Anlagenpannen und Wartungskosten reduziert
Robuste Abläufe mit Predictive Maintenance
Bereits kleine Fehler im Materialflusssystem können hohe Schäden verursachen. Um dieses Risiko zu reduzieren, setzt ein Hersteller solcher Anlagen auf Predictive Maintenance. Dessen sensorüberwachte Systeme fallen seltener ungeplant aus und im Wartungsfall wird nur getauscht, was fast hinüber ist. Eine Technologie, die sich durchsetzen düfte.
Bild: ©zapp2photo/stock.adobe.com

Der Zeitdruck steigt, während die Lieferkette immer komplexer wird. Dies beeinflusst auch die Störanfälligkeit. Bereits eine kleine Verzögerung bei Herstellung und Lieferung kann Komplikationen auf allen Ebenen nach sich ziehen. Produktion, Transport und Warenlagerung müssen möglichst perfekt ineinandergreifen, um Stillstandzeiten zu vermeiden und laufende Kosten gering zu halten. Eine präzise Vorhersage von Ausfällen und Schädigungen gewinnt dadurch immer mehr an Bedeutung.

Daten auf lokaler Ebene

Einst als futuristisches Konzept belächelt, ist die Anwendung von Predictive Maintenance (PdM) zwischenzeitlich in vielen Bereichen Realität. Ziel dabei ist nicht nur die Vermeidung von Stillstandzeiten in der Produktion, sondern auch die effektive Wartung einzelner Prozesskomponenten mittels der Analyse von Sensordaten. Die globale Technologieberatung DataArt hat auf dieser Basis für einen industriellen Anwender eine Cloud-basierte Predictive-Maintenance-Plattform entwickelt und installiert. Diese kann die Abnutzung von Komponenten vorhersagen, damit die erforderliche Wartung durchgeführt werden kann, bevor ein Gerät ausfällt. Der Anwender ist Spezialist für Materialflusssysteme und plant, baut sowie installiert Fördersysteme für die Verteilungsanlagen großer Logistik- und Produktionsunternehmen. Selbst kleinere Ausfälle können bei diesen Systemen einen Betrieb zum Stillstand bringen und Umsatzeinbußen in Millionenhöhe verursachen. Deshalb legt das Unternehmen großen Wert auf die Überwachung des Zustands seiner Fördersysteme, maximale Zuverlässigkeit und minimale Wartungskosten.

Cloudbasierter Datentransfer

Zur präzisen Datenaufnahme wurden an allen abbaubaren Förderteilen, einschließlich Motoren, Getrieben und Lagern, Sensoren installiert. Diese messen Temperatur, Vibration, Fördergeschwindigkeit, Leistungsaufnahme, Luftstrom, Druck und andere wichtige Variablen. Eine besondere Herausforderung bestand im Transfer der unterschiedlichen Daten. Einige Fördersysteme befinden sich in Anlagen mit geringer oder gar keiner Konnektivität und begrenzten Möglichkeiten für drahtgebundene Verbindungen. Deshalb entwickelte DataArt eine drahtlose mobile Konnektivitätslösung, um die Daten über Gateways in die Cloud und von dort in den Cloud-Speicher zu leiten. Diese abgesicherten Industrie-Gateways unterstützen viele Protokolle wie I2C, Modbus, MQTT, Rest und weitere. Die Mobilfunkverbindung ist in diesem Fall der einfachste Weg gewesen, um eine Verbindung für entfernte oder isolierte Hardwareteile herzustellen. Für höhere Zuverlässigkeit wurden Mechanismen zum Gateway-Switching eingebaut, falls eines ausfällt.

Datenanalyse und Machine Learning

Zusätzlich zur Erfassung der Echtzeit-Sensordaten sammelte das Team historische Daten, hardwarespezifische demografische Informationen, Wetter- und Geodaten, Inspektionsergebnisse, technische Handbücher und Wartungsberichte. Zusammen mit den Messdaten bieten diese die Datengrundlage für die Ausfallprognosen. Für diese Prognosen mussten auch die jeweils sinnvollsten Algorithmen für das Training der maschinellen Lernmodelle identifiziert werden. Dabei wurden für jedes Bauteil mehrere Modelle des maschinellen Lernens entwickelt, wobei jedes Modell für die Überwachung einer bestimmten Größe (Temperatur, Vibration, Leistungsaufnahme, etc.) verantwortlich ist. Jedes Modell wurde auch geschult, um den Bereich des normalen Verhaltens zu identifizieren und festzustellen, ob Abweichungen vom normalen Bereich signifikant genug sind, um Warnmeldungen zu rechtfertigen. Hier kamen Daten zum Einsatz, die in Pilotprojekten gesammelt wurden und den Zustand der Ausrüstung unter Normalbedingungen ebenso wie bei abweichendem Verhalten darstellten. Für das prädiktive Modell kamen Rohdaten zum Einsatz, für die eigentliche Darstellung speziell aufbereitete Daten. Das Modell basiert auf LTSM-Architektur und wird mit Sensordaten gespeist, um vorhersagen zu können, wie beispielsweise Maschinen unter normalen Bedingungen arbeiten. Diese Daten werden mit denen des Ist-Zustands verglichen. Jegliche Abweichung wird als Fehlfunktion behandelt. Wobei kleinere und größere Probleme in jeweils verschiedenen Warnstufen klassifiziert werden. Damit lassen sich selbst leichte Abweichungen erkennen und damit feststellen, wann welche mechanischen Teile einer Anlage sich in kritischem Zustand befinden oder nur größere Aufmerksamkeit in der Wartung erfordern.

Seiten: 1 2Auf einer Seite lesen

www.dataart.com
Data Art

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Anzeige

Bild: Vecoplan AG
Bild: Vecoplan AG
IoT-basierte Services

IoT-basierte Services

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.

Bild: ISW Universität Stuttgart
Bild: ISW Universität Stuttgart
SDM in der Anwendung

SDM in der Anwendung

Software-defined Manufacturing (SDM) ist eine technische und methodische Lösung, um Produktionssysteme kontinuierlich an sich ändernde Anforderungen anzupassen. Nötig sind zunächst per Software anpassbare Komponenten wie Roboter oder Transportsysteme. Das große Potenzial an Wandelbarkeit und Optimierungsfähigkeit geht auch mit hoher Komplexität einher. Deshalb wird in einem Demonstrator gezeigt, wie die Vorteile praxisgerecht nutzbar gemacht werden.

Anzeige

Anzeige

Anzeige