KI im Service getestet – Verfügbarkeiten größer 99 %
Künstliche Intelligenz (KI) ist in aller Munde, eröffnet sie doch vielfältige Möglichkeiten, unter anderem bei der Verbesserung der Produkte.
„Predictive Maintenance“, auch PMX abgekürzt, ist ein weiteres Schlagwort. Durch vorhersagbare Wartung wird die Verfügbarkeit maximiert. Voraussetzung hierfür ist, dass man über historische Daten zu den Geräten verfügt.
Die Voraussetzungen bei SBRS hierfür sind gut. Über unser prämiertes Backendsystem Chargeview werden die Daten der Ladevorgänge und Stati über ein Jahr gesammelt.
Zusammen mit der Hochschule Niederrhein wurde eine Studie durchgeführt, bei der alle Daten systematisch mit einer KI durchforstet wurden, um Muster für mögliche vorhersagbare Fehler zu erkennen.
Zum Training des Netzes wurden die Datensätze aller Ladestationen im Zeitraum von Januar bis September 22 und im Zeitraum von April bis Dezember 23 betrachtet. In diesen Daten wird nach dem Auftreten eines „nicht reparablen“ Ausfalls der Ladestation gesucht, der die Wartung und Reparatur durch einen Service-Techniker bedingt. Der sog. „ChargingState“ nimmt dann einen bestimmten Fehlerwert an.
Die wichtigste Erkenntnis:
Die Gesamtanzahl der bisher bei allen Ladestationen aufgetretenen Ausfälle ist gering. Damit ist eine schon zu Beginn der Studie genannte Voraussetzung in Form einer hinreichend großen Menge von Trainingsdaten nicht gegeben. Für die erfolgreiche Anwendung von Ansätzen der KI ist das Vorhandensein einer möglichst großen Menge von Trainingsdaten der entscheidende Punkt.
Das ist einerseits gut, oder besser gesagt, hervorragend als Aushängeschild für unsere Technik. Auf der anderen Seite lässt sich damit der letzte Sprung von vielleicht 99 % auf nahezu 100 % vermutlich nicht mit Hilfe einer KI bewerkstelligen.
Eine weitere Schwierigkeit für die KI ist die bauliche Unterschiedlichkeit der Stationen, die infolge technischer Veränderungen und Weiterentwicklungen voneinander abweichende Merkmalswerte haben, oder bestimmte Merkmale gar nicht besitzen. Ein Training von Netzen mit unterschiedlichen Datensätzen als Eingangswerte des Netzes ist schwierig und erfordert entweder eine Fokussierung auf bestimmte Bautypen der Ladestationen oder eine deutlich größere Datenmenge für das Training.
Interessante erste Erkenntnisse. Wir bleiben dran!