Maschinenstillstände kosten Zeit und Geld – besonders, wenn sie überraschend auftreten. Maximilian-Peter Radtke, ehemaliger wissenschaftlicher Mitarbeiter an der Technischen Hochschule Ingolstadt (THI), hat im Rahmen seiner Dissertation ein Verfahren entwickelt, mit dem sich technische Störungen frühzeitig erkennen und Wartungen gezielter planen lassen.
KI-Methoden setzen oft auf große Datenmengen, um zuverlässig zu arbeiten. In der Praxis ist das nicht immer umsetzbar – Daten sind möglicherweise schwer zugänglich, teuer oder gar nicht vorhanden. Radtke verfolgt deshalb einen anderen Weg: In seinem Ansatz wird Fachwissen aus der Praxis direkt in KI-Modelle eingebunden. Dadurch kommen diese mit deutlich weniger Informationen aus.
„Wir kombinieren maschinenspezifisches Knowhow mit aktuellen Methoden der künstlichen Intelligenz“, erklärt Radtke. Das mache das System besonders anpassungsfähig – selbst bei bisher unbekannten Maschinen oder ungewohnten Fehlerbildern.
Erprobt wurde der Ansatz mit frei verfügbaren Datensätzen, unter anderem zu Kugellagerschäden, einer Felsenbohrmaschine und sogar einem Raketenantrieb. Die Ergebnisse wurden bereits auf wissenschaftlichen Tagungen vorgestellt. Sie bieten Unternehmen neue Perspektiven für eine datenarme, aber intelligente Zustandsüberwachung – effizient, flexibel und praxistauglich.
Betreut wurde die Arbeit von Professor Jürgen Bock von der THI und dem Institut AIMotion Bavaria, der auch langfristiger Ansprechpartner für das Forschungsthema ist. „Was wir bereits wissen, muss nicht mehr aufwändig durch maschinelle Lernverfahren trainiert werden“, sagt Bock.
