iT Engineering Software Innovations

Predictive Maintenance in der Antriebstechnik

14. Oktober 2021, 16:37 Uhr | Judith Armbruster, Philipp Gönnheimer, M.Sc., Markus Netzer, M.Eng.
Predictive Maintenance in der Antriebstechnik
© iT Engineering

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

Anbieter zum Thema

zu Matchmaker+
Bild 1. Die Komponenten  des Bausteins ‚Collect‘ der IIoT Building Blocks.
Bild 1. Die Komponenten des Bausteins ‚Collect‘ der IIoT Building Blocks.
© iT Engineering

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.


  1. Predictive Maintenance in der Antriebstechnik
  2. Automatisierte Identifikation der Parameter

Das könnte Sie auch interessieren

Verwandte Artikel

iT Engineering Software Innovations GmbH