Gábor Princz, B.Eng., M.Eng., ist wissenschaftlicher Mitarbeiter und Dozent am Institut für Industrial Engineering and Management der Fachhochschule Wiener Neustadt (FHWN) und leitet dort das Labor des Instituts für Produktionssysteme. Seine Forschung fokussiert den Einsatz Künstlicher Intelligenz in der Produktionsplanung und -steuerung, insbesondere im Kontext von Predictive Maintenance sowie Prognostics and Health Management (PHM). Als externer Doktorand am Institut für Managementwissenschaften der TU Wien (Forschungsbereich Produktions- und Instandhaltungsmanagement) arbeitet er im FFG-Projekt ReMAIntAIn an einem dynamischen Empfehlungssystem zur Unterstützung von Instandhaltungs- und Reparaturentscheidungen in variantenreichen industriellen Umgebungen.
Circularity-Oriented Maintenance - KI-gestützte Entscheidungsunterstützung für zirkularitäts-orientierte Instandhaltung
Die Instandhaltung in ressourcenintensiven Industrien steht vor dem Spannungsfeld zwischen hoher kurzfristiger Anlagenverfügbarkeit und langfristiger Ressourceneffizienz im Sinne absoluter Nachhaltigkeit. Der Beitrag stellt dafür ein transparentes Entscheidungsunterstützungs-Framework vor, das strukturierte und unstrukturierte multivariate Daten wie Instandhaltungsprotokolle, MES-Zustandsinformationen und SPS-Alarmdaten mithilfe nicht-stationärer dynamischer Bayes’scher Netze in einem interpretierbaren probabilistischen Modell zusammenführt. Dadurch können zeitliche Abhängigkeiten und sich verändernde Fehlermuster abgebildet werden, um Predictive Maintenance gezielt, um ressourcenorientierte Entscheidungsstrategien zu erweitern. Am Beispiel eines Stiftpressensystems zur Nachbearbeitung extrudierter Aluminiumprofile werden Maschinenzustände, Alarmhäufigkeiten und Fehlerereignisse analysiert, Leistungskennzahlen wie die mittlere Zeit zwischen Ausfällen bestimmt und zukünftige Zustandsübergänge probabilistisch prognostiziert. Auf dieser Basis priorisiert das Framework Instandhaltungsmaßnahmen nach der Hierarchie „Repair, Reuse, Replace“ und schafft so eine nachvollziehbare Grundlage für datenbasierte Entscheidungen zur Verbesserung von Systemzuverlässigkeit und Ressourceneffizienz.