Lernende Maschinen senken Wartungskosten

Die HHLA setzt Künstliche Intelligenz (KI) mit unterschiedlichen Schwerpunkten und Ausprägungen in mehreren Projekten ein, um neue Anwendungsmöglichkeiten zu testen. Ökonomisch besonders interessant ist dabei Predictive Maintenance, also die Erstellung zuverlässiger Prognosen zu Lebensdauer und erwartbaren Schäden an der Anlagentechnik.

Nehmen wir beispielsweise die Stahlseile, die auf den Containerbrücken der HHLA täglich schwer beansprucht werden. 2019 mussten allein auf dem HHLA Container Terminal Burchardkai 138 solcher Seile mit einer Gesamtlänge von 113,2 Kilometern ausgetauscht werden. Aber wann genau müssen sie ersetzt oder zumindest geprüft werden? Hier den richtigen Zeitpunkt zu finden, kann die mit der Wartung und Wechsel verbundenen Kosten senken.

Bisher werden die Stahlseile in regelmäßigen Abständen manuell geprüft und die erhobenen Daten mit normierten Schwellenwerten verglichen. Der Vergleich zeigt dann, ob die Seile ausgetauscht werden müssen. Der Zeitpunkt des Austauschs kann allerdings ungünstig liegen und zum Beispiel mit der Entladung eines Schiffes zusammenfallen. Das verursacht zusätzliche Kosten und Verzögerungen im Betriebsablauf.

Auch die Lebensdauer der Seile ist recht unterschiedlich, und die Seile werden bisher vorab in den erwartbaren Mengen eingekauft. Sie müssen bis zum Austauschtermin eingelagert werden, belegen wertvolle Terminalfläche und könnten Schaden nehmen, bevor sie eingebaut werden.

Genauigkeit der Vorhersagen wurde optimiert

HHLA Technik setzte ein gemeinsames Projekt mit den Softwarespezialisten von BSI auf, um die erwartete Lebensdauer und damit den optimalen Wechseltermin besser vorhersagen zu können. Es wurden die geeigneten Module des Machine Learning (ML) ausgewählt, und dem Team standen Betriebsdaten von Containerbrücken und Seilwartungsdaten der letzten sechs Jahre zum Training eines Neuronalen Netzes zur Verfügung. Erklärtes Ziel: jeweils den Wechseltermin zwei Wochen im Voraus ermitteln.

ML hilft, Muster oder Gesetzmäßigkeiten in vorhandenen Strukturen zu erkennen, und Neuronale Netze werden als Instrument eingesetzt, wenn in den vorhandenen Daten komplexe Beziehungen zwischen vielen Variablen vorliegen. Muster in solchen komplexen Datensätze zu erkennen ist eine Stärke von Neuronalen Netzen.

Nach zwei Tagen Training durch BSI konnten die Projektpartner von HHLA Technik das Neuronale Netz selbst bedienen. Nur wenige Feinjustierungen später stellte sich heraus, dass die Genauigkeit der Vorhersagen sehr gut zur tatsächlichen Lebensdauer der Seile passte. 

„Auf Basis der Lebensdauerprognose können wir zukünftig die Instandhaltungsmaßnahmen betriebsverträglicher einplanen.“

Ulf Bockelmann, Direktor HHLA Technik

Ulf Bockelmann, Direktor HHLA Technik, findet die schnell erreichten Ergebnisse „wirklich beeindruckend“ und fügt hinzu: „Wir müssen noch genauer prüfen, wie ML in unserem Bereich am besten eingesetzt werden kann. Ich könnte mir beispielsweise vorstellen, die Wartungsintervalle in Abhängigkeit der Belastungsparameter zu dynamisieren. Auf Basis der Lebensdauerprognose können wir zukünftig die Instandhaltungsmaßnahmen betriebsverträglicher einplanen. Im optimalen Fall würden wir die Gründe für einen erhöhten Verschleiß weiter eingrenzen und daraus Gegenmaßnahmen ableiten. Bis dahin ist es aber noch ein gutes Stück Weg.“ 

Auch Benjamin Heusser, der als BSI-Machine Learning Engineer das Projekt betreut hat, zeigte sich sehr zufrieden: „Die Kombination aus dem Branchenwissen des HHLA-Projektteams und unserer ML-Expertise bot optimale Voraussetzungen für ein erfolgreiches Projekt.“