Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Beitrag drucken

Sensor-to-Information

Sensorintelligenz vor Ort

Bei Predictive Maintenance werden mit datenbasierten Prognosemethoden Servicearbeiten an einer Maschine relativ präzise geplant, um ungeplanten Anlagenstillstand vorzubeugen. Diese Lösungen arbeiten meist cloudbasiert, werden aber immer häufiger von Edge-Computern im Werk vor Ort unterstützt.

 (Bild: SSV Software Systems GmbH)

(Bild: SSV Software Systems GmbH)

Zahlreiche Angebote

Relativ neu sind Predictive-Maintenance-Lösungen auf Grundlage aktueller Zustandsdaten, die laufend gemessen und mit Hilfe entsprechender Software ausgewertet werden. Daraus sind zahlreiche ‚Predictive Maintenance-as-a-Service‘- Angebote oder ähnliche Services für Maschinenbauer und -betreiber entstanden. Die dabei in der Cloud laufende Software ist recht anspruchsvoll. Sie reicht von regelbasierten Expertensystemen über statistisches Lernen (z.B. stochastische Modelle mit Wahrscheinlichkeiten, wie das Hidden Markow Model, Supervised oder Unsupervised Machine Learning) bis hin zum Deep Learning mit neuronalen Netzen. Die Anwender müssen sich mit der Implementierung derartiger mathematischer Methoden nicht auskennen, das übernimmt der Cloud-Betreiber. Vom Anwender wird lediglich erwartet, dass er laufend Rohdaten aus der Steuerung und vor allem durch zusätzlich installierte Sensoren in die Cloud schickt und dass er für die Nutzung der Cloud-Dienste regelmäßig zahlt. Neben der Cloud etabliert sich allerdings auch noch die Edge als Umgebung für automatische Datenanalysen: Die Algorithmen laufen dann nicht irgendwo in der Cloud, sondern auf einer Hardware vor Ort.

Senor-to-Cloud-Konzepte

Die wohl meisten industriellen PM-Anwendungen nutzen Sensor-to-Cloud-Konzepte aus der IoT-Welt. Dabei werden Sensorrohdaten an eine Cloud-Serviceplattform im Internet übertragen, um dort mit Hilfe intelligenter Algorithmen bzw. künstlicher Intelligenz werthaltige Informationen zu gewinnen. Dabei entstehen jedoch auch Nachteile:

  • • Datenmengen- und Bandbreitenproblematik: Durch die unterschiedlichen Sensoren fallen große Datenmengen an – aus einer Sekunde Mikrofondaten eines Antriebselements entstehen bei einer Abtastrate von 14,4kHz insgesamt 14.400 Datenpunkte, die in die Cloud müssen. Dies erfordert eine breitbandige Internetanbindung. Bei einem in der Fläche nach wir vor sehr lückenhaften Mobilfunknetz ist nachvollziehbar, warum verschiedene Interessengruppen auf 5G warten.
  • • Verfügbarkeit von Cloud und Kommunikationsverbindung: Weder die Cloud, noch die Kommunikationsverbindung zwischen Sensor und Cloud, besitzen eine 100%-Verfügbarkeit. Insofern werden nicht alle Sensordaten in der Cloud ankommen. Zufällig auftretende Messwerte, die auf ein Lebensdauer-relevantes Ereignis schließen lassen (z.B. Spannungsspitzen, die Kondensatoren beschädigen), sollten für die Auswertung aber nicht verloren gehen. Ansonsten lassen sich bevorstehende Maschinen- bzw. Anlagenstillstände weniger sicher vorhersagen.
  • • Cloud-Provider-Abhängigkeit: Da sich die Serviceschnittstellen und Algorithmenimplementierung einzelner Anbieter zum Teil erheblich voneinander unterscheiden, entsteht durch die Anbindung der Sensoren einer Maschine oder Anlage eine große Abhängigkeit vom jeweiligen Cloud-Serviceprovider. Wird eine PM-Anwendung erfolgreich in der Praxis genutzt, ist ein späterer Wechsel zu einem anderen Provider nur noch mit sehr großem Aufwand möglich. Des Weiteren existieren keine Verfügbarkeitsgarantien für einzelne Services. Über einen Maschinenlebenszyklus von beispielsweise 15 Jahren sind auch hier Abhängigkeitsprobleme zu erwarten.
Bei Predictive Maintenance wird häufig mit sogenannten P-F-Kurvendiagrammen gearbeitet. Darin kennzeichnet P1 das Ereignis, das nach einiger Zeit zu einem Fehler F führen wird (Stillstand). In der Zeitspanne zwischen P2 und F (P-F-Intervall) kann man mit geeigneter Messtechnik erkennen, dass demnächst ein Ausfall bevorsteht. Durch den Einsatz hochauflösender Sensorik und geeigneter Machine-Learning-Algorithmen sind größere Zeitspannen möglich, da ab P1 bereits detektierbare Anomalien existieren. (Bild: SSV Software Systems GmbH)

Bei Predictive Maintenance wird häufig mit sogenannten P-F-Kurvendiagrammen gearbeitet. Darin kennzeichnet P1 das Ereignis, das nach einiger Zeit zu einem Fehler F führen wird (Stillstand). In der Zeitspanne zwischen P2 und F (P-F-Intervall) kann man mit geeigneter Messtechnik erkennen, dass demnächst ein Ausfall bevorsteht. Durch den Einsatz hochauflösender Sensorik und geeigneter Machine-Learning-Algorithmen sind größere Zeitspannen möglich, da ab P1 bereits detektierbare Anomalien existieren. (Bild: SSV Software Systems GmbH)

Algorithmen auf dem Gateway

Alternativ zur Cloud lassen sich identische Algorithmen aus der Open-Source-Welt auch direkt am oder im Sensor bzw. auf einem Edge-Gateway einsetzen. Dies ermöglicht Datenanalysen für PM-Wartungsstrategien in Echtzeit, ohne die einzelnen Rohdaten zuvor vollständig an eine Cloud zu übertragen. Die Bearbeitungsstufen einer solchen vollständig lokalen Sensor-to-Information-Lösung – von der Sensordatenerfassung bis zur Informationsgewinnung – sind nahezu identisch zum Sensor-to-Cloud-Konzept. Statt der Daten werden nun allerdings nur die jeweils veränderten Ausgangsinformationen eines Algorithmus an eine Cloud übergeben.

Keine Meldung im Normalbetrieb

Würde man beispielsweise die Ausgangsdaten des zuvor bereits angesprochenen Mikrofones, also die 14.400 Messpunkte je Sekunde, auf einen entsprechend vortrainierten Machine-Learning-Algorithmus zur Klassifizierung einzelner Zustände des Antriebselements führen, entstehen im Normalbetrieb nur wenige Messwerte pro Tag. In der Praxis würde ein solcher Algorithmus aus den Mikrofondaten einen mittels Trainingsdaten festgelegten Zustand bestimmen. Nur bei einem Zustandswechsel von ‚OK‘ auf ‚Kritisch‘ würde eine neue Information am Ausgang zur Verfügung stehen.


Das könnte Sie auch interessieren:

Die 2023er Releases von Autodesk stehen zur Verfügung. Parallel stellt das Systemhaus Contelos überarbeitete Addons vor: Tools4Engineers, Tools4GIS, GeoPhotoXtension und BohrKernXtension sollen Anwendern die Arbeit mit Autodesk-Lösungen erleichtern.‣ weiterlesen

Vecoplan nutzt bereits seit 2008 Fernzugriffsfunktionen für seine Maschinen. Mithilfe des IoT-Spezialisten Ixon hat der Maschinenbauer dieses Angebot ausgeweitet und bietet heute sogar Kameraüberwachung für seine Recyclingmaschinen an.‣ weiterlesen

Im Werkzeugmanagement eröffnet das Kennzeichnen von Assets mit Data Matrix Codes die Möglichkeit, Werkzeuge zu tracken und mit ihren Lebenslaufdaten zu verheiraten.‣ weiterlesen

Google Cloud gab kürzlich die Einführung der beiden Lösungen Manufacturing Data Engine und Manufacturing Connect bekannt. Mit den Tools lassen sich Assets einer Fertigungsumgebung vernetzen, Daten verarbeiten und standardisieren.‣ weiterlesen

Virtuelle multicloudfähige Plattformen können in Fertigungsbetrieben das Fundament bilden, um IT-Infrastruktur und Betriebsabläufe zu modernisieren und effizient zu betreiben. Denn das nahtlose Zusammenspiel von Cloud-Anwendungen, Softwarebereitstellung sowie Remote Work lassen sich mit digitalen Plattformen vergleichsweise einfach und global orchestrieren.‣ weiterlesen

Wibu-Systems ist Anwendungspartner im Projekt KoMiK. Im Mai wurde das Projekt abgeschlossen und der Karlsruher Lizensierungsspezialist hat zusammen mit den Projektpartnern aus Wirtschaft und Wissenschaft Empfehlungen zur Auswahl eines digitalen Kooperationssystems erarbeitet, inklusive eines Screening-Tools.‣ weiterlesen

MES-Lösungen verfügen über unterschiedliche Erweiterungsmodule, etwa für das Qualitätsmanagement. Der Ausbau der Basisfunktionen sorgt jedoch oft für Aufwand. Eine Alternative versprechen Cloudlösungen.‣ weiterlesen

Bei ihrer digitalen Transformation adaptieren Fertigungsunternehmen Technologien wie künstliche Intelligenz, Machine Learning und digitale Zwillinge. Cloud Computung hilft, dafür erforderliche Kapazitäten skaliert bereitzustellen.‣ weiterlesen

Mit mehreren neuen Partnern erweitert der Softwareanbieter ZetVisions sein Partnerangebot. Unter anderem sollen Pikon und People Consolidated das Beratungsangebot des Heidelberger Unternehmens ergänzen.‣ weiterlesen

Viele Deep-Learning- und Machine-Vision-Anwendungen stellen hohe Ansprüche an die eingesetzten Industrie-Rechner. Für den Einsatz in diesem Umfeld hat Hardware-Spezialist Spectra die PowerBox 4000AC C621A ins Programm genommen.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige