Wie KLM Cityhopper mit vorausschauenden Wartungsmodellen Kosten und Downtime einspart.

Die Flugzeugwartung unterliegt strengen Gesetzen und Vorschriften. In regelmäßigen Intervallen werden die Flugzeuge inspiziert. So müssen beispielsweise bestimmte Bauteile alle paar Jahre ausgetauscht werden. Die Mechaniker sind für die regelmäßige Inspektion und Standardwartung zuständig, die abhängig ist vom Alter eines Flugzeuges und davon, wie viel es benutzt wird.

Die niederländische Fluggesellschaft KLM Cityhopper geht jedoch noch einen Schritt weiter, um den Unterhalt effektiver zu gestalten: Um den Einkauf so effizient wie möglich zu gestalten, die Wartung zu planen und intelligente Erkenntnisse aus der Wartungshistorie der verschiedenen Flugzeuge zu gewinnen, setzt man auf künstliche Intelligenz. Genauer gesagt: von prädiktiven Daten. Die “vorausschauende Wartung” von KLM Cityhopper wird eingesetzt, um Wartungsarbeiten vorherzusagen und zu verhindern, dass Flugzeuge zu lange am Boden bleiben oder teurere Reparaturen erforderlich werden. Dies bietet Vorteile für fast alle Branchen, in denen Maschinen essentiell sind und Ausfallzeiten daher direkt Geld kosten.

In einem Hangar steht das Wartungsteam neben einem Embraer-Typ, dem Flugzeug, das KLM Cityhopper für kurze Flüge innerhalb Europas einsetzt. Ein Mechaniker bringt ein Laufwerk am Flugzeug an, um die sogenannten QAR-Daten oder TCRF-Daten (Triggered and Continuous Recording Function), die Informationen aus der bekannten Blackbox, zu übertragen. Die sensiblen Daten werden aufgeteilt, da nicht alle Daten verwendet werden dürfen. Teile werden dann für die Verarbeitung freigegeben. Der eigentliche Zweck der Nutzung dieser Daten ist einfach: ein mögliches Versagen so schnell wie möglich zu erkennen, denn je früher ein Problem erkannt wird, desto schneller kann das Flugzeug repariert werden ohne unnötige Downtime und desto weniger kostet es, es zu beheben. Aber das Abrufen dieser Daten ist nur der erste Schritt…

Daten zugänglich machen

“Die Beschaffung der Daten ist ein komplexer Prozess, wobei die Übertragung der Daten bei den neueren Embraern übrigens automatisch erfolgt”, betont Wemerson Cesar. Er arbeitet im Auftrag von LINKIT als Data Engineer bei KLM Cityhopper. Aljona Galyeva kam später hinzu, als das Team zusätzlich einen Solutions Architect benötigte. “Die Daten einer solchen Blackbox sind endlos”, erklärt sie. “Sie enthält alle Informationen, die ein Flugzeug während eines Flugs festhält. Die Daten sind sensibel, deshalb darf nicht jeder Parameter verwendet werden und darf auch nicht jeder Mitarbeiter damit arbeiten.“

Brücken bauen im Data Lake

Als Data Engineer unterstützt Cesar das KLM-Team nicht rund um die Uhr, aber trotzdem jeden Tag. Es geht darum, dass die Data Scientists und die Business-Intelligence-Abteilung von KLM jeden Tag mit den richtigen Daten für neue Erkenntnisse und Untersuchungen versorgt werden. Kurz gesagt, er baut und pflegt die Pipelines, die den Informationsfluss ermöglichen. All das verbindet er mit dem Data Lake, dem Ort, an dem die eigentlichen Daten, die aus dem Flugzeug kommen, aufgespalten und entschlüsselt werden, landen. “Dazu haben Data Scientists und Business Intelligence keinen Zugang”, erklärt Cesar. “Ein Teil meiner Aufgabe ist es, dafür zu sorgen, dass merkwürdige oder doppelte Werte herausgenommen und die Sensordaten beispielsweise mit Flugdaten, wie Zeiten, angereichert werden.” Diese bereinigten und angereicherten Daten werden dann über eine Pipeline an einen anderen Ort verschoben, von wo aus sie zu einem bestimmten Zweck abgerufen werden können, z. B. zur Erstellung eines Dashboards durch einen Mitarbeiter der Business Intelligence.

Echtzeitdaten und der Data Scientist als Einhorn

Von den gesammelten Daten wird schnell erwartet, dass sie vorzugsweise in Echtzeit zu sehen sein sollten. “Das ist oft unnötig und nicht kosteneffizient”, sagt Galyeva. Das gilt auch für KLM Cityhopper. “Es erfordert sehr viel Rechenleistung und ist in vielen Fällen nutzlos. Wenn ein Flugzeug fliegt, kann man zum Beispiel keine Daten abrufen, und von einem Flugzeug, das in einem Hangar steht, braucht man sie nicht.” Aus diesem Grund werden die Dashboards stündlich mit den zu diesem Zeitpunkt verfügbaren Informationen aktualisiert. 

„Ein weiterer Punkt, auf den wir in fast allen Fällen stoßen, ist die Rolle der Data Scientists“, erklärt Cesar. “Oft werden sie als Experten gesehen, die alles wissen, während sie sich in Wirklichkeit mit Statistiken, dem Trainieren von Modellen, der Erstellung von Prognosen und möglicherweise der Erstellung eines Dashboards befassen müssen. “Es ist am besten, eine solche Reise nur mit Data Scientists zu beginnen”, sagt Galyeva. “Wenn Sie zum Beispiel herausfinden wollen, ob KI eine Lösung für Ihr Problem in Ihrem Unternehmen ist. Aber sobald Sie wissen, dass Sie in diese Richtung gehen, verstärken Sie Ihr Team mit Data Engineers! So verhindern Sie, dass Sie später nicht mehr weiterkommen.“

Herausforderungen und Lösungen

“Unsere Rolle erfordert, dass wir auch begründen können, warum etwas gebraucht wird”, sagt Galyeva. “Das gilt für jeden Schritt, einschließlich der Einrichtung der Umgebung und der Verwendung der richtigen Werkzeuge. Die Arbeit mit KI ist wirklich ein Paradigmenwechsel. Als Beispiel: Mit herkömmlicher Software überwachen Sie in Echtzeit, ob diese funktioniert. Bei der KI-Überwachung werden historische und Echtzeitdaten kombiniert, so dass man ständig vergleichen muss. Sie haben es mit etwas zu tun, das sich ständig verändert, während Sie es vorher mit etwas Statischem zu tun hatten. Das erfordert eine andere Herangehensweise, aber man muss in der Lage sein, die ganze Zeit zu erklären, warum.“

Auch der Wert der Migration in die Cloud musste sich erst beweisen. Insbesondere angesichts der Sensibilität der Daten. “Jetzt schicken wir die Daten in einer Art Kauderwelsch in die Cloud, dort werden sie übersetzt, der Algorithmus macht sich an die Arbeit und wir erhalten eine Vorhersage, die wir wieder unlesbar machen und dann vor Ort abrufen. Dort wandeln wir sie wieder in aktuelle Daten um, und erst dann können sie in ein Dashboard übertragen werden.” Es sei zwar etwas Arbeit, räumt Galyeva ein, “aber es ist viel weniger aufwändig und wartungsintensiv, als wenn man alles vor Ort machen würde. Außerdem ist es auf diese Weise sicher!” Dies hat auch mit der Gesetzgebung zu tun: Sie wirkt sich sowohl darauf aus, was mit den Daten gemacht werden kann und was nicht, als auch auf die tatsächliche Wartung. “Ein Modell kann vorhersagen, dass etwas erst in acht Jahren abgenutzt sein wird, aber wenn das Gesetz vorschreibt, dass man es nach vier Jahren ersetzen muss, dann ist das die Regel.“

Erfolg in kleinem Maßstab: Das schmeckt nach mehr!

“Aber denken Sie daran, dass eine KI-Lösung immer Zeit braucht”, sagt Galyeva. “In der Regel sind mehrere Abteilungen beteiligt. Es geht nicht nur darum, die Lösung zu bauen, sondern sie muss auch von denjenigen getestet und verifiziert werden, die sie benutzen werden. Man muss wissen, ob es funktioniert, und nicht nur kurzfristig.“ KLM nahm nach zwei Jahren die Hilfe von LINKIT in Anspruch. Das Projekt läuft nun schon seit fünf Jahren. “Der größte Mehrwert der vorausschauenden Wartung besteht darin, dass Sie zum Beispiel seltene Teile im Voraus bestellen können, wodurch Sie Ihre Downtime reduzieren”, sagt Galyeva. Um sicherzugehen, dass alles richtig funktioniert und die Möglichkeiten auszuloten, führte das gemeinsame Team zunächst einen Pilotversuch mit Sauerstoff- und Hydraulikdaten durch, die sie später in tatsächliche Modelle umwandelten. “Das ist eigentlich das Beste”, lacht Galyeva. “Sobald sich das Projekt als Erfolg erwies, wollten auch andere Abteilungen bei KLM damit arbeiten!”

Interesse?

Haben Sie Fragen oder möchten Sie sich einfach mit uns austauschen? Nehmen Sie gern Kontakt mit uns auf!

Fragen?

Lando Schebsdat

Kontaktieren Sie Lando.

Wir sind bis 17:00 Uhr erreichbar.

Auch interessant

Digitale Transformation: Die niederländische Wasserbehörde „Vechtstromen“ entwickelt (fast) selbstständig eine eigene Low-Code-Anwendung