Vorausschauende Wartung

Andreas Mühlbauer,

Predictive Maintenance mit Methode

Das Ziel der prädiktiven Instandhaltung ist klar: Die Anzahl ungeplanter Maschinenzustände sollte möglichst null sein. Der Weg zum Ziel ist in der Praxis allerdings nicht so einfach. An fehlenden mathematischen Methoden liegt es nicht, da sie in großer Auswahl existieren und in anderen Bereichen recht gut funktionieren.

Vorausschauende Wartung ist in erster Linie eine Frage der konsequenten Datenintegration. © SSV Software Systems

Der Grundgedanke einer prädiktiven Instandhaltung ist es, in Echtzeit relevante Daten zu sammeln, mithilfe geeigneter Modelle im Rahmen einer Datenanalyse auszuwerten und fällige Wartungstermine rechtzeitig vorherzusagen – also die Frage „Was wird wann passieren?“ anhand der aktuellen Datenlage zu beantworten. Die dafür zum Einsatz kommende Datenanalyse wird als „Predictive Analytics“ bezeichnet. Sie lässt sich mithilfe des überwachten maschinellen Lernens (Supervised Machine Learning), einem Teilgebiet der künstlichen Intelligenz, durchführen. Ähnliche Anwendungen sind in der IT-Welt zur Vorhersage künftiger Entwicklungen, wie Kundenverhalten, Börsenkurse oder Trendprognosen, schon länger weit verbreitet. Mathematisch ist das Ganze eine Regressionsaufgabenstellung mit mehreren Prädiktoren – also speziellen Variablen, die beispielsweise einen Maschinenzustand beschreiben. Genau hier wird dann in den meisten Fällen auch das erste Praxisproblem deutlich: Daten, aus denen sich geeignete Prädiktor-, beziehungsweise Prognosevariablen bilden lassen, gibt es in den meisten Maschinenlandschaften überhaupt nicht.

Anzeige

Eine Datenintegrationsschicht schaffen

Die Maschinenlandschaft eines produzierenden Unternehmens mit Serienfertigung ist in der Regel über einen längeren Zeitraum entstanden und daher außerordentlich vielfältig. Maschinen und Subsysteme unterschiedlicher Hersteller, die teilweise nicht einmal einen gemeinsamen Kommunikationsstandard unterstützen, wurden zu Anlagen zusammengefügt. Zu jeder einzelnen Maschine gehört ein umfangreiches Expertenwissen. Die meisten Anlagebestandteile haben eine individuelle Automatisierungstechnik. Teilweise existieren Fernwartungszugänge, um bei Problemen externe Hilfe durch einen Maschinenbauer oder ein Serviceunternehmen in Anspruch zu nehmen. Vereinzelt gibt es auch Cloud-Anbindungen, zum Beispiel für ein Frequenzumrichter-Monitoring – in der Summe also eine sehr heterogene Technologielandschaft ohne offene Datenschnittstellen.

Bevor sich in einem solchen Umfeld erfolgreiche Predictive-Maintenance-Anwendungen realisieren lassen, ist zunächst einmal eine offene horizontale Datenintegrationsebene erforderlich. Diese sollte dem Stand der Technik in der IT-Welt entsprechen und per Ethernet-LAN mit MQTT, HTTP(S)-basiertem REST-API und gegebenenfalls noch OPC UA möglichst nur drei Protokolle unterstützen. Alle Subsysteme, die Ethernet und zumindest eines der drei Protokolle nicht direkt unterstützen, werden als Daten-Retrofit mit Hilfe eines geeigneten Adapters angebunden (der Markt bietet hier inzwischen eine sehr große Auswahl).

Vor der Datenintegration der einzelnen Maschinen sollte zunächst die anwendungsbezogene Fragestellung „Welche Maschinen haben wir überhaupt, was wollen wir mit einem prädiktiven Wartungskonzept erreichen und welche Daten und Informationen werden dafür voraussichtlich benötigt?“ soweit möglich geklärt werden. Für das datentechnische Gesamtbild sind eine Bestandsanalyse direkt vor Ort sowie Expertengespräche zwischen einschlägig erfahrenen Datenspezialisten, Maschinenbedienern und Automatisierungstechnikern erforderlich. Das Ziel ist in jedem Fall ein sogenannter Echtzeit-Merkmalsvektor mit kontextbezogenen Querschnittsdaten, der zu der jeweiligen Aufgabenstellung passt. Anhand der einzelnen Datenelemente dieses Merkmalsvektors lässt sich ableiten, welche zusätzliche Sensorik benötigt wird.

Eine Lösung zur prädiktiven Instandhaltung mittels Echtzeitdaten und KI-Algorithmen wird vielmehr in einem iterativen Prozess entwickelt. © SSV Software Systems

Um eine Predictive-Maintenance-Lösung für eine Maschine oder Baugruppe Schritt für Schritt zu entwickeln, sollte die Datenintegrationsebene eine Datenbank für Maschinendaten plus eine Laufzeitumgebung für Docker-Container mit Datenanalysefunktionen bieten. Damit kann der Datenexperte zunächst geeignete Daten sammeln, per deskriptiver Datenanalyse auswerten und mit den jeweiligen Spezialisten die Ergebnisse diskutieren. Das erste Ziel wäre eine datenbasierte Differenzierung zwischen Normalbetrieb und Anomalie. In den folgenden Schritten werden die anormalen Betriebszustände mit möglichen Fehlerursachen verknüpft, um daraus die Auswirkungen sowie die erforderlichen Wartungsarbeiten abzuleiten. Mit dieser iterativen Vorgehensweise entstehen im Laufe der Zeit geeignete Modelle für automatisierte Vorhersagen von anstehenden Wartungsaufgaben und dazu passende Termine, um Maschineausfälle zu verhindern.

Predictive-Maintenance-Sensorik

Mit dem derzeitigen Stand der Technik liefern die meisten Maschinen überhaupt keine Daten oder eine unzureichende Datenqualität, um per Supervised Machine Learning mit akzeptabler Genauigkeit die erforderlichen Wartungstermine vorherzusagen. Insofern ist fast immer ein Sensordaten-Retrofit notwendig, um der Datenintegrationsschicht geeignete Rohdaten zur Verfügung zu stellen. Dabei ist zu berücksichtigen, dass die Auswahl geeigneter Sensoren sehr anspruchsvoll ist. Es ist messtechnisch ein großer Unterschied, ob eine Unwucht an einem rotierenden Antriebselement oder der Verschleiß der Bürsten eines Schleifrings zu messen ist. Im ersten Fall ist ein Beschleunigungssensor hilfreich, der dreidimensionale Beschleunigungsdaten mit einer geeigneten Abtastfrequenz liefert. Für das Schleifringsystem eignet sich unter Umständen ein IR-Sensorarray, das ein Wärmebild der gesamten Schleifringeinheit als Ausgangsdaten liefert.

Maschinensensoren für prädiktive Prognosen bestehen aus mehreren Funktionseinheiten und einem sehr hohen Softwareanteil. Neben dem Sensorelement plus einer Filter- und Verstärkerstufe für die analogen Messwerte gibt es einen Analog-to-Digital-Wandler sowie verschiedene Spezialfunktionen. Dazu gehört bei einem Beschleunigungssensor beispielsweise eine Fouriertransformation, um Messdaten aus dem Zeitbereich in den Frequenzbereich zu wandeln. Zuvor durchlaufen diese Daten eventuell noch weitere (digitale) Filter, um Störgrößen aus den Messwerten zu entfernen. Anschließend folgen je nach Sensor verschiedene mathematische Funktionen, wie lineares Detrending, Standardisierungen, Normalisierungen, Transformationen oder gleitende Mittelwertbildung, um geeignete Prädiktorvariablen zu schaffen.

Komplex aber lösbar

Die Vielzahl der Teilaufgaben hört sich für Automatisierungstechniker zunächst einmal sehr anspruchsvoll an. Das liegt aber in erster Linie daran, dass datenzentrierte Aufgabenstellungen in diesem Bereich bisher nicht der Schwerpunkt waren. Die Herausforderungen einer Predictive-Maintenance-Lösung mit Sensordaten sind mit einem entsprechenden Engineering und Fachwissen genau lösbar, wie zum Beispiel eine komplexe Motion-Control-Aufgabe in der Robotik.  

Klaus-Dieter Walter, CEO, SSV Software Systems / am

Anzeige

Das könnte Sie auch interessieren

Anzeige

Editorial

Fehler im Voraus verhindern …

… ist besser als Schäden reparieren. Predictive Maintenance ist daher einer der Treiber der Digitalen Transformation in der fertigenden Industrie. Vernetzung ist dabei wichtig, wichtiger aber sind Rechenpower und intelligente, lernfähige Algorithmen...

mehr...
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige