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 Berechnungen für die Produktionsplanung können nur so gut sein wie die Qualität der einfließenden Grunddaten. Bei Fehlern in den Daten stimmen auch die nicht. Dieser Beitrag beschäftigt sich mit der automatisierten Korrektur von Daten im Rahmen der Termin- und Kapazitätsplanung mit einem APS-System.‣ weiterlesen

Die Nortec – Fachmesse für Produktion lädt vom 21. bis zum 24. Januar nach Hamburg ein. Unter dem Motto ‘Zukunft? Läuft!‘ finden Besucher Lösungen und Technologien für eine moderne Produktion.‣ weiterlesen

Der Softwareanbieter Sage hat fünf IT-Trends identifiziert, die 2020 für Unternehmen wichtig werden — darunter die Themen Hybrid Cloud, Predictive Data Analytics und Nachhaltigkeit.‣ weiterlesen

Im dritten Quartal 2019 sank der Auftragseingang der deutschen Werkzeugmaschinenindustrie im Vergleich zum Vorjahreszeitraum um 25%. Dabei gingen die Bestellungen aus dem Inland um 29% zurück. Die Auslandsbestellungen verloren 23%. In den ersten neun Monaten 2019 sank der Auftragseingang um 23%.‣ weiterlesen

Das Blechbearbeitungsunternehmen HA-BE hat die bislang extern durchgeführte Pulverbeschichtung mit einer neuen Anlage in den eigenen Produktionsprozess integriert. Als Drehscheibe fungiert dabei die Sphinx Open Online-Plattform der In-GmbH, mit der die Kommunikation zwischen Produktion und Ressourcenplanung sichergestellt wird.‣ weiterlesen

Im Rahmen des vom Bundesministerium für Bildung und Forschung geförderten Forschungsprojektes ProPlanE haben die Projektpartner den Prototypen einer Analyseplattform entwickelt, mit der sich die Fertigungsplanung auf Basis von Process-Mining-Verfahren in Echtzeit optimieren lässt.‣ weiterlesen

Meistens wird künstliche Intelligenz in Bezug auf ihren Nutzen diskutiert, während mögliche Risiken allenfalls beiläufig erwähnt werden. Doch die autonomen Systemen haben das Potenzial, auf die gesamte Gesellschaft einzuwirken. Darum sollten beim Einsatz von KI stets ethische Aspekte einbezogen werden.‣ weiterlesen

Ein Cyberangriff auf das eigene Unternehmen sowie auf einen Zulieferer führte beim DAX-Konzern Beiersdorf zu einem Umdenken in Sachen IT-Sicherheit. Das Unternehmen entschied sich daraufhin, seine kritischen Zulieferer einem Security-Assessment zu unterziehen.‣ weiterlesen

Anzeige
Anzeige
Anzeige