Die Komponenten eines Predictive-Maintenance-Systems in der Produktion

© Mathworks

Die vorausschauende Wartung oder das Predictive Maintenance ist in der Industrie mittlerweile unerlässlich, um die operative Effizienz zu steigern und Wartungskosten zu senken. Allerdings stellt die Entwicklung von Predictive-Maintenance-Algorithmen für Fahrzeuge, MRT-Geräte, Windkraftanlagen oder Montagebänder auch einige Herausforderung an die beteiligten Ingenieure. Die Algorithmen-Entwicklung erfordert nicht nur umfassende Erfahrung mit Machine-Learning-Techniken, sondern auch ein solides Verständnis des Anlagenverhaltens. Fachkräfte, die Fähigkeiten in beiden Bereichen aufweisen, sind allerdings schwer zu finden.

Auch die Implementierung der Funktionalität in der Produktion erfordert eine Reihe an Schritten, um den Predictive Maintenance Algorithmus auf einer Industriesteuerung, einem Edge Device oder in der Cloud bereitzustellen. Teile eines einzelnen Algorithmus können auf verschiedenen Teilen der Infrastruktur laufen, was die Komplexität weiter erhöht.

Am Beispiel einer Verpackungsmaschine wird in diesem Artikel gezeigt, wie ein Algorithmus für die vorausschauende Wartung entwickelt und in einem Produktionssystem bereitgestellt werden kann.

Die Verpackungsmaschine

Das System zur vorausschauenden Wartung einer Verpackungsmaschine

© Mathworks

Die beispielhafte Verpackungsmaschine ist mit mehreren Roboterarmen ausgestattet. Diese bewegen sich mit hoher Geschwindigkeit hin und her, wenn sie zu verpackende Objekte auf dem Montageband platzieren. Sie sind an Industriesteuerungen (SPS) angeschlossen, die mit einem auf Microsoft Azure basierten System kommunizieren. Dieses IT/OT-System erfasst Streamingdaten von den mit den Roboterarmen verbundenen Edge-Geräten und führt Predictive-Maintenance-Algorithmen auf Basis dieser Daten aus. Das ermöglicht die Erkennung von Anomalien und die Vorhersage möglicher Störungen der Arme und meldet die Ergebnisse an die von Ingenieuren und Bedienern genutzten Dashboards zurück.

Der Algorithmus

Der Algorithmus für dieses Predictive-Maintenance-System besteht aus zwei Komponenten. Die erste Komponente läuft auf der Industriesteuerung (Edge) und verdichtet die Daten mithilfe von Feature-Extraction-Techniken. Die zweite Komponente befindet sich in der Cloud. Sie nutzt die Features sowie ein Machine-Learning-Modell, um das Auftreten von Störungen vorherzusagen und um die verbleibende Nutzungsdauer der Maschine abzuschätzen. Die Ergebnisse dieses prädiktiven Algorithmus werden nahezu in Echtzeit an das Dashboard gestreamt.

Der Feature Extraction Algorithmus

Die Diagnostic Feature Designer-App in Matlab

© Mathworks

Der erste Teil des Predictive-Maintenance-Algorithmus arbeitet mit den von den Roboterarmen erzeugten Sensor-Rohdaten. Erfasst werden Drehzahl und Stromaufnahme des Motors des jeweiligen Arms.

Die für solche Maschinen verwendeten Sensoren erreichen eine sehr hohe Datenabtastrate. Das Speichern derartig vieler Sensordaten und ihre Analyse kann kosten- und zeitaufwendig sein, da der Umfang der Messdaten die Identifikation der relevanten Datenbereiche erschwert. Dieses Problem lässt sich durch Feature Extraction lösen.

Feature-Extraction-Techniken arbeiten mit Sensor-Rohdaten und leiten daraus wichtige Kennzahlen ab, was den Speicher- und Übertragungsaufwand erheblich verringert. Die Sensoren im Roboterarm erfassen Daten im 1-kHz-Takt. Das entspricht 1000 Abtastungen pro Sekunde. Durch das Verdichten der Daten auf fünf Merkmale wird der Aufwand zur Datenspeicherung und -übertragung um den Faktor 200 reduziert.

Unter Einsatz der Diagnostic Feature Designer-App in der Predictive Maintenance Toolbox werden Sensordaten importiert und Features mithilfe verschiedener Verfahren für die Signalverarbeitung und für die dynamische Modellierung extrahiert. Die Features werden dann dahingehend klassifiziert, wie gut sie unterscheiden können, ob die Daten von einer funktionierenden oder von einer defekten Maschine stammen.

Nach Auswahl der zu extrahierenden Merkmale lässt sich der Datenverdichtungsalgorithmus in der als Edge-Gerät verwendeten SPS implementieren. Statt den Algorithmus auf einer physikalischen Maschine zu testen – und Gefahr zu laufen, sie zu beschädigen –, wird die SPS an ein auf einem Hardwaresystem von Speedgoat ausgeführtes Simscape-Modell der Roboterarme angeschlossen. Dieses Echtzeit-System kommuniziert über einen industriellen Feldbus mit der Industriesteuerung. Zuerst gilt es, mit dem ‚Simulink Coder‘ C-Code für den Datenverdichtungsalgorithmus zu erzeugen und in der SPS bereitzustellen. Dann ist das Verpackungsmaschinenmodell im Speedgoat-System zu installieren. Mithilfe von unter verschiedenen Störungsbedingungen ausgeführten Simulationen lässt sich dann sicherstellen, dass der Algorithmus ordnungsgemäß in der Praxis funktionieren wird.