iT Engineering Software Innovations
Predictive Maintenance in der Antriebstechnik
Industrie 4.0 fördert den Trend hin zu kleinen Losgrößen mit hoher Produktvarianz. Dadurch werden Antriebe in Maschinen und Anlagen unterschiedlich belastet und die Voraussage für den passenden Wartungszeitpunkt erschwert. IIoT Building Blocks helfen bei Predictive Maintenance.
Antriebe sind ein Kernelement von Maschinen und Anlagen: Sie sorgen ausdauernd für Bewegung und Beförderung, kurzum, sie stellen den Produktionsbetrieb sicher. In ihrem Einsatz werden sie je nach Nutzung, Fertigungseinsatz und Belastung sowie Einsatzzeit oder Betriebszeit der Maschine unterschiedlich stark beansprucht. Zusätzlich beeinflussen Umgebungsbedingungen, wie Temperatur, Luftfeuchtigkeit oder Staub, die Häufigkeit von Wartung und Instandhaltung. Die Wartung der Antriebe ist deshalb ein zentraler Faktor, welcher den Wertschöpfungsprozess des Unternehmens stützt. Dafür stehen zumeist nur enge Zeitfenster zur Verfügung.
Predictive Maintenance, sprich vorausschauende Wartung, kann helfen, die Wirtschaftlichkeit für den Produktionsbetrieb zu optimieren [1]. Dabei werden durch den Vergleich zwischen historischen und Echtzeit-Daten Vorhersagen über den zunehmenden Verschleiß und Schädigungsverlauf einzelner Teile oder Komponenten von Maschinen getätigt. Auf dieser Datenbasis werden durch Muster- und Anomalie-Erkennung passende Zeitpunkte für Wartung und Instandhaltung abgeleitet. So kann die Wartung auf die tatsächliche Verwendung der Maschine abgestimmt und ungeplante Stillstände können verhindert werden [2].
Für die Antriebstechnik ergeben sich bei der Produktion verschiedener Produktvarianten und Kleinserien zusätzliche Herausforderungen allein aus der Tatsache, dass die zugrundeliegende Datenbasis je nach produziertem Teil große Varianzen aufweisen kann. Dieser Trend wird durch Industrie 4.0 und die zunehmende Produktion kleiner Losgrößen und Sonderfertigungen verstärkt. Angewendete Methoden zur Muster- und Anomalie-Erkennung müssen entsprechend variabel und allgemeingültig sein, ohne dabei falsch positive Ergebnisse zu erzeugen. Interoperabilität, Skalierbarkeit und Performance sind entsprechende Grundvoraussetzungen für einen passenden Lösungsansatz.
Mit IIoT Building Blocks zu Predictive Maintenance
Die Grundlage für Predictive Maintenance bildet eine gute Datenbasis. Dabei braucht es einerseits eine schnelle und unkomplizierte Datenerhebung, andererseits gilt es, die erhobenen Daten zu bewerten und zu analysieren, um somit die Transformation in wertvolle Informationen zu gestalten. Mit den IIoT Building Blocks bietet iT Engineering Software Innovations eine Kombination aus Software-Komponenten und Open Source-Technologien, welche Machine-Learning-Methoden im industriellen Umfeld ermöglichen. Aufgegliedert in drei Bausteine – Collect, Explore, Improve – unterstützen einzelne Komponenten den Prozess – von der Sammlung der Daten bis zur Auswertung – passend in individuellen Anwendungsfällen. Darüber hinaus können damit Daten verschiedener Produktionsmaschinen übersichtlich zusammengeführt werden.
Der Baustein ‚Collect´ widmet sich der Datenerfassung mit drei selbstentwickelten Software-Komponenten (Bild 1):
- Der ‚Data Collector´ erfasst große, hochfrequente Datenmengen auf dem Shopfloor.
- Die ‚Collector App´ ermöglicht eine einfache Einrichtung des Systems, wie zum Beispiel die Konfiguration von Dateninputs und -outputs sowie die Auswahl und Zuordnung der zu erfassenden Daten.
- Der Browser unterstützt bei der Visualisierung und Auswahl von vorhandenen Variablen von Maschinensteuerungen.
Im Baustein ‚Explore‘ werden relevante Daten optisch aufbereitet und strukturiert ausgewertet, während der eigentliche Nutzen der Daten im Baustein ‚Improve´ entsteht. Die erfassten Daten werden statistisch ausgewertet, es werden Korrelationen identifiziert und passende Machine Learning-Modelle trainiert. Dabei dienen Open Source-Lösung zur Visualisierung und Anwendung von Methoden im Sinne von Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML). Auf Basis der gewonnenen Informationen und Prognosen können entsprechend Prozesse optimiert, Wartungszyklen angepasst oder Fertigungsqualitäten erhöht werden.
Forschungsprojekt EN-AI-BLER
Eine konsistente Datenpipeline auch in heterogenen Produktionslandschaften aus einer Vielzahl an Maschinen und Anlagen zu ermöglichen, ist das Ziel des Forschungsprojektes EN-AI-BLER – ‚Intelligente Bereitstellung von Produktions-daten zur Steigerung der Wertschöpfung durch KI-Anwendungen‘. Ein Schwerpunkt liegt dabei auf der Standardisierung und automatischen Datenstrukturierung im Brownfield. Im Rahmen des Projekts wird an einem KI-basierten Identifikationsalgorithmus gearbeitet, um nicht-standardisierte Maschinen und Anlagen an Plattformen anbinden zu können [3]. Es soll eine nachrüstbare Datenpipeline entstehen, mit der auch bestehende Produktionsanlagen über Branchengrenzen hinweg zur Nutzung von KI-Modellen befähigt werden können. Die auf diesen Daten aufgebauten KI-Modelle können zur Verbesserung der Verfügbarkeit der Produktion in unterschiedlichsten Branchen dienen. Dieses Projekt wird in Kooperation vom wbk Institut für Produktionstechnik am Karlsruher Institut für Technologie (KIT), Braun Sondermaschinenbau (Hersteller von Fertigungs- und Montageanlagen) und iT Engineering Software Innovations durchgeführt und im Rahmen des KI-Innovationswettbewerbs Baden-Württemberg vom Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg gefördert.
Automatisierte Identifikation der Parameter
Bestehende Software-Komponenten ermöglichen bereits die Anbindung von heterogenen Datenquellen im Produktionsumfeld, zum Beispiel mittels OPC UA oder MQTT. Zugleich ist die Maschinensteuerung selbst eine wesentliche und zentrale Datenquelle. Durch umfangreiche Optionen in der Verbindungsherstellung und Konfiguration können bereits verschiedene Quellen zusammengeführt und Variablen nach Wahl des Nutzers gesammelt werden. Jedoch bleibt eine zeitaufwendige und manuelle Identifikation der Daten, um eine Zuordnung von Maschinen und Steuerungsparametern vorzunehmen. Abhilfe leistet die automatisierte Parameter-identifikation mit einem dreistufigen Prozess. In einem ersten Schritt wird mit Hilfe von ML-Methoden eine Klassifikation der erhobenen Zeitreihendaten durchgeführt. Dabei ergibt sich eine Zuordnung zu Klassen, beispielsweise Positions-, Motorstrom- oder Geschwindigkeitsdaten. Eine zweite Stufe ermöglicht eine granulare Unterscheidung zwischen den Parametern. Dadurch lässt sich beispielsweise ein Soll- von einem Ist-Positionssignal unterscheiden. Weiterführend wird in einem dritten Schritt eine korrelationsbasierte Zuordnung zu Achsen sowie eine regelbasierte Unterscheidung zwischen verschiedenen Achsentypen vorgenommen [4].
Diese Parameteridentifikation ermöglicht den Einsatz von intelligenter Datenverarbeitung durch einfachen und schnellen Datenzugriff und Parameterzuordnung und bildet auch im Bereich der Antriebstechnik die Grundlage für zahlreiche Anwendungsfälle, unter anderem Predictive Maintenance. Mit Hilfe eines Sensors können Daten des Antriebs erhoben werden, die gemeinsam mit vorhandenen Variablen aus der Steuerung zur Klassifikation und Identifikation zur Verfügung stehen (Bild 2). Die erhobenen Daten vom Antrieb werden in einem Edge-Device zusammengeführt und verarbeitet. Dabei ist eine zeitliche Synchronisation der unterschiedlichen Daten wichtig, damit eine Vergleichbarkeit sichergestellt und Abhängigkeiten erkannt werden können. Zusätzlich ist bei der Auswahl passender Software-Lösungen und Systemkonfigurationen wichtig, dass die Leistungsfähigkeit der Maschine wie auch die Prozesse der gesamten An-lage nicht beeinträchtigt werden. Um dies sicherzustellen, bietet sich die Auslagerung der Datenspeicherung in Echtzeit auf einer Edge-Cloud an.
Basierend auf den gesammelten Daten können Dashboards erstellt werden. Diese bringen nicht nur durch die visuelle Komprimierung und Veranschaulichung der Daten selbst einen Mehrwert, sondern ermöglichen darüber hinaus, dass Optimierungsansätze gefunden werden und Transparenz über den gesamten Produktionsprozess geschaffen wird. Die Visualisierung unterstützt dabei eine schnelle Auffassung und Interpretation der Daten. Beispiele für Dashboards, die auf Basis von Antriebsdaten erstellt wurden, sind in Bild 3 dargestellt.
Unerwartet auftretende Abweichungen, zum Beispiel erhöhte Schwingungen, Störgeräusche oder veränderte Stromaufnahme, die auf eine hohe Abnutzung und einen künftigen Ausfall hindeuten, werden sehr frühzeitig erkannt und erlauben Aus- und Vorhersagen über die Verfügbarkeit, den Status und Zustand der Anlage über Prozessgrenzen hinweg. Entsprechend ergeben sich für den Bereich der Antriebstechnik weitere Möglichkeiten, um Potenziale zu finden und Optimierungen durchzuführen sowie neue Geschäftsmodelle im Rahmen von Predictive Maintenance umzusetzen. Der iterative Kreislauf für jene Optimierungen ist in Bild 4 darstellt.
Flexibilität schaffen
Im Produktionsumfeld liegen besondere Herausforderungen in der Kommunikation verschiedener Anlagen und Steuerungssysteme, im Austausch von Daten und Vorhersagewerten sowie in der Heterogenität der Daten und Anlagen. Deshalb werden zukünftig die vorhandenen Software-Module der IIoT Building Blocks in Bezug auf die Adaptierbarkeit unterschiedlicher Maschinensteuerungen angepasst und die Anzahl der verfügbaren Input-Schnittstellen erweitert. Da-rüber hinaus gilt es, Lösungen für weitere Herausforderungen zu finden, beispielsweise Daten aus den Produktionsmaschinen auch dann verfügbar zu machen, wenn deren Adressen sowie der Aufbau der Datenbausteine und Variablen nicht bekannt sind.
Daraus ergibt sich gleichzeitig eine Vereinfachung und somit auch Verbreiterung der Anwendungsmöglichkeiten für KI-/ML-Lösungen, sodass zum Beispiel Predictive Maintenance für ein breites Spektrum an Maschinen und Antriebstechnik verfügbar wird. Durch flexible Out-of-the-Box-Lösungen kann damit der wachsende Trend und Bedarf nach individuellen Lösungen bedient werden.
Literatur
[1] Nagel, M., Klein, A. (Hrsg.): „Predicitive Maintenance: Zukunftsweisender Ansatz für mehr Effektivität und Effizienz in der Instandhaltung“ in Modernes Produktionscontrolling für die Industrie 4.0. Freiburg. Haufe, 2018.
[3] wbk Institut für Produktionstechnik: Forschungsprojekt EN-AI-BLER. 2021. [Zugriff am: 28.7.2021]
[4] Netzer, M., Gönnheimer P., Schäfer, W., Grosser, K., Fleischer, J.: Datenenabling zur breiten Anwendung von KI in der Produktion. WT Werkstatttechnik BD. 07/08-2021.
Die Autoren
Judith Armbruster ist Produktmanager IIoT Building Blocks bei iT Engineering Software Innovations.
Philipp Gönnheimer, M.Sc., ist Gruppenleiter für Werkzeugmaschinen und Mechatronik am wbk Institut für Produktionstechnik des KIT.
Markus Netzer, M.Eng., ist wissenschaftlicher Mitarbeiter am wbk Institut für Produktionstechnik des KIT in der Abteilung Werkzeugmaschinen und Mechatronik.
Das könnte Sie auch interessieren
KI-gesteuertes Predictive Maintenance
Ungeplante Netzwerkausfälle sind Gift für unternehmerische Prozesse. Cisco geht jetzt dieses Problem mit einer KI-basierten Technologie zur Vorhersage und möglichen Behebung von Netzwerkproblemen an.
mehr...Mobil statt stationär
Neben technischen Schritten der Inspektion, Wartung, Instandsetzung und Verbesserung sind beim Instandhaltungsmanagement auch administrative Aspekte wie Planung, Auswertung und Rückmeldung wichtig. Effizient funktioniert dies mit einer mobilen...
mehr...Kommunikatives Energiemanagement
Pxt-Geräte optimieren als aktive Verbindungsglieder zwischen Antriebselektronik und elektrischen Speichereinheiten den Energiehaushalt elektrischer Antriebssysteme. Spezielle Kommunikation ist dafür zwar nicht zwingend erforderlich, ermöglicht aber...
mehr...Der Digitale Zwilling als Basis
Wie sich durch Software Automatisierungssysteme verändern, welche Möglichkeiten dadurch entstehen und welche Rolle der digitale Zwilling dabei spielt, erläutert Wolfram Schäfer, Geschäftsführer von iT Engineering Software Innovations, im Interview.
mehr...iT Engineering Software Innovations
Digitalisierung der Produktion
Die IIoT Building Building Blocks von iT Engineering Software Innovations unterstützen den kompletten Prozess der industriellen Datenverarbeitung – von der Sammlung der Daten bis zu deren Auswertung.
mehr...Autotuning für Industrieantriebe
Maschinen funktionieren nur dann optimal, wenn die eingesetzten Antriebe bei der Inbetriebnahme an den Antriebsstrang angepasst sind: Dafür müssen die Parameter der Software im Umrichter maschinenspezifisch eingestellt werden. Ein integriertes...
mehr...Integrationslevel steigern
Wie beeinflussen Digitalisierung, Nachhaltigkeit und KI die Entwicklung von Präzisionsantriebstechnik? Sebastian Markert, Leiter Forschung und Entwicklung, und Mathias Blaskovic, Produktmanager Präzisionsgetriebe, von Sumitomo Drive Technologies...
mehr...RWTH Aachen bietet Handlungsleitfaden
Einen generischen Handlungsleitfaden für die erfolgreiche Anwendung von Predictive Maintenance hat das WZL der RWTH Aachen entwickelt. Er steht nun zum Download bereit.
mehr...Vorausschauende Wartung optimieren mit KI
Predictive Maintenance basiert nicht auf statischen Modellen, sondern muss sich ständig den Gegebenheiten anpassen. Machine-Learning-Algorithmen können dabei helfen.
mehr...