Die überproportional zunehmende Menge an Daten, die heute während des Produktionsprozesses anfällt, ist einer der Haupttreiber für globale Megatrends wie Smart Industry, Industrie 4.0 oder das Industrial Internet of Things (IIoT). Günstige und platzsparende Sensorik wird quasi überall dort verbaut, wo sich potenziell interessante Messgrößen vermuten lassen – enorme Speicherkapazitäten sorgen dafür, dass kein Bit und Byte verloren geht. Doch was geschieht mit all den Messdaten? Wie tragen sie bereits heute dazu bei, den Produktionsprozess und die daran beteiligten Maschinen zu verbessern?

Ein Anwendungsbereich, der bereits heute von vielen innovativen Unternehmen erfolgreich umgesetzt worden ist, ist die vorausschauende Wartung oder Predictive Maintenance. Dabei werden mathematische Modelle verwendet, um auf Basis der laufend eingelesenen Maschinen- und Produktionsdaten Voraussagen über den Zustand der Anlage abzuleiten (Health Monitoring). Diese werden dann in der Regel genutzt, um Service-Intervalle optimal zu planen, Produktionsausfälle zu vermeiden oder zu minimieren und um den Produktionsumsatz zu maximieren.

Der Predictive-Maintenance-Workflow lässt sich in vier Schritte unterteilen – Einlesen der Daten, Vorverarbeitung, Vorhersage auf Basis von prädiktiven Modellen und Inte­gration in das IT-System.

© MathWorks

Die technische Umsetzung von Predictive Maintenance lässt sich dabei in vier grobe Schritte unterteilen. Im ersten Schritt werden die Daten eingelesen. Das kann direkt von der an der Maschine verbauten Industriesteuerung – zum Beispiel über OPC UA oder MQTT – erfolgen oder mittels Zwischenschritt über eine Datenbank oder Cloud. Im zweiten Schritt erfolgt die Vorverarbeitung der Daten. Dies kann etwa die Glättung von verrauschten Sensorsignalen, die Interpolation von fehlenden Messpunkten oder die Transformation in den Frequenzbereich sein. Da die Vorverarbeitung in vielen Fällen zeitkritisch ist und die zu übertragenden Datenmengen reduziert, erfolgt dieser Schritt oft noch direkt auf dem Embedded Controller oder der Echtzeit-SPS. Der dritte Schritt umfasst die eigentliche Prädiktion auf Basis von Vorhersagemodellen, etwa mittels Machine Learning. In der Praxis wird der Predictive-Maintenance-Workflow direkt in das bestehende IT-System der Produktionsanlage integriert.

Einlesen und Vorverarbeiten

Um auf Basis von gemessenen Maschinen-, Produkt- und Energiedaten Vorhersagen über den Zustand der Anlage und des Produktionsprozesses machen zu können, müssen die Daten erst eingelesen und vorverarbeitet werden, bevor sie dem eigentlichen Vorhersage-Algorithmus zugeführt werden. In vielen Applikationen wird das durch den Umstand vereinfacht, dass die Messdaten bereits ohnehin in einer Datenbank, auf einem zentralen Server oder in der Cloud abgelegt werden. In diesem Fall müssen die Daten nur noch über eine entsprechende Schnittstelle abgeholt werden. Zum Teil ist es allerdings erforderlich, Messwerte direkt vom Echtzeit-System – also einer SPS, einem Industrie-PC, einem Servoantrieb oder einem Embedded Controller – einzulesen. Dabei kommen in der Regel universelle Kommunikationsprotokolle wie OPC Unified Architecture (OPC UA) oder Message Queue Telemetry Transport (MQTT) zum Einsatz.

Ein wesentlicher Bestandteil jeder erfolgreichen Predictive-Maintenance-Umsetzung ist die Vorverarbeitung der Daten. Dabei werden etwa verrauschte Signale mittels Filter geglättet oder fehlende Messwerte durch Interpolation ergänzt. Die Vorverarbeitung ist in der Regel ein umfangreicher und zeitkritischer Schritt, der darüber hinaus die für die Übertragung zum prädiktiven Algorithmus notwendigen Datenmengen signifikant reduzieren kann. Aus diesem Grund findet das Preprocessing in den meisten Fällen noch direkt am Echtzeit-System statt. In der Praxis werden die entsprechenden Algorithmen modellbasiert entwickelt und dann automatisch in echtzeitfähigen Quellcode umgesetzt.

Machine Learning als Basis

Das Trainieren des prädiktiven Models erfolgt intuitiv über die ‚Classification Learner App‘ in Matlab.

© MathWorks

Mit zunehmender Rechenleistung werden statistische Verfahren für die Modellierung von Vorhersagen wie Machine Learning oder Deep Learning auch in der Praxis immer relevanter. Diese Algorithmen erlauben eine Modellierung der an der Anlage stattfindenden Prozesse auch dann, wenn die analytischen Modelle nicht im Detail bekannt sind. Plattformen für die Datenanalyse, wie Matlab, bieten eine umfangreiche Palette an Machine-Learning-Algorithmen, die vom Anwender im Zusammenspiel mit den aufgezeichneten Messdaten verglichen und dann im Produktivsystem umgesetzt werden können. Das Trainieren des prädiktiven Models erfolgt dabei intuitiv über die ‚Classification Learner App‘. Nachdem der Messdatensatz in einen Identifikations- und einen Validierungsteil aufgeteilt wurde, werden in der interaktiven Bedienoberfläche unterschiedliche Machine-Learning-Algorithmen, wie zum Beispiel Support Vector Machines, Nearest Neighbor Classifiers oder Decision Trees, angewandt.

So kann zum Beispiel die Firma ­Mondi in Gronau, ein Hersteller von Verpackungsfolien, durch den Einsatz von Machine-Learning-Algorithmen in Kombination mit aufgezeichneten Sensor- und Qualitätsdaten 50.000 bis 80.000 Euro an Ausschuss pro Monat an jeder einzelnen ihrer Folienproduk­tionsmaschinen einsparen.

Integration in bestehende IT-Systeme

Die Algorithmen und Modelle für die prädiktive Wartung werden in der Regel in einen zeitkritischen Anteil, der auf echtzeitfähigen Embedded Systems läuft, und einen nicht-zeitkritischen Anteil, der in die zentrale IT-Infrastruktur integriert wird, aufgeteilt.

© MathWorks

Um Predictive Maintenance im Produktionsprozess zu verankern, werden die prädiktiven Modelle und Algorithmen in der Praxis in das bestehende IT-System integriert. Das kann – wie im Fall der Vorverarbeitung – bedeuten, dass die Algorithmen in echtzeitfähigen C-oder C++-Quellcode umgewandelt und auf der Industriesteuerung implementiert werden. Im Fall von nicht-zeitkritischen statistischen Modellen laufen diese als Bestandteil der bestehenden Prozesssoftware am zentralen Produktionsserver mit.

Die Stiwa Group, ein Automatisierungsunternehmen mit Hauptsitz in ­Österreich, konnte die eigenen Produktionsanlagen optimieren und die Taktzeit für ihre Bearbeitungsverfahren um bis zu 30 % verkürzen, indem sie in Matlab entwickelte Optimierungsalgorithmen in ihre Anlagenleitstandsoftware ‚AMS ZPoint-CI‘ inte­griert hat.

Neue Businessmodelle

Der Vorteil aus dem Einsatz von Predictive Maintenance für den Anlagen- und Maschinenbetreiber liegt auf der Hand. Die optimierte Planung von Service-Intervallen, die Reduktion von Stillstandzeiten und die Maximierung der Produktion stellen einen direkt messbaren Mehrwert dar, der sich in vielen Fällen in Return-on-Invest-Zeiten von wenigen Monaten niederschlägt. Doch auch für den Anlagen- und Maschinenbauer birgt die prädiktive Wartung klare Vorteile. So können vor allem europäische Hersteller, die sich kaum durch Preisvorteile gegenüber der Konkurrenz von Ost und West absetzen können, mit zuverlässigeren Maschinen im internationalen Wettbewerb punkten. Darüber hinaus bieten bereits heute zahlreiche Maschinenbauer Serviceverträge für ihre Kunden an, die einen Mindestdurchsatz garantieren und auf prädiktiven Datenmodellen basieren. Dadurch haben sie sich neben dem eigentlichen Verkauf von Maschinen und Anlagen ein zusätzliches Geschäftsfeld durch kontinuierlichen Serviceumsatz erschlossen.

Autor:
Philipp Wallner ist Industrie-Manager für Industrial Automation & Machinery bei Mathworks.