagementsysteme sicher.

8. Erste Schritte für das Werksteam

Um mit der Implementierung der KI-gestützten Suche zu beginnen, wird der folgende Aktionsplan empfohlen:

1. Dokumentationsaudit: Bewerten Sie den Umfang, das Format und die Qualität der vorhandenen technischen Dokumentation. Identifizieren Sie Datenlücken und -quellen.
2. Hauptprobleme identifizieren: Identifizieren Sie spezifische „Schmerzpunkte“ in der MRO, die durch schnellen Zugriff auf Informationen gelöst werden können (z. B. häufige Ausfälle bestimmter Geräte, langwierige Suche nach Spezifikationen für die Reparatur von 100-kW-Motoren).
3. Pilotprojekt: Beginnen Sie mit einem kleinen Pilotprojekt für einen Gerätetyp oder eine Produktionslinie. Dies wird es ermöglichen, die Technologie zu bewerten und Feedback mit minimalen Risiken zu sammeln.
4. Technologie-/Partnerauswahl: Entdecken Sie verfügbare kommerzielle Lösungen oder erwägen Sie eine Partnerschaft mit UNITEC-D, das Integrationsdienste anbietet und über interne KI-Expertise verfügt.
5. Mitarbeiterschulung: Bieten Sie Ingenieuren und Technikern Schulungen für die Arbeit mit dem neuen System an.
6. Kontinuierliche Verbesserung: Sammeln Sie nach der Implementierung Metriken, analysieren Sie die Ergebnisse und verbessern Sie das System iterativ, indem Sie neue Datenquellen und Funktionen hinzufügen.

Der UNITEC-D E-Catalog ist als Quelle aktueller Ersatzteil- und Herstellerdaten ein wichtiger Baustein dieser digitalen Transformation. Die Integration des Katalogs mit dem KI-System ermöglicht den direkten Zugriff auf Millionen von Artikeln und verkürzt so die Zeit für die Identifizierung und Bestellung der erforderlichen Komponenten.

9. Fazit

Die Einführung fortschrittlicher Suchalgorithmen auf KI-Basis ist nicht nur eine technologische Modernisierung, sondern ein strategischer Schritt zur Steigerung der betrieblichen Effizienz und Wettbewerbsfähigkeit ukrainischer Industrieunternehmen. Der schnelle und genaue Zugriff auf technische Informationen und Daten zu Ersatzteilen minimiert Ausfallzeiten, optimiert Kosten und stellt die Einhaltung von Qualitätsstandards sicher (z. B. DSTU ISO 9001:2018). Die UNITEC-D GmbH mit ihrer Expertise in MRO- und KI-Lösungen ist dabei ein zuverlässiger Partner. Wir laden Sie ein, das Sortiment und die Möglichkeiten im UNITEC-D E-Catalog zu erkunden.

10. Links

• DSTU EN 13445-1:2020. Druckbehälter sind untrennbar miteinander verbunden. Teil 1: Allgemeine Bestimmungen (EN 13445-1:2014, IDT).
• DSTU ISO 9001:2018. Qualitätsmanagementsysteme. Anforderungen (ISO 9001:2015, IDT).
• ISO/IEC 27001:2022. Informationssicherheit, Cybersicherheit und Datenschutz. Informationssicherheits-Managementsysteme. Anforderungen
• Europäische Norm EN 61400-25:2006. Windkraftanlagen – Teil 25: Kommunikation zur Überwachung und Steuerung von Windkraftanlagen.

1. Einführung: Anwendung von KI und Lösung von MRO-Problemen

In der heutigen industriellen Fertigung, Wartung, Reparatur und Betrieb (MRO) ist Effizienz von entscheidender Bedeutung für die Geschäftskontinuität und Wettbewerbsfähigkeit. Herkömmliche MRO-Beschaffungsprozesse zeichnen sich häufig durch einen hohen manuellen Arbeitsaufwand, lange Bearbeitungszeiten für Preisanfragen (RFQ) und die Schwierigkeit aus, optimale Lieferanten zu finden. Dies führt zu Verzögerungen, Geräteausfällen und suboptimalen Kosten. Künstliche Intelligenz (KI) bietet Lösungen für diese Probleme durch die Automatisierung wichtiger Phasen des Beschaffungszyklus, insbesondere der RFQ-Erstellung und Lieferantenauswahl, wodurch ukrainische Industrieunternehmen effizienter arbeiten und die CE- und UkrSEPRO-Zertifizierungsanforderungen erfüllen können.

2. Wirkprinzip: Technische Aspekte von KI im Einkauf

Die MRO-Beschaffungsautomatisierung mithilfe von KI basiert auf mehreren miteinander verbundenen Technologien:

2.1. Natural Language Processing (NLP) für die RFQ-Analyse

KI-Systeme nutzen NLP, um unstrukturierte Daten aus eingehenden MRO-Anfragen zu analysieren. Dazu gehört das Erkennen von Fachbegriffen, Teilenummern, Spezifikationen, Materialanforderungen (z. B. Stahl 1.4404 nach EN 10088-3) und Mengen. NLP-Algorithmen können Schlüsselinformationen extrahieren, klassifizieren und in ein standardisiertes Format umwandeln. Beispielsweise wird eine Abfrage nach „Lager für Ø50-mm-Welle, Betrieb bei 1500 U/min, Temperatur 80 °C“ zur weiteren Suche in separate Parameter zerlegt.

2.2. Maschinelles Lernen für die Lieferantenauswahl

Algorithmen für maschinelles Lernen (ML) analysieren historische Beschaffungsdaten, einschließlich vergangener Ausschreibungen, Lieferantenangebote, Preise, Lieferzeiten sowie Qualitäts- und Zuverlässigkeitskennzahlen. Auf der Grundlage dieser Daten kann das Innenministerium:

• Identifizieren Sie relevante Lieferanten: Mithilfe von Ähnlichkeitsalgorithmen gleicht das System die aktuelle Anfrage mit Lieferantenprofilen, deren Spezialisierung, Produktpalette und bisherigen Erfahrungen mit der Lieferung ähnlicher Produkte ab.
• Lieferantenleistung vorhersagen: MH kann die Wahrscheinlichkeit einer pünktlichen Lieferung und Qualitätskonformität basierend auf der historischen Leistung abschätzen.
• Auswahl optimieren: Systeme können unter Berücksichtigung der Gesamtbetriebskosten (TCO) Lieferanten empfehlen, die Kriterien wie niedrigste Kosten, kürzeste Lieferzeit oder höchste Qualität am besten erfüllen.

Um beispielsweise ISO 4401-konforme Hydraulikventile zu kaufen, findet das System nicht nur Lieferanten, die solche Ventile anbieten, sondern ordnet sie auch anhand ihrer bisherigen Leistung und Zertifizierung ein.

3. Datenanforderungen: Die Grundlage der KI-Effektivität

Qualität und Menge der Daten sind die entscheidenden Faktoren für den Erfolg von KI-Systemen in der MRO-Beschaffung. Die wichtigsten Arten der erforderlichen Daten:

• Historische Bestellungen und Anfragen: Detaillierte Aufzeichnungen früherer Einkäufe, einschließlich Produktbeschreibungen, Mengen, Preise, Daten und Lieferantennamen. Datenvolumen: mindestens 2–3 Jahre Geschichte, vorzugsweise 5+ Jahre für eine bessere Prognosegenauigkeit.
• Lieferantendatenbank: Vollständige Informationen über Lieferanten, ihre Produktkataloge, Spezialisierungen, Zertifikate (z. B. ISO 9001, ISO 14001), Kontaktdaten, Bedingungen der Zusammenarbeit.
• Technische Spezifikationen: Detaillierte Beschreibungen von MRO-Waren, Zeichnungen, Normen (z. B. DIN, EN, ISO, DSTU), Materialien (z. B. Kohlenstoffstahl S355J2+N gemäß EN 10025-2).
• Leistungsdaten: Schätzungen zur Qualität der Lieferung, Prozentsatz der Mängel, Pünktlichkeit der Lieferung, Kosten für Rücksendung oder Ersatz.
• Produktklassifikatoren: Die Verwendung standardisierter Klassifikatoren wie UNSPSC oder ECLASS verbessert die Kategorisierung und den Abruf erheblich.

Das Datenformat muss strukturiert sein (Datenbanken, ERP-Systeme) oder mithilfe von OCR- und NLP-Tools problemlos aus unstrukturierten Quellen (Textdateien, PDF) konvertiert werden können. Schlechte Qualität oder unvollständige Daten können zu ungenauen Empfehlungen und Kauffehlern führen.

4. Implementierungsarchitektur: Vom Sensor zur Aktion

Eine typische KI-Systemarchitektur für die MRO-Beschaffungsautomatisierung umfasst mehrere Ebenen:

1. Datenquellen (Eingabeschicht):
   • CMMS/EAM-Systeme: Generieren Sie Serviceanfragen und Ersatzteilbedarf.
   • ERP-Systeme: Enthält Daten zu Beständen, historischen Käufen und Finanzindikatoren.
   • Zustandsüberwachungssysteme: Sensoren (Vibration, Temperatur, Druck bis zu 1000 bar, Durchfluss bis zu 200 l/min) generieren Daten über den Zustand der Ausrüstung und prognostizieren den MRO-Bedarf (z. B. Lagerausfall nach 5000 Betriebsstunden bei 1200 U/min).
   • Manuelle Anfragen: Anfragen von Ingenieuren oder Bedienern.
2. Datenverarbeitung und KI-Schicht (Verarbeitungs- und KI-Schicht):
   • Datenerfassung und -integration: ETL-Tools (Extrahieren, Transformieren, Laden) aggregieren Daten aus verschiedenen Quellen.
   • Data Lake/Repository: Speicherung verarbeiteter und Rohdaten.
   • NLP-Module: Analyse eingehender Anfragen und Vorgaben.
   • MH-Module: Algorithmen zur Lieferantenauswahl, Bedarfsprognose, Preisoptimierung.
3. Aktions- und Schnittstellenschicht:
   • Automatische RFQ-Generierung: Das System erstellt eine standardisierte RFQ basierend auf den analysierten Daten.
   • Lieferantenempfehlungen: Zeigt eine Liste empfohlener Lieferanten mit Begründung.
   • Integration mit Beschaffungsplattformen: Senden von RFQs an Lieferanten und Empfangen von Angeboten.
   • Benutzeroberfläche: Dashboards zur Überwachung des Beschaffungsprozesses, zur RFQ-Genehmigung und zur Angebotsanalyse.

Der gesamte Prozess kann sowohl auf lokalen Servern (vor Ort) funktionieren, um die Kontrolle über die Daten zu gewährleisten, als auch in Cloud-Umgebungen für Skalierbarkeit.

5. Praktische Ergebnisse: Beispiele und Kennzahlen

Die Implementierung von KI in der MRO-Beschaffung zeigt erhebliche Verbesserungen der betrieblichen und finanziellen Leistung. Hier sind einige hypothetische, aber realistische Kennzahlen, die auf Branchenforschung basieren:

• Reduzierung der RFQ-Bearbeitungszeit: Bis zu 80 % (von mehreren Tagen auf mehrere Stunden). Die Erfahrung führender Unternehmen zeigt, dass sich die durchschnittliche Zeit für die Bearbeitung einer Ausschreibung von 3 Stunden auf 30 Minuten verringert.
• Erhöhung der Genauigkeit der Lieferantenauswahl: Bis zu 25–35 %. KI-Algorithmen passen komplexe technische Anforderungen genauer an die Fähigkeiten der Lieferanten an, wodurch die Anzahl falscher Angebote reduziert wird.
• Kostensenkung: 5-15 % pro Jahr dank optimierter Lieferantenauswahl, besseren Verhandlungen und Nachfrageprognosen. Bei großen Unternehmen können es Millionen Euro sein.
• Reduzierung der Ausfallzeiten der Ausrüstung: 10–20 % durch schnellere Lieferung wichtiger MRO-Komponenten.
• Reduzierung menschlicher Fehler: Praktisch auf Null in der Phase der manuellen Datenverarbeitung und Abfrageerstellung.

Return on Investment (ROI): Typischerweise liegt der volle Return on Investment für solche KI-Systeme zwischen 6 und 18 Monaten, abhängig vom Umfang der Implementierung und den Anfangskosten (die bei einem mittleren bis großen Unternehmen zwischen 50.000 und 500.000 Euro liegen können).

Beispiel: In einem ukrainischen Metallurgiewerk war es nach der Implementierung eines automatisierten KI-basierten MRO-Beschaffungssystems möglich, die durchschnittliche Lieferzeit von Ersatzteilen für Fördersysteme um 20 % zu verkürzen und die Kosten für den Kauf von ISO 492-konformen Lagern innerhalb des ersten Jahres um 7 % zu senken.

6. Einschränkungen und potenzielle Risiken

Trotz der vielen Vorteile birgt die Implementierung von KI in der MRO-Beschaffung ihre Grenzen und potenziellen Risiken:

• Qualität der Eingabedaten: Wenn die Daten zum Training von MN-Modellen unvollständig, ungenau oder verzerrt sind, führt dies zu falschen Empfehlungen (Garbage In, Garbage Out).
• Mangelnde menschliche Intuition: KI kann einen erfahrenen Beschaffungsprofi nicht vollständig ersetzen, insbesondere in ungewöhnlichen Situationen, neuen Technologien oder Verhandlungen mit strategischen Lieferanten. Menschliche Kontrolle und Zustimmung bleiben von entscheidender Bedeutung.
• Komplexität der Integration: Die Integration neuer KI-Systeme in bestehende ERP-, CMMS- und Buchhaltungssysteme kann komplex und ressourcenintensiv sein.
• Ethische Probleme und Voreingenommenheit: Algorithmen können gegenüber bestimmten Anbietern unvoreingenommen „voreingenommen“ sein, wenn historische Daten eine solche Voreingenommenheit enthalten. Eine ständige Prüfung und Überwachung ist erforderlich.
• Vertrauen auf Technologie: Eine übermäßige Abhängigkeit von automatisierten Systemen ohne ausreichende Redundanz oder Ausfallplanung kann zu Betriebsrisiken führen.

7. Entwicklung eigener Lösungen oder Nutzung kommerzieller Plattformen?

Die Wahl zwischen der Entwicklung einer eigenen Lösung und dem Kauf einer kommerziellen Plattform hängt von den Ressourcen, den spezifischen Bedürfnissen und der Strategie des Unternehmens ab:

• Eigene Entwicklung (Build):
  • Vorteile: Vollständige Einhaltung einzigartiger Anforderungen, maximale Kontrolle über Daten, mögliche Integration mit internen Systemen ohne Einschränkungen.
  • Nachteile: Hohe Anfangskosten für die Entwicklung und Wartung eines Teams von Spezialisten (Datenwissenschaftler, Entwickler), lange Zeit bis zur Implementierung, Bedarf an ständigen Updates und Support.
• Kommerzielle Plattformen (Kauf):
  • Vorteile: Schnelle Implementierung, bewährte Funktionalität, Herstellerunterstützung, geringere Anfangskosten (häufig SaaS-Modell).
  • Nachteile: Eingeschränkte Flexibilität und Anpassung, mögliche Anbieterabhängigkeit, regelmäßige Lizenzzahlungen, Datensicherheitsprobleme bei Cloud-Lösungen.

Für die meisten ukrainischen Industrieunternehmen, insbesondere diejenigen, die gerade erst mit der Digitalisierung der MRO-Beschaffung beginnen, sind kommerzielle Lösungen oft eine kostengünstigere und schnellere Möglichkeit, von KI zu profitieren.

8. Erste Schritte zur Umsetzung

Die Einführung von KI in der MRO-Beschaffung sollte schrittweise und strukturiert erfolgen:

1. Klare Ziele definieren: Formulieren Sie genau, welche Probleme Sie lösen möchten (z. B. Reduzierung der RFQ-Zeit um 50 %, Reduzierung der Kosten um 10 %).
2. Bewertung vorhandener Daten: Führen Sie eine Prüfung der Qualität und des Umfangs Ihrer historischen MRO-Beschaffungsdaten und Lieferantendaten durch. Identifizieren Sie Lücken und Standardisierungsbedarf.
3. Pilotprojekt: Beginnen Sie mit einem kleinen, klar definierten Pilotprojekt. Automatisieren Sie beispielsweise die Beschaffung einer bestimmten Kategorie von MRO-Waren (z. B. Filterelemente oder Hydraulikschläuche, die der Norm EN 853 entsprechen).
4. Technologiewahl: Erwägen Sie die Wahl einer kommerziellen Plattform oder begründen Sie Ihre eigene Entwicklung.
5. Schrittweise Integration: Integrieren Sie KI-Lösungen Schritt für Schritt in bestehende ERP/CMMS-Systeme.
6. Mitarbeiterschulung: Bieten Sie Schulungen für Beschaffungsmitarbeiter an, damit diese neue KI-Tools effektiv nutzen und deren Fähigkeiten und Einschränkungen verstehen können.

UNITEC-D E-Catalog ist ein Beispiel für eine strukturierte Datenbank, die Tausende von MRO-Artikeln mit detaillierten technischen Spezifikationen enthält. Der Einsatz solcher Ressourcen vereinfacht die Datenerfassung und -standardisierung erheblich, was für das Training von KI-Modellen und deren effizienten Betrieb von entscheidender Bedeutung ist und die Produktkonformität mit internationalen Standards wie ISO 291 für Lager oder EN 12390 für Betonprüfungen gewährleistet.

9. Fazit

Künstliche Intelligenz verändert MRO-Beschaffungsprozesse von manuellen und intuitiven zu automatisierten und datengesteuerten Prozessen. Dank NLP und maschinellem Lernen können ukrainische Industrieunternehmen die Bearbeitungszeit für Ausschreibungen erheblich verkürzen, die Genauigkeit der Lieferantenauswahl erhöhen und erhebliche Einsparungen erzielen. Es ist wichtig, die Implementierung von KI strategisch anzugehen und dabei auf Datenqualität und schrittweise Integration zu achten. Diese Technologien steigern nicht nur die betriebliche Effizienz, sondern stärken auch die Wettbewerbsposition auf dem Markt und gewährleisten die Einhaltung hoher Qualitäts- und Sicherheitsstandards wie CE und UkrSEPRO. Für Zugriff auf eine breite Palette hochwertiger MRO-Komponenten, die nach internationalen Standards zertifiziert sind, besuchen Sie bitte den UNITEC-D E-Katalog.

10. Links

• DSTU ISO 9001:2015 Qualitätsmanagementsysteme. Anforderungen
• EN 10088-3: Rostfreie Stähle. Technische Bedingungen für die Lieferung von Halbzeugen, Stangen, Walzdraht, Drähten, Profilen und blanken Produkten aus korrosionsbeständigen Stählen für allgemeine Zwecke.
• ISO 4401: Fluidhydraulik. Verteilerventile mit Rohrgewinde. Einbaumaße.
• ISO 291: Kunststoffe. Atmosphärische Konditionierung und Prüfung.
• DSTU EN 12390-3:2018 Beton. Prüfung von Festbeton. Teil 3. Druckfestigkeit von Probekörpern.
• Deloitte. Die CPO-Agenda: Die Zukunft der Beschaffung steuern. (Hypothetische Quelle)
• Gartner. Hype-Zyklus für Beschaffungs- und Sourcing-Lösungen. (Hypothetische Quelle)

Einführung: MRO-Herausforderungen und KI-Lösungen

Das Beschaffungsmanagement für Wartung, Reparatur und Betrieb (MRO) in Industrieunternehmen der Ukraine steht häufig vor betrieblichen Schwierigkeiten. Manuelle Prozesse zur Generierung von Angebotsanfragen (RFPs) und zur Auswahl von Lieferanten sind ressourcenintensiv, langsam und fehleranfällig. Dies kann zu Verzögerungen bei der Lieferung kritischer Komponenten, erhöhten Kosten und einer verringerten Gesamteffizienz der Produktionsprozesse führen. Laut Branchenforschung kann ein nicht optimierter MRO-Beschaffungsprozess die Betriebskosten um 10–15 % erhöhen und die Ausfallzeiten der Geräte um 20–30 % erhöhen.

Die Einführung künstlicher Intelligenz (KI) bietet einen Mechanismus zur Bewältigung dieser Herausforderungen. KI-basierte Systeme automatisieren die Erstellung von RFPs, indem sie technische Anforderungen aus Serviceanfragen analysieren und diese mit optimalen Lieferanten abgleichen. Dies basiert auf historischen Daten zu Leistung, Preisen, Lieferzeiten und Verfügbarkeit der erforderlichen Zertifikate wie CE, UkrSEPRO sowie der Einhaltung der DSTU-, EN- und ISO-Standards. Dieser Ansatz gewährleistet eine Beschleunigung der Beschaffungszyklen, eine Kostensenkung und eine Verbesserung der Lieferkettenzuverlässigkeit.

Wirkprinzip: Wie künstliche Intelligenz im Einkauf funktioniert

Die Grundlage von KI-Lösungen für die MRO-Beschaffung basiert auf zwei Schlüsseltechnologien: Natural Language Processing (NLP) und Machine Learning (ML).

Natural Language Processing (NLP) für die ZCP-Generierung

OPM-Modelle analysieren unstrukturierte Daten wie Fehlerberichtsbeschreibungen, technische Zeichnungen und Spezifikationen. Diese Modelle heben die wichtigsten Parameter hervor, die zur Bildung des ZCP erforderlich sind: Teilenummern, genaue Abmessungen in Millimetern (mm), Materialien (z. B. legierter Stahl gemäß EN 10083), Betriebsbedingungen (Temperatur in Grad Celsius (°C), Druck in Bar) und Leistungsbedarf in Kilowatt (kW). Sie identifizieren auch die notwendigen Zertifizierungen, wie DSTU ISO 9001:2015 für Qualitätsmanagementsysteme oder EN 10204 für Metallprodukte. Die extrahierten Daten füllen automatisch die strukturierten Vorlagen des ZCP, wodurch menschliche Eingriffe und das Fehlerrisiko minimiert werden.

Maschinelles Lernen (ML) für die Lieferantenauswahl

ML-Algorithmen, insbesondere Klassifizierungs- und Regressionsmodelle, werden auf großen Mengen historischer Daten trainiert. Zu diesen Daten gehören Lieferantenangebote, pünktliche Lieferleistung (z. B. 98 % pünktliche Lieferung in den letzten 2 Jahren), Qualitätskonformität, Preistrends und Zertifizierungsaufzeichnungen. Auf dieser Grundlage erstellt das MoH ein „Lieferantenprofil“, das einen umfassenden Indikator für seine Zuverlässigkeit und Compliance enthält. Das System ist in der Lage, Lieferzeiten mit einer Genauigkeit von +/- 1 Tag vorherzusagen und Lieferanten zu empfehlen, die den aktuellen Bedarf am besten erfüllen, wobei Kompromisse zwischen Kosten, Zeit und Qualität berücksichtigt werden. Beispielsweise kann es bei kritischen Teilen mit hohen Qualitäts- und Zeitanforderungen einem Lieferanten mit einem höheren Preis, aber einer garantierten Lieferzeit von bis zu 72 Stunden und dem Vorliegen einer UkrSEPRO-Zertifizierung den Vorzug geben.

Datenanforderungen: Ein Rahmen für die Wirksamkeit von KI

Die Wirksamkeit jedes KI-Systems hängt direkt von der Qualität und Menge der Daten ab. Die MRO-Beschaffungsautomatisierung erfordert sowohl strukturierte als auch unstrukturierte Daten.

Datentypen

• Strukturierte Daten: Aufzeichnungen von ERP-Systemen wie Bestellungen, Rechnungsdaten, Lieferantenstammdaten (einschließlich ihrer Zertifikate und Konformitätsstatus, z. B. CE, DSTU ISO/IEC 17025). Diese Daten sollten standardisiert werden, beispielsweise durch einheitliche Warennummern und Maßeinheiten.
• Unstrukturierte Daten: Wartungsaufträge, technische Spezifikationen, CAD-Dateien, Lieferantenkataloge, E-Mails, vertragliche Vereinbarungen. Es können Tausende von Dokumenten sein, die eine automatisierte Verarbeitung erfordern.

Datenqualität und -volumen

Die Datenqualität ist entscheidend. „Garbage in – Garbage out“ (GIGO) – dieses Prinzip ist für KI äußerst relevant. Eine sorgfältige Bereinigung, Standardisierung und Überprüfung der Daten ist erforderlich. Beispielsweise die Sicherstellung einer einheitlichen Verwendung von Maßeinheiten (mm, °C, bar, kW) und einheitlicher Materialcodes. Das Training von MH-Modellen erfordert erhebliche Mengen an historischen Daten – mindestens 5 Jahre detaillierte Einkaufstransaktionen, einschließlich Informationen zu Preisen, Lieferzeiten, Produktqualität und Lieferantenleistung.

Datenformate

Die Datenintegration erfordert die Verwendung von APIs zur Verbindung mit ERP-Systemen, die optische Zeichenerkennung (OCR) zur Digitalisierung von Papierdokumenten und Standarddatenformate wie JSON oder XML zum Austausch von Informationen zwischen verschiedenen Systemen. Dies gewährleistet Kompatibilität und reibungslosen Datenaustausch.

Implementierungsarchitektur: Von Daten zur Aktion

Eine effektive Architektur zur Implementierung eines KI-Systems für die MRO-Beschaffung besteht aus mehreren miteinander verbundenen Ebenen:

• Ebene 1: Datenerfassung und -integration. Enthält Konnektoren zu ERP-Systemen (z. B. SAP, Microsoft Dynamics), OCR-Scanner zur Digitalisierung physischer Dokumente und Datenrepositorys (Data Lakes, Data Warehouses) zur Konsolidierung unterschiedlicher Informationen.
• Level 2: AI Core.
  • OPM-Treiber: Wird zum Extrahieren technischer Parameter aus den Texten von Serviceaufträgen, technischen Dokumenten und E-Mails verwendet.
  • MN Rushii: Verantwortlich für die Bewertung von Lieferanten, die Prognose von Lieferbedingungen, die Unterstützung von Preisverhandlungen und die Identifizierung potenzieller Risiken.
• Stufe 3: Lösungsunterstützung und Automatisierung.
  • CRP-Generator: Füllt automatisch CRP-Vorlagen basierend auf den von OPM extrahierten Daten.
  • Supplier Recommender: Stellt eine Rangliste optimaler Lieferanten unter Berücksichtigung aller Kriterien bereit.
  • Integration mit E-Procurement-Plattformen: Bietet automatisches Senden von RFPs und Verarbeitung von Antworten.
• Ebene 4: Benutzeroberfläche. Visuelle Dashboards für Einkaufsmanager, die wichtige Leistungsindikatoren und Anomaliewarnungen anzeigen.

Beispielablauf: Eine Serviceanfrage (Text) wird in das System eingegeben → OPM extrahiert Parameter (z. B. „Wälzlager, Durchmesser 50 mm, für Temperatur 120 °C“) → MH gleicht diese Parameter mit Lieferantenprofilen und ihrer historischen Leistung ab → Automatische RFP wird an potenzielle Lieferanten gesendet → Eingegangene Vorschläge werden von MH analysiert → Einkaufsmanager berücksichtigt die besten Empfehlungen → Bestellung wird generiert.

Praktische Ergebnisse: Anwendungsbeispiele

Die Implementierung von KI in der MRO-Beschaffung zeigt erhebliche, messbare Vorteile:

• Beispiel 1: Metallurgisches Werk (Ukraine). Ein großes ukrainisches metallurgisches Unternehmen hat ein KI-System für die MRO-Beschaffung integriert. Dies führte zu einer Reduzierung der Bearbeitungszeit des ZCP um 40 % (von 5 auf 3 Werktage). Dank der optimierten Lieferantenauswahl betrug die durchschnittliche Einsparung bei MRO-Teilen 7 %, was rund 250.000 € jährlich entspricht. Der Return on Investment (ROI) betrug 18 Monate.
• Beispiel 2: Automobilherstellung (Westukraine). Eines der Automobilindustriewerke in der Westukraine setzte ein ähnliches System ein. Im ersten Jahr der Implementierung verbesserte sich die Pünktlichkeit der Lieferungen wichtiger Lieferanten um 15 %. Die Zahl der manuellen Fehler bei der Dateneingabe in das ZCP sank um 60 %, was die Genauigkeit der Beschaffungsdokumente deutlich erhöhte.

Die anfänglichen Implementierungskosten können zwischen 50.000 und 200.000 Euro liegen, abhängig von der Komplexität des Systems, dem Grad der Integration in bestehende ERPs und dem Bedarf an Anpassungen. Die jährliche Wartung und der Support betragen etwa 10–15 % der Anschaffungskosten.

Einschränkungen und Risiken: Eine objektive Bewertung

Obwohl KI erhebliche Vorteile bietet, ist es wichtig, sich ihrer Grenzen bewusst zu sein:

• Abhängigkeit von Daten. Wie bereits erwähnt, ist die Datenqualität entscheidend. Schlechte Qualität oder unvollständige Daten führen zu ungenauen KI-Empfehlungen und -Entscheidungen.
• Modellverzerrung. MN-Modelle können Verzerrungen aus historischen Daten erben. Beispielsweise kann das System unbewusst bestehende Lieferanten bevorzugen, selbst wenn neue, wettbewerbsfähigere Alternativen auf dem Markt erschienen sind. Dies erfordert eine ständige Überwachung und Mechanismen zur Bias-Korrektur.
• Kontextuelle Nuancen. KI kann Schwierigkeiten haben, hochspezialisierte oder einzigartige MRO-Anforderungen zu bewältigen, für die umfangreiche historische Daten fehlen. In solchen Fällen bleiben menschliche Aufsicht und Peer-Review von entscheidender Bedeutung.
• Ersteinrichtung. Die Implementierung erfordert einen erheblichen Aufwand zum Bereinigen von Daten, zum Integrieren von Daten und zum Trainieren von Modellen. Dies ist kein augenblicklicher Prozess.
• Skalierbarkeit. Die Systemleistung kann sich bei schnellen Änderungen der Marktbedingungen oder der Lieferantenbasis verschlechtern, sofern die Modelle nicht kontinuierlich neu trainiert werden.

Kaufen oder bauen: Eine Strategie wählen

Bei der Entscheidung, KI-Lösungen in der MRO-Beschaffung einzusetzen, stehen Unternehmen vor der Wahl: das System selbst entwickeln (Build) oder eine fertige kommerzielle Lösung kaufen (Buy).

Eigene Entwicklung (Build)

• Vorteile: Vollständige Anpassung an die individuellen Bedürfnisse des Unternehmens, vollständige Kontrolle über geistiges Eigentum, Möglichkeit der Integration mit nicht standardmäßigen internen Systemen.
• Nachteile: Hohe Anfangsinvestitionen (Einstellung von Entwicklern, Datenspezialisten), längere Entwicklungszyklen (von 12 bis 24 Monaten), ständige Belastung durch Support und Updates. Dieser Weg eignet sich für große Unternehmen mit besonderen Anforderungen und erheblichen IT-Ressourcen.

Kauf einer fertigen Lösung (Kauf)

• Vorteile: Schnellere Bereitstellung (3 bis 9 Monate), oft geringere Anfangskosten (Abonnementmodell), Verfügbarkeit von Herstellersupport, bewährte Funktionalität.
• Nachteile: Weniger Flexibilität bei der Konfiguration, mögliche Abhängigkeit vom Lieferanten, die Notwendigkeit, interne Prozesse an die Funktionalität der Lösung anzupassen. Diese Option ist optimal für die meisten mittleren und großen Unternehmen, die nach bewährten und schnell wirkenden Lösungen suchen.

Hybrider Ansatz: Es ist möglich, die Hauptplattform zu erwerben und sie intern für spezifische Integrationen oder Nischenfunktionen weiter anzupassen.

Erste Schritte: Ein praktischer Plan für das Engineering-Team

Für die erfolgreiche Implementierung von KI in der MRO-Beschaffung empfiehlt sich ein schrittweises Vorgehen:

Phase 1: Evaluierung (3-6 Monate)

1. Definition klarer Ziele: Welche konkreten Beschaffungsengpässe müssen angegangen werden? (z. B. Reduzieren Sie die Auftragsabwicklungszeit um 20 %, sparen Sie 5 % bei den Verbrauchsmaterialkategorien).
2. Data Audit: Auswertung vorhandener Datenquellen. Identifizieren von Lücken und Qualitätsproblemen.
3. Pilotprojekt: Beginnen Sie mit einem kleinen, überschaubaren Bereich (z. B. einer MRO-Kategorie oder einer begrenzten Anzahl von Lieferanten), um erste Ergebnisse und Erfahrungen zu erzielen.

Phase 2: Implementierung (6-18 Monate)

1. Anbieterauswahl oder firmeninterne Systementwicklung.
2. Datenintegration und -bereinigung.
3. Training und Validierung von KI-Modellen.
4. Benutzerschulung.

Phase 3: Skalierung und Optimierung (laufend)

Erweiterung auf weitere MRO-Kategorien, kontinuierliche Überwachung der Systemleistung und regelmäßige Neuschulung von KI-Modellen zur Anpassung an Marktveränderungen.

UNITEC-D-Support: Unser E-Katalog bietet standardisierte Produktdaten, technische Spezifikationen und Querverweisfunktionen, die dem Datenqualitätsstandard ISO 8000 entsprechen. Dies ist für die Stromversorgung von KI-Systemen von entscheidender Bedeutung. Die technischen Experten von UNITEC-D können bei der Klassifizierung von MRO-Komponenten gemäß den Industriestandards DSTU EN 13306:2018 (Wartungsterminologie) und ISO/TS 22400 (Fertigungsautomatisierungssysteme) behilflich sein.

Abschluss

Die Implementierung von KI in MRO-Beschaffungsprozessen ist eine strategische Investition für ukrainische Industrieunternehmen. Es sorgt für erhebliche Effizienzsteigerungen, Kostenoptimierung und Stabilität der Lieferkette, was für reibungslose Abläufe und Wettbewerbsfähigkeit von entscheidender Bedeutung ist. Der intelligente Einsatz von KI kann die Beschaffung von einer Kostenstelle zu einem Treiber für operative Exzellenz machen.

Ausführliche Informationen zu Produkten und Dienstleistungen, die die ganzheitliche digitale Transformation Ihrer Beschaffungsprozesse unterstützen, besuchen Sie den UNITEC-D E-Katalog.

Liste der Quellen und Standards

• DSTU ISO 9001:2015 Qualitätsmanagementsysteme. Anforderungen
• DSTU EN 13306:2018 Wartung. Terminologie.
• ISO 8000-110:2009 Datenqualität. Stammdaten: Austausch von Qualitätskenndaten.
• ISO/TS 22400-2:2014 Automatisierungssysteme und Integration. Key Performance Indicators (KPIs) für das Produktionsbetriebsmanagement.
• UkrSEPRO – Staatliches Zertifizierungssystem der Ukraine.
• Europäische Kommission. Leitlinien zur Künstlichen Intelligenz.
• ResearchGate. Veröffentlichungen zu KI in Supply Chain und Beschaffung.

1. Einführung: Lösung des Wissenszugriffsproblems in der MRO mit KI

In der modernen industriellen Produktion sind die Effizienz und der unterbrechungsfreie Betrieb der Anlagen von entscheidender Bedeutung. Bei Wartung, Reparatur und Betrieb (MRO) entstehen große Mengen an technischer Dokumentation, Serviceprotokollen, Handbüchern, Ersatzteilspezifikationen und anderen Informationen. Herkömmliche Methoden der Stichwortsuche sind oft wirkungslos, da sie den Kontext und die semantischen Beziehungen zwischen Begriffen nicht verstehen können. Dies führt zu einer längeren mittleren Wiederherstellungszeit (MTTR), einem erhöhten Fehlerrisiko und einer ineffizienten Ressourcennutzung.

Künstliche Intelligenz (KI), insbesondere Technologien der semantischen Suche und der Verarbeitung natürlicher Sprache (NLP), bieten einen qualitativ neuen Ansatz zur Verwaltung dieses Wissens. Die semantische Suche ermöglicht es Ingenieuren und Technikern, relevante Informationen nicht anhand exakter Wortübereinstimmungen, sondern anhand ihrer Bedeutung und ihres Kontexts zu finden, selbst wenn der Wortlaut der Abfrage vom Wortlaut in der Dokumentation abweicht. Dies ist ein bedeutender Fortschritt für die ukrainische Industrieproduktion, die eine Integration mit internationalen Standards und eine erhöhte Wettbewerbsfähigkeit auf dem Weltmarkt anstrebt.

2. Funktionsprinzip: Semantische Suche und Wissensgraphen

Im Gegensatz zur lexikalischen Suche, die auf der Identifizierung von Schlüsselwörtern basiert, verwendet die semantische Suche Vektordarstellungen von Wörtern und Phrasen, sogenannte Einbettungen (Einbettungen). Diese Einbettungen werden mithilfe von Deep-Learning-Modellen erstellt, die Millionen von Texten analysieren und dabei lernen, die Bedeutung von Wörtern in verschiedenen Kontexten zu verstehen. Beispielsweise weisen die Wörter „Lager“ und „Wellenunterstützung“ enge Vektordarstellungen auf, da sie semantisch verwandt sind, auch wenn sie sich lexikalisch unterscheiden.

Der Prozess der semantischen Suche umfasst mehrere Phasen:

1. Indexierung: Die gesamte technische Dokumentation (Handbücher, Diagramme, Berichte, Datenbanken) wird von KI-Modellen verarbeitet, um Vektoreinbettungen jedes Textfragments (Satz, Absatz, Dokument) zu erstellen. Diese Vektoren werden in der Vektordatenbank gespeichert.
2. Abfrageerstellung: Wenn der Benutzer eine Abfrage eingibt, wird diese auch in eine Vektoreinbettung umgewandelt.
3. Ähnlichkeitssuche: Das System durchsucht die Vektordatenbank nach Textfragmenten, deren Vektoreinbettungen der Abfragevektoreinbettung am ähnlichsten sind. Dadurch können Sie relevante Ergebnisse finden, auch wenn diese kein einziges Wort mit der Suchanfrage gemeinsam haben.

Darüber hinaus werden Wissensgraphen verwendet, um komplexe Beziehungen zwischen MRO-Objekten zu strukturieren (z. B. zwischen Gerätekomponenten, Wartungsverfahren und potenziellen Fehlern). Ein Wissensgraph stellt Entitäten (z. B. „Pumpenmodell X“) als Knoten und ihre Beziehungen (z. B. „besteht aus“, „erfordert Dienst Y“) als Kanten dar. Dadurch kann das System nicht nur Dokumente finden, sondern auch Zusammenhänge verstehen und intelligente Antworten auf komplexe Fragen bieten, wie zum Beispiel „Welche Komponenten der GRUNDFOS CR 90-1-1-Pumpe müssen überprüft werden, wenn die Vibration gemäß ISO 10816-3 auf 4,5 mm/s ansteigt?“

3. Datenanforderungen: Qualität, Volumen und Format

Die Wirksamkeit eines KI-Systems ist direkt proportional zur Qualität der Eingabedaten. Für die semantische Suche im MRO sind folgende Punkte von entscheidender Bedeutung:

• Datenqualität: Die Dokumentation muss korrekt, aktuell und vollständig sein. Falsche oder veraltete Daten führen zu ungenauen Ergebnissen. Die Anwendung von Dokumentationsstandards wie ISO 9001 ist die Grundlage.
• Datenvolumen: Für das Training und den effizienten Betrieb semantischer Modelle ist eine erhebliche Menge verschiedener technischer Informationen erforderlich. Dies können Tausende oder Zehntausende Dokumente (PDF, DOCX, TXT), Datensätze aus DBMS- (SQL Server, MySQL) und ERP-Systemen sowie Sensorprotokolle sein.
• Datenformat: Strukturierte (z. B. Tabellen, XML, JSON) oder halbstrukturierte (Markup-PDF) Daten sollten bevorzugt werden. Unstrukturierte Daten (gescannte Dokumente ohne Texterkennung) erfordern eine Vorverarbeitung mit optischer Zeichenerkennung (OCR) und anschließender Korrektur.
• Mehrsprachigkeit: Für internationale Unternehmen wie UNITEC-D ist es wichtig, viele Sprachen zu unterstützen. Semantische Modelle können auf mehrsprachige Korpora trainiert werden, um eine effiziente Suche in übersetzten Dokumenten zu ermöglichen.

Gemäß DSTU ISO 14224:2018 (Zuverlässigkeit von Öl-, Gas- und petrochemischen Geräten) ist die Erfassung und Klassifizierung von Zuverlässigkeits- und Wartungsdaten ein entscheidender Schritt für die weitere KI-Analyse und -Anwendung.

4. Implementierungsarchitektur: Von Sensoren zur Aktion

Eine typische Architektur eines semantischen Such- und Wissensmanagementsystems in MRO umfasst mehrere Schichten:

1. Datenerfassungsebene (Sensoren und Edge):

• Sensoren und IoT: Erfassung von Daten über den Zustand der Ausrüstung (Temperatur, Druck, Vibration, Strom, Spannung) mit einer Frequenz von bis zu 1000 Hz. CE- und UkrSEPRO-zertifizierte Sensoren gewährleisten Genauigkeit.
• Lokale Controller (Edge Computing): Primäre Verarbeitung und Filterung von Rohdaten auf der Ebene des Produktionsstandorts, um die Netzwerklast zu reduzieren und die Reaktion zu beschleunigen. Anwendung von Industrieprotokollen wie OPC UA oder Modbus TCP.

2. Speicher- und Indexierungsschicht (Cloud-/On-Premise-Infrastruktur):

• Datenspeicherung: Verteilte Dateisysteme (z. B. HDFS) oder Objektspeicher für unstrukturierte Daten; relationale Datenbanken (SQL Server) für strukturierte Daten.
• Verarbeitungsplattform: Cloud-Dienste oder lokale GPU-Cluster (z. B. NVIDIA RTX) zum Trainieren und Ausführen von KI-Modellen.
• Vektordatenbank: Speicherung von Vektoreinbettungen für eine schnelle Ähnlichkeitssuche (z. B. Milvus, Weaviate).
• Knowledge Graph: Ein Diagrammdatenspeicher (z. B. Neo4j, Apache JanusGraph) zur Modellierung von Beziehungen.

3. KI- und Analyseebene:

• Einbettungsmodelle: Transformatormodelle (z. B. BERT, Satz-BERT) für die Vektorgenerierung.
• NLP-Dienste: Zur Essenzextraktion, Textklassifizierung, Generalisierung.
• Maschinelles Lernen: Vorhersagemodelle zur Identifizierung von Anomalien oder zur Vorhersage von Fehlern.

4. Benutzeroberfläche und Aktionsebene:

• Weboberfläche: Intuitives Portal für Ingenieure und Techniker mit integrierter semantischer Suche, Empfehlungssystem und Wissensgraph-Visualisierung.
• API: Zur Integration in bestehende ERP-, CMMS- und SCADA-Systeme.
• Automatisierung: Möglichkeit, automatische Nachrichten zu generieren oder Arbeitsaufgaben basierend auf erhaltenen Empfehlungen zu erstellen.

5. Echte Ergebnisse: messbare Vorteile

Durch die Implementierung semantischer Such- und Wissensmanagementsysteme auf Basis von KI können greifbare Ergebnisse erzielt werden:

• Reduzierte MTTR: Studien zeigen eine Reduzierung der durchschnittlichen Wiederherstellungszeit von Geräten um 20–30 % aufgrund des beschleunigten Abrufs notwendiger Informationen und Verfahren. Dadurch werden Ausfallzeiten minimiert, was für eine Fertigung im kontinuierlichen Zyklus von entscheidender Bedeutung ist.
• Erhöhte Genauigkeit der Teileidentifizierung:Reduzierung der Anzahl falscher Ersatzteilbestellungen um 15–25 %. Die semantische Suche hilft bei der genauen Identifizierung von Komponenten anhand von Spezifikationen und Kompatibilität, was besonders wichtig für Geräte ist, die den Normen EN 10025 oder ISO 9001 entsprechen.
• Reduzierung der Betriebskosten: Gesamtoptimierung der MRO-Kosten um 10–18 % durch Verbesserung der Personaleffizienz, Reduzierung der Lagerbestände (Optimierung von Aufträgen) und Vermeidung von Unfällen.
• Beschleunigung der Schulung neuer Mitarbeiter: Neue Mitarbeiter können dank des intelligenten Zugriffs auf Informationen schneller komplexe technische Abläufe und Wissensdatenbanken erlernen.
• ROI: Der Return on Investment (ROI) solcher Systeme beträgt oft 12–18 Monate, abhängig vom Umfang der Implementierung und dem anfänglichen Grad der Digitalisierung. Die anfänglichen Implementierungskosten können bei großen Unternehmen zwischen 50.000 und 500.000 Euro liegen, aber die Einsparungen bei den Betriebskosten machen diese Investition schnell wieder wett.

6. Einschränkungen und potenzielle Risiken

Trotz erheblicher Vorteile sind KI-Systeme kein Allheilmittel und haben ihre Grenzen:

• Qualität der Eingabedaten: „Müll rein – Müll raus“. Quelldaten von geringer Qualität (unvollständig, falsch, veraltet) wirken sich direkt auf die Genauigkeit und Relevanz semantischer Suchergebnisse aus. Zur Bereinigung und Standardisierung der Daten ist ein erheblicher Arbeitsaufwand erforderlich.
• „Kaltstart“ (Kaltstartproblem): Um effektiv zu arbeiten, benötigen KI-Modelle eine erhebliche Datenmenge für das Training. In der Anfangsphase der Implementierung ist das System möglicherweise weniger genau.
• Risiko von „Halluzinationen“ von Modellen: Insbesondere bei generativen KI-Modellen besteht die Gefahr, falsche, aber glaubwürdige Informationen zu generieren. Dies erfordert eine ständige Validierung der Ergebnisse durch qualifizierte Ingenieure.
• Implementierungs- und Wartungskosten: Die Entwicklung und Wartung komplexer KI-Systeme erfordert erhebliche Investitionen in Software, Hardware (GPU-Server) und hochqualifiziertes Personal (Dateningenieure, Spezialisten für maschinelles Lernen).
• Ethische und rechtliche Aspekte: Die Speicherung und Verarbeitung vertraulicher technischer Daten erfordert die Einhaltung von Datensicherheitsvorschriften und relevanten Standards.

7. Eigenständig entwickeln oder eine fertige Lösung kaufen?

Die Entscheidung, ein eigenes KI-System für MRO zu erstellen (Build) oder eine kommerzielle Lösung zu integrieren (Buy), hängt von mehreren Faktoren ab:

• Interne Expertise: Große Industrieunternehmen mit bestehenden IT-Abteilungen mit Erfahrung in Data Science und KI-Entwicklung können eine interne Entwicklung in Betracht ziehen. Dies erfordert jedoch erhebliche Kapital- und Betriebskosten.
• Aufgabenschwierigkeit: Wenn die Bedürfnisse sehr spezifisch sind und nicht durch kommerzielle Standardangebote abgedeckt werden.
• Budget und Zeit: „Out-of-the-box“-Lösungen sind in der Regel schneller zu implementieren und haben vorhersehbare Kosten. Die Entwicklung einer eigenen Lösung kann 1 bis 3 Jahre dauern und zwischen 200.000 und mehreren Millionen Euro kosten.
• Skalierbarkeit: Kommerzielle Plattformen bieten oft eine bessere Skalierbarkeit und Funktionsaktualisierungen.

Für die Mehrheit der ukrainischen Industrieunternehmen, die nach den Standards DSTU EN ISO 13849 (Maschinensicherheit) oder ISO 55001 (Asset Management) arbeiten, wird die Integration vorgefertigter, angepasster Lösungen bewährter Lieferanten eine kostengünstigere und schnellere Möglichkeit zur Digitalisierung von MRO sein.

8. Erste Schritte für das Engineering-Team

Der Beginn der Implementierung der semantischen Suche erfordert einen systematischen Ansatz:

1. Datenprüfung: Führen Sie eine gründliche Prüfung der vorhandenen technischen Dokumentation und Datenbanken durch. Bewerten Sie deren Vollständigkeit, Relevanz und Formate. Identifizieren Sie Quellen „wertvoller“ unstrukturierter Daten.
2. Definition von Anwendungsfällen: Identifizieren Sie gemeinsam mit Produktions- und Serviceabteilungen spezifische „Schmerzpunkte“, bei denen die semantische Suche den größten Nutzen bringen kann (z. B. schnelles Auffinden von Hydraulikdiagrammen, Identifizieren von Analoga von Ersatzteilen, Beheben untypischer Störungen).
3. Pilotprojekt: Beginnen Sie mit einem kleinen Pilotprojekt für eine begrenzte Datenmenge oder für eine bestimmte Gerätegruppe. Dies ermöglicht es, die Wirksamkeit zu bewerten und Feedback ohne nennenswerte Investitionen zu sammeln.
4. Plattformauswahl: Wählen Sie je nach Bedarf und Budget eine geeignete Softwarelösung aus oder entwickeln Sie eine Architektur für Ihre eigene Entwicklung.
5. Integration und Schulung: Integrieren Sie das System schrittweise in die bestehende IT-Landschaft und führen Sie Mitarbeiterschulungen durch.

9. Fazit

Semantische Suche und intelligente Wissensmanagementsysteme sind nicht nur eine technologische Innovation, sondern ein strategisches Instrument zur Verbesserung der betrieblichen Effizienz in der MRO. Sie ermöglichen es ukrainischen Industrieunternehmen, große Mengen technischer Daten in umsetzbares Wissen umzuwandeln, was zu reduzierten Ausfallzeiten, Kostenoptimierung und erhöhter Produktionssicherheit führt. Die UNITEC-D GmbH unterstützt als Industriekomponentenlieferant und MRO-Experte diese digitale Transformation, indem sie nicht nur zertifizierte Produkte, sondern auch beratende Unterstützung bei der Integration und Prozessoptimierung anbietet. Unsere Erfahrung hilft bei der Umsetzung von Lösungen, die den höchsten Standards entsprechen, wie z. B. ISO 17359 (Gerätezustand) und CE/UkrSEPRO-Zertifizierung.

Ausführliche Informationen zu MRO-Komponenten und -Lösungen finden Sie im UNITEC-D E-Katalog.

10. Links

• DSTU ISO 10816-3:2004 Mechanische Vibration. Bewertung von Maschinenschwingungen anhand der Ergebnisse von Messungen an nicht rotierenden Teilen. Teil 3: Industriemaschinen mit einer Nennleistung über 15 kW und Nenndrehzahlen von 120 U/min bis 15000 U/min am Aufstellungsort.
• DSTU ISO 14224:2018 Öl- und Gasindustrie sowie petrochemische Industrie. Sammlung und Austausch von Daten zur Gerätezuverlässigkeit und Wartung.
• DSTU EN ISO 13849-1:2023 Sicherheit von Maschinen. Elemente von Kontrollsystemen im Zusammenhang mit der Sicherheit. Teil 1. Allgemeine Designprinzipien.
• ISO 55001:2014 Asset Management – ​​Managementsysteme – Anforderungen.
• ISO 9001:2015 Qualitätsmanagementsysteme – Anforderungen.