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.

Fortsetzung des Artikels von Teil 1

Automatisierte Identifikation der Parameter

Bild 2. Anbindung von  Antriebstechnik an Plattformen zur Datenanalyse
Bild 2. Anbindung von Antriebstechnik an Plattformen zur Datenanalyse
© iT Engineering

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.

Bild 3. Beispiel für Dashboards aus Antriebsdaten
Bild 3. Beispiel für Dashboards aus Antriebsdaten
© iT Engineering

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.

Bild 4. Iterativer Kreislauf für Optimierungen durch Predictive Maintenance
Bild 4. Iterativer Kreislauf für Optimierungen durch Predictive Maintenance.
© iT Engineering

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. 

[2] iT Engineering Software Innovations: Anwendungsfall Predictive Maintenance. 2021.[Zugriff am: 28.7.2021]

[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

Die Autoren (von links): Judith Armbruster, Philipp Gönnheimer, Markus Netzer
Die Autoren (von links): Judith Armbruster, Philipp Gönnheimer, Markus Netzer
© iT Engineering

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.


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

Das könnte Sie auch interessieren

Verwandte Artikel

iT Engineering Software Innovations GmbH