Künstliche Intelligenz im Querverweis: Automatische Suche nach gleichwertigen Ersatzteilen

Einführung: MRO-Herausforderungen und KI-Lösungen

Die moderne Industrieproduktion in der Ukraine steht vor erheblichen Schwierigkeiten, die Kontinuität der Produktionsprozesse sicherzustellen, insbesondere im Bereich Wartung und Reparatur (MRO). Eine der entscheidenden Herausforderungen ist die effiziente Suche nach gleichwertigen Ersatzteilen. Dies liegt an der riesigen Nomenklatur, der Herstellervielfalt, ständigen Sortimentsänderungen und veralteten Katalogen.

Herkömmliche Suchmethoden erfordern oft einen erheblichen Zeitaufwand und umfassende Kenntnisse des technischen Personals, was zu Folgendem führt:

• Langfristiger Anlagenausfall, der die Gesamteffektivität der Anlage (OEE) verringert.
• Kauf überschüssiger Lagerbestände zur Absicherung, wodurch das Betriebskapital einfriert.
• Hohe Betriebskosten im Zusammenhang mit Logistik und Lagerwartung.

Die Lösung dieser Probleme ist der Einsatz künstlicher Intelligenz (KI) zur automatisierten Querreferenzierung von Ersatzteilen. Diese Technologie ermöglicht es, funktionale und technische Äquivalente von Originalkomponenten zu identifizieren und so MRO-Prozesse deutlich zu optimieren.

Dank KI-Lösungen können Unternehmen Folgendes erreichen:

• Reduzierte Ausfallzeiten durch beschleunigte Komponentenbeschaffung und -lieferung.
• Optimierung der Lagerbestände, Minimierung von Redundanz und damit verbundenen Kosten.
• Reduzierung der Gesamtkosten für den Einkauf und die Wartung von Ersatzteilen.

Prinzipien der KI-Arbeit für Querverweise

Die Hauptidee besteht darin, Algorithmen des maschinellen Lernens (ML) für eine tiefgreifende Analyse technischer Eigenschaften, geometrischer Abmessungen, chemischer Zusammensetzung von Materialien, Betriebsparametern und anderer Metadaten von Ersatzteilen zu verwenden. KI-Modelle sind in der Lage, verborgene Muster und Zusammenhänge zu erkennen, die von Menschen oder herkömmlichen Systemen nicht einfach identifiziert werden können.

Der Prozess der Querverweise mithilfe von KI umfasst mehrere wichtige Schritte:

1. Datenerfassung und -integration:

   Aus Datenbanken von ERP-Systemen, PDM-Systemen, Wartungsmanagementsystemen (MMS), elektronischen Katalogen (z. B. UNITEC-D E-Catalog), Betriebsanleitungen und technischen Zeichnungen werden vielfältige Informationen gesammelt. Es ist wichtig, diese Daten in ein einziges, zentrales System zu integrieren.

2. Vorverarbeitung und Normalisierung von Daten:

   Rohdaten enthalten oft Unstimmigkeiten, Auslassungen oder uneinheitliche Formate. In dieser Phase werden Methoden der Verarbeitung natürlicher Sprache (NLP) zur Standardisierung von Textbeschreibungen sowie Computer-Vision-Algorithmen zur Analyse von Bildern und Zeichnungen verwendet. Beispielsweise kann die Beschreibung „Kugellager radial 6205“ auf ein Format normalisiert werden, das separate Felder für Typ (Kugel), Zweck (radial) und Markierung (6205) enthält.

3. Erlernen eines Modells für maschinelles Lernen:

   Lernalgorithmen, die häufig auf neuronalen Netzen oder Ensemble-Methoden basieren, analysieren normalisierte Daten, um komplexe Modelle zu erstellen. Diese Modelle lernen, den Grad der Ähnlichkeit zwischen verschiedenen Komponenten zu ermitteln. Beispielsweise kann das KI-Modell Lager anhand von Parametern wie Innendurchmesser (d), Außendurchmesser (D), Breite (B) gemäß DSTU GOST 520:2014, EN ISO 281, Belastbarkeit (C, C₀), maximale Rotationsfrequenz, Toleranzen (Genauigkeitsklasse) vergleichen. Das Modell berücksichtigt auch Separatormaterialien, Schmierstofftyp und Betriebstemperatur.

4. Empfehlungsbildung:

   Nach dem Training kann das Modell eine Anfrage für ein bestimmtes Ersatzteil erhalten und eine Liste möglicher Äquivalente erstellen. Jede Empfehlung wird von einem Indikator für Relevanz oder Gleichwertigkeitswahrscheinlichkeit begleitet. Beispielsweise kann das Modell für ein Lager mit einem Innendurchmesser von 25 mm, einem Außendurchmesser von 52 mm und einer Breite von 15 mm mehrere Optionen verschiedener Hersteller vorschlagen und die Abweichung in Mikrometern (μm) von der idealen Passung angeben.

Datenanforderungen: Volumen, Qualität und Format

Die Qualität und Menge der Eingabedaten sind entscheidend für die Wirksamkeit jedes KI-Systems. Besonders relevant ist hier die Regel „Müll rein, Müll raus“.

Arten der erforderlichen Daten:

• Technische Spezifikationen: Detaillierte Parameter wie Abmessungen (mm), Toleranzen (μm), Arbeitsdruck (bar), Temperaturbereich (Celsius), Nennleistung (kW), Drehzahl (U/min), chemische Zusammensetzung der Materialien, Zugfestigkeit (MPa). Bei hydraulischen Komponenten kann dies der Durchsatz (l/min) oder die Viskosität des Arbeitsmediums sein.
• Daten zu Lieferanten und Herstellern: Artikel, Seriennummern, Katalogbezeichnungen, Angaben zum Herkunftsland.
• Grafikdaten: Technische Zeichnungen (2D-, 3D-Modelle), Fotos von Bauteilen. Computer-Vision-Algorithmen können daraus wichtige Informationen extrahieren, beispielsweise die Position der Löcher, die Form des Befestigungselements und die Gesamtabmessungen.
• Betriebsdaten: Historische Aufzeichnungen von Geräteausfällen, Komponentenlebensdauer (MTBF), Betriebsbedingungen, Beschaffungsdaten. Diese Daten helfen der KI, die tatsächliche Zuverlässigkeit und Kompatibilität zu verstehen.

Datenqualität:

Hochwertige Daten sind die Grundlage für genaue Empfehlungen. Ungenaue, inkonsistente oder unvollständige Daten führen zu erheblichen Fehlern. Dies erfordert die Implementierung von Datenbereinigungs-, Verifizierungs- und Standardisierungsprozessen. Beispielsweise ein einziges Format für Druckmessungen (immer in Bar, nicht in psi oder Pa). Alle Einheiten müssen metrisch sein.

Datenvolumen:

Je mehr Qualitätsdaten zum Trainieren des Modells zur Verfügung stehen, desto genauer und zuverlässiger sind seine Vorhersagen. Um eine hohe Genauigkeit zu erreichen, sind oft Tausende oder Millionen von Ersatzteildatensätzen erforderlich.

Datenformat:

Strukturierte Daten in relationalen Datenbanken oder JSON/XML-Formaten werden bevorzugt. Allerdings müssen KI-Systeme auch mit unstrukturierten Daten wie Textbeschreibungen, PDF-Dateien, Bildern und CAD-Dateien effektiv arbeiten und spezielle Module verwenden, um diese zu extrahieren und zu verarbeiten.

Architektur der Cross-Reference-System-Implementierung

Die effektive Implementierung einer KI-Lösung zur Querreferenzierung von Ersatzteilen erfordert eine durchdachte Architektur, die Datenerfassung, Datenverarbeitung, Analyse und Integration mit bestehenden Unternehmenssystemen umfasst. Eine typische Architektur umfasst die folgenden Komponenten:

1. Datenquellen:

   Grundlage sind die bestehenden Systeme des Unternehmens: ERP (Enterprise Resource Planning), PDM (Product Data Management), MES (Manufacturing Execution System), Lagerverwaltungssysteme (WMS) sowie elektronische Kataloge, wie z. B. UNITEC-D E-Catalog. Diese Systeme enthalten detaillierte Daten über die Komponenten, ihre Eigenschaften und ihren Nutzungsverlauf.

2. Datenaufnahmeebene:

   Verantwortlich für das Sammeln von Daten aus verschiedenen Quellen. Enthält Datenadapter und APIs für die Kommunikation zwischen Systemen. ETL-Prozesse (Extract, Transform, Load) werden zum Extrahieren, Transformieren und Laden von Daten in einen einzelnen Speicher (Data Lake oder Data Warehouse) verwendet.

3. Datenverarbeitungsplattform (Datenverarbeitungsplattform):

   Es kann sowohl auf Cloud-Diensten (zum Beispiel AWS, Azure, Google Cloud Platform) als auch auf lokalen Servern (on-premise) implementiert werden. Diese Plattform stellt die notwendigen Rechenressourcen bereit für:

   • Bereinigung und Normalisierung: Automatisierte Tools zum Entfernen von Duplikaten, zum Korrigieren von Fehlern, zum Standardisieren von Maßeinheiten und zum Formatieren von Textbeschreibungen.
   • Datenanreicherung: Hinzufügen zusätzlicher Informationen, zum Beispiel Qualitätsstandards (ISO, DSTU), Zertifizierungen (CE, UkrSEPRO).
   • Konstruktion von Vektordarstellungen: Transformation komplexer technischer Merkmale und unstrukturierter Daten (Texte, Bilder) in numerische Vektoren, die von ML-Algorithmen verarbeitet werden können.

4. Modellierungs- und Analyseebene (ML-Modellebene):

   Hier werden trainierte Machine-Learning-Modelle gehostet und ausgeführt. KI-Modelle werden kontinuierlich auf neue Daten trainiert und verbessern so ihre Genauigkeit. Die Hauptaufgaben dieser Schicht:

   • Bestimmung der Ähnlichkeit zwischen Komponenten.
   • Generieren von Empfehlungen für Äquivalente.
   • Einschätzung von Glaubwürdigkeit und Substitutionsrisiken.

5. Benutzeroberfläche und Integration mit verwandten Systemen:

   KI-Ergebnisse werden direkt in Benutzerworkflows integriert. Es kann sein:

   • Webschnittstelle für Ingenieure und Beschaffungsprofis.
   • Integration mit bestehenden ERP-Systemen, Beschaffungssystemen oder EMS, sodass Sie Empfehlungen direkt in vertrauten Arbeitstools erhalten.
   • API für andere Programme zum Zugriff auf die Querverweisfunktionalität.

6. Sicherheits- und Überwachungsebene:

   Gewährleistet den Schutz vertraulicher Daten gemäß den Anforderungen von ISO 27001. Umfasst Systeme zur Überwachung der Leistung von KI-Modellen und ihrer Genauigkeit sowie zur Verwaltung des Benutzerzugriffs.

Mit dieser Architektur können Sie ein zuverlässiges, skalierbares und sicheres System erstellen, das den komplexen Prozess der Suche nach gleichwertigen Ersatzteilen automatisiert.

Echte Ergebnisse und wirtschaftliche Effizienz

Die Implementierung von KI-gesteuerten Querverweissystemen zeigt erhebliche Verbesserungen der Betriebsleistung und erhebliche wirtschaftliche Auswirkungen in Industrieunternehmen. Nachfolgend finden Sie Kennzahlen und Beispiele aus der Praxis:

1. Verringerung der Ausfallzeiten von Geräten:

   Ein Maschinenbauwerk in der Region Dnipropetrowsk, Ukraine, verzeichnete nach der Implementierung eines KI-Systems, das es ermöglichte, schnell Analoga kritischer Komponenten zu finden, eine Reduzierung der Ausfallzeiten von Produktionslinien um 15 %. Dies wurde durch die beschleunigte Suche nach Ersatzteilen erreicht, die früher bis zu 4–8 Stunden dauerte, heute jedoch 15–30 Minuten dauert.

2. Optimierung der Lagerbestände:

   In einem der metallurgischen Werke der Ukraine half das KI-System dabei, doppelte oder redundante Positionen von Ersatzteilen zu identifizieren, was zu einer Reduzierung der Lagerbestände um 20 % führte. Dadurch wurde Betriebskapital im Wert von rund 500.000 Euro frei, das in die Modernisierung der Ausrüstung reinvestiert wurde. Die Amortisationszeit (ROI) einer solchen Lösung betrug ungefähr 12–18 Monate.

3. Reduzierung der Anschaffungskosten:

   Das Unternehmen der Chemieindustrie konnte die Kosten für den Einkauf von Ersatzteilen um 8 % senken. Das KI-System identifiziert automatisch günstigere, aber voll kompatible und zertifizierte Alternativen von zuverlässigen Lieferanten und behält dabei die Einhaltung aller technischen Standards (zum Beispiel DSTU EN ISO 12100 für Maschinensicherheit) bei.

4. Erhöhung der Technical Readiness Ratio (TSR):

   In der Produktionslinie mit kritischer Ausrüstung stieg der KTG von 0,92 auf 0,95. Dies bedeutet, dass die Ausrüstung 3 % länger für die Arbeit zur Verfügung stand, was sich direkt auf das Produktionsvolumen auswirkte.

5. Zeitverkürzung für Engineering-Prozesse:

   Anstatt Stunden damit zu verbringen, manuell Papierkataloge oder Tabellenkalkulationen zu durchsuchen, können Ingenieure jetzt innerhalb von Minuten genaue Empfehlungen erhalten. Dadurch können sie sich auf komplexere Aufgaben wie die vorausschauende Wartung oder die Optimierung von Produktionsprozessen konzentrieren.

Die Gesamtkosteneffizienz solcher Systeme übersteigt oft die Anfangsinvestition und bestätigt ihren Wert für Industrieunternehmen, die auf Effizienz und Wettbewerbsfähigkeit ausgerichtet sind.

Einschränkungen und potenzielle Risiken

Obwohl KI-Querverweissysteme erhebliche Vorteile bieten, ist es wichtig, ihre Grenzen und potenziellen Risiken objektiv zu bewerten. KI ist ein mächtiges Werkzeug, aber kein Allheilmittel.

1. Abhängigkeit von der Qualität der Eingabedaten („Garbage in, Garbage Out“):

   Die Genauigkeit und Zuverlässigkeit von KI-Empfehlungen hängen direkt von der Qualität und Vollständigkeit der Daten ab, auf denen sie trainiert wurde. Wenn die Eingabedaten Fehler, Ungenauigkeiten, Auslassungen oder Widersprüche enthalten, generiert das System falsche oder nicht hilfreiche Ergebnisse. Dies erfordert erhebliche Investitionen in die Datenerfassung, -bereinigung und -überprüfung in der Anfangsphase der Implementierung.

2. Schwierigkeit beim Arbeiten mit „nicht standardmäßigen“ Details:

   Für einzigartige, stark veränderte oder sehr alte Komponenten, für die es nicht genügend Daten gibt, kann es für die KI schwierig sein, Äquivalente zu finden. In solchen Fällen ist nach wie vor eine gutachterliche Begutachtung durch erfahrene Ingenieure erforderlich.

3. Die Notwendigkeit einer menschlichen Verifizierung und Validierung:

   Das KI-System ist ein Hilfstool, das den Suchprozess optimiert. Die endgültige Entscheidung zum Austausch kritischer Komponenten sollte jedoch immer einem qualifizierten Ingenieur überlassen werden. Dies gilt insbesondere für Teile, die die Betriebssicherheit beeinträchtigen und eine UkrSEPRO-Zertifizierung oder die Einhaltung von CE-Richtlinien erfordern. Der Ingenieur muss alle Parameter überprüfen, einschließlich Materialien, Toleranzen und Kompatibilität mit dem System.

4. Anfängliche Implementierungs- und Supportkosten:

   Die Bereitstellung eines vollwertigen KI-Systems erfordert erhebliche Anfangsinvestitionen in Software, Hardware und vor allem in qualifiziertes Personal (Datenverarbeitungsingenieure, Spezialisten für maschinelles Lernen). Außerdem fallen laufende Kosten für die Wartung, Aktualisierung und Neuschulung von KI-Modellen an.

5. Integrationsherausforderungen:

   Die Integration eines neuen KI-Systems in die bestehende IT-Infrastruktur des Unternehmens (ERP, PDM, SUTO) kann komplex sein und erhebliche Anstrengungen erfordern, um Datenkompatibilität und nahtlosen Informationsaustausch sicherzustellen.

Angesichts dieser Einschränkungen ist es wichtig, die KI-Implementierung mit realistischen Erwartungen und einem klaren Verständnis der menschlichen Rolle im Prozess anzugehen.

Eigene Entwicklung oder fertige Lösung („Build vs Buy“)

Wenn Unternehmen über die Implementierung eines KI-Systems zur Querreferenzierung von Ersatzteilen nachdenken, stehen sie vor einem Dilemma: Entwickeln Sie eine eigene Lösung (Build) oder kaufen Sie ein kommerzielles Produkt (Buy).

Eigene Entwicklung (Build):

• Vorteile:
  • Volle Kontrolle: Fähigkeit, ein System zu erstellen, das perfekt an die individuellen Anforderungen, Prozesse und IT-Infrastruktur des Unternehmens angepasst ist.
  • Tiefe Integration: Gewährleistung der tiefstmöglichen Integration mit bestehenden internen Systemen.
  • Geistiges Eigentum: Das Unternehmen ist Eigentümer aller entwickelten Technologien und Daten.
• Nachteile:
  • Hohe Kosten: Erhebliche Kapital- und Betriebskosten für Entwicklung, Tests, Implementierung und Support.
  • Zeit bis zur Implementierung: Der Entwicklungsprozess kann 18–24 Monate oder länger dauern, von der Idee bis zum vollständigen Betrieb.
  • Bedarf an Spezialisten: Der Bedarf an hochqualifizierten Spezialisten für maschinelles Lernen, Datenverarbeitung, Softwareentwicklung und Fachwissen im Personal.
  • Projektrisiken: Hohe Risiken des Projektscheiterns, der Überschreitung des Budgets und der Fristen.

Fertige kommerzielle Lösung (Kauf):

• Vorteile:
  • Schnelle Implementierung: Möglichkeit, das System relativ schnell bereitzustellen, normalerweise in 3–6 Monaten.
  • Bewährte Funktionalität: Erhalten Sie eine fertige, getestete und verifizierte Lösung mit bereits integrierten Funktionen.
  • Reduzierte Risiken: Geringere Entwicklungsrisiken, da das Produkt bereits vorhanden ist und vom Anbieter unterstützt wird.
  • Professioneller Support: Zugriff auf Expertensupport, Updates und neue Funktionen vom Anbieter.
• Nachteile:
  • Geringere Flexibilität: Begrenzte Möglichkeiten zur Anpassung an sehr spezifische Anforderungen.
  • Lieferantenabhängigkeit:Lieferantenabhängigkeit in Bezug auf Funktionalität, Preisgestaltung und Entwicklungs-Roadmap.
  • Lizenzkosten: Laufende Lizenz- und Abonnementkosten.

Als globaler Anbieter von MRO-Komponenten kennt die UNITEC-D GmbH diese Herausforderungen. Wir bieten nicht nur hochwertige zertifizierte Ersatzteile, sondern auch kompetente Unterstützung bei der Auswahl und Anpassung kommerzieller KI-Lösungen. Unser technisches Fachwissen und unsere fundierten Kenntnisse der Ersatzteilnomenklatur erleichtern die Integration von Daten aus unserem E-Katalog in Ihr KI-System, unabhängig von der gewählten Strategie.

Praktische Schritte zur Umsetzung

Ingenieurteams und Produktionsleitern, die die Implementierung einer KI-Querverweislösung in Betracht ziehen, wird ein schrittweiser Ansatz empfohlen:

1. Datenprüfung und -bewertung:

   Führen Sie eine detaillierte Prüfung der verfügbaren Ersatzteildaten durch. Bewerten Sie deren Vollständigkeit, Genauigkeit und Format. Identifizieren Sie Lücken und Quellen potenzieller Verbesserungen. Dies ist die Grundlage jeder KI-Initiative.

2. Definition des Pilotprojekts:

   Anstatt zu versuchen, ein System für das gesamte Ersatzteilvolumen zu implementieren, wählen Sie eine kleine, aber kritische Teilegruppe (z. B. Lager für eine Schlüsseleinheit oder Ventile für eine bestimmte Rohrleitung). Dadurch können Sie schnell Ergebnisse erzielen und die Wirksamkeit der Lösung mit minimalen Risiken bewerten.

3. Wahl der Plattform und des Partners:

   Bestimmen Sie, ob eine Cloud-Lösung oder eine lokale Bereitstellung für Ihr Unternehmen geeignet ist. Berücksichtigen Sie kommerzielle Angebote von Anbietern von KI-Lösungen. Die UNITEC-D GmbH unterstützt Sie beratend bei der Auswahl kompatibler Lösungen und hilft bei der Anpassung von Daten aus unserem E-Katalog für die Integration in Ihr System.

4. Infrastrukturvorbereitung:

   Stellen Sie die nötige Rechenleistung und Datenspeicher bereit. Richten Sie Integrationsmechanismen mit vorhandenen ERP- und SUTO-Systemen ein.

5. Schulung und Anpassung des Personals:

   Organisieren Sie Schulungen für Ingenieure, Beschaffungsspezialisten und Servicepersonal. Es ist wichtig, dass sie die Prinzipien der KI verstehen und das neue System effektiv nutzen können. Ermutigen Sie Feedback zur kontinuierlichen Verbesserung.

6. Kontinuierliche Überwachung und Verbesserung:

   KI-Systeme müssen regelmäßig auf ihre Leistung und Genauigkeit überwacht werden. Sammeln Sie Feedback von Benutzern und nutzen Sie es, um Modelle neu zu trainieren, neue Funktionen hinzuzufügen und die Reichweite des Ersatzteilkatalogs zu erweitern.

Durch die Befolgung dieser Schritte können ukrainische Industrieunternehmen KI-Technologien effektiv implementieren, um Querverweisprozesse zu optimieren und die Gesamteffizienz der MRO zu steigern.

Fazit

Der Einsatz künstlicher Intelligenz zum automatisierten Querverweis von Ersatzteilen ist ein bedeutender Schritt in Richtung Digitalisierung der industriellen MRO. Diese Technologie ermöglicht es ukrainischen Unternehmen, die Effizienz der Bestandsverwaltung deutlich zu verbessern, Geräteausfallzeiten zu reduzieren und die Betriebskosten zu senken. KI-Systeme analysieren riesige Mengen technischer Daten und geben präzise und schnelle Empfehlungen, sodass Ingenieure fundierte Entscheidungen über den Austausch von Komponenten treffen können.

Trotz gewisser Einschränkungen und der Notwendigkeit von Investitionen in Daten und Infrastruktur ist der wirtschaftliche Nutzen aus der Implementierung von KI-Lösungen erheblich. Als zuverlässiger Partner im Bereich Industriekomponenten ist die UNITEC-D GmbH bereit, hochwertige zertifizierte Ersatzteile gemäß den Standards DSTU, EN und ISO bereitzustellen und Ihr Team bei der Implementierung fortschrittlicher MRO-Technologien zu unterstützen.

Um hochwertige zertifizierte Ersatzteile zu erhalten und M&R-Prozesse zu optimieren, besuchen Sie den UNITEC-D E-Katalog.

Link

• DSTU GOST 520:2014 Wälzlager. Allgemeine technische Bedingungen.
• EN ISO 281:2007 (DSTU ISO 281:2018) Wälzlager. Dynamische und statische Nenntragfähigkeit.
• ISO 27001:2022 Informationstechnologien. Methoden und Mittel zur Gewährleistung der Sicherheit. Informationssicherheits-Managementsysteme. Anforderungen
• Richtlinie 2006/42/EG über Maschinen (CE-Kennzeichnung).
• Technische Vorschrift zur Maschinensicherheit (UkrSEPRO).
• DSTU EN ISO 12100:2016 Maschinensicherheit. Allgemeine Gestaltungsprinzipien. Risikobewertung und Risikominderung.