Der bayerische Anlagenbau steht vor der Herausforderung, individualisierte Produkte in kleinen Losgrößen effizient und qualitativ hochwertig herzustellen. Bisherige KI-Methoden scheitern oft an unzureichenden Datenmengen und unstrukturierten Dokumentationsprozessen. Zudem erschweren getrennte Rollen von Herstellern und Betreibern die Nutzung von Betriebsdaten für die Produktionsoptimierung.
Das Projekt „KI-BAYOPT“ zielte darauf ab, KI-basierte Predictive-Analytics-Modelle für den Anlagenbau zu entwickeln, die trotz kleiner Losgrößen zuverlässige Vorhersagen ermöglichen. Durch die Integration von Simulationen, hybriden Modellen und strukturierter Datenerfassung sollte ein Baukasten entstehen, der Produktionsprozesse optimiert und auf andere Anwendungsfälle übertragbar ist.
Das Konsortium aus Linde Engineering, Technischer Universität München und DatenBerg GmbH entwickelte die CRISP-HDM-sB-Methodik, eine Erweiterung des CRISP-DM-Ansatzes für kleine Datenmengen. Am Beispiel von Heliumcontainern (HELICS) wurden hybride Modelle kombiniert mit Feld- und Fertigungsdaten genutzt, um Vorhersagen zur Haltezeit und Performance zu treffen. Ein digitales Schichtbuch und kostengünstige Sensorik ermöglichten die Erfassung hochwertiger Daten direkt in der Produktion.
Das Projekt demonstrierte, dass durch hybride Modelle und strukturierte Datenerfassung auch bei kleinen Losgrößen aussagekräftige Analysen möglich sind. Die entwickelte Methodik steigerte die Vorhersagegüte und ermöglichte datengetriebene Wartungsstrategien. Die Ergebnisse sind auf andere Branchen übertragbar und bilden die Grundlage für neue Geschäftsmodelle, wie Predictive-Maintenance-Dienstleistungen.
