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:

ANZEIGE

  • • 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:

Individuelle Kundenwünsche beeinflussen zunehmend die Produktion. Mit der Verbindung von Verkaufs- und Produktionskonfiguration lässt sich die Komplexität einer variantenreichen Fertigung in den Griff bekommen.‣ weiterlesen

52 Prozent der Unternehmen wollen ihre Ausgaben bezüglich der digitalen Transformation erhöhen. Dies hat der Business-Software-Anbieter IFS in einer Studie ermittelt für die weltweit mehr als 3.032 Führungskräfte befragt wurden.‣ weiterlesen

Die Bekuplast-Unternehmensgruppe produziert Mehrweg-Transportverpackungen aus Kunststoff. Seit 2019 dient ein Enterprise-Content-Management-System (ECM) von ELO als Grundlage, zentrale Geschäftsprozesse zu automatisieren und mit den IT-Systemen zu verzahnen.‣ weiterlesen

Bosch Rexroth gibt einige Veränderungen in der Geschäftsführung bekannt. Unter anderem tritt Filiz Albrecht die Nachfolge von Christoph Kübel an, der zum Jahresende in den Ruhestand geht.‣ weiterlesen

Der Solution Manager von SAP stand lange im Ruf, nicht das Organisationsgenie unter den Business-Anwendungen zu sein. Doch der Hersteller hat in Version 7.2 viel am Werkzeug verbessert. Der Produzent von Lebensmittelzutaten Döhler hat daher den SolMan von SAP mit dem BPM-Tool Aeneus verknüpft, um die Gestaltung von mehr als 2000 Geschäftsprozessen zentral und nachhaltig zu strukturieren.‣ weiterlesen

In einer weltweiten Studie haben TÜV Rheinland und das Marktforschungsinstitut Ponemon untersucht, wie es um die Cybersicherheit von Industrieanlagen bestellt ist. Demnach ist die Operational Technology besonders gefährdet.‣ weiterlesen

Mit dem stärksten jemals gemessenen Anstieg hat sich der Ifo-Geschäftsklimaindex im Juni im Vergleich zum Vormonat etwas erholt. Er liegt nun bei 86,2 Punkten.‣ weiterlesen

Unternehmenswachstum sorgte bei der Penn GmbH für ein Umdenken in der Unternehmensstrategie. Mit der Implementierung eines Manufacturing Execution Systems wollte man etwa Excel-Listen in der Produktionsplanung ablösen. Mit der MES-Lösung von Proxia gelang es sogar, die Anlagenverfügbarkeit auf fast 100 Prozent zu steigern.‣ weiterlesen

Im vergangenen Jahr haben 76 Prozent der Unternehmen Rechenleistung aus der Cloud in Anspruch genommen. Dies geht aus einer Studie von Bitkom Research im Auftrag von KPMG hervor.‣ weiterlesen

Schneider Electric möchte seine gruppeninternen Kompetenzzentren für Schlüsseltechnologien stärken. Mit einem weiteren Ausbau des Standortes Marktheidenfeld wird dieser Weg nun fortgesetzt.‣ weiterlesen

Die überwiegende Zahl der Maschinenbauer ist zuversichtlich, mittelfristig auf das nominale Umsatzniveau von 2019 zurückzukehren. So lautet die Kernbotschaft der sechsten VDMA-Blitzumfrage zur Corona-Pandemie, an der 658 Unternehmen teilnahmen.‣ weiterlesen

Anzeige
Anzeige
Anzeige