Maschinen- und Anlagenbauer haben zumeist ihre Gründe, warum die jeweils angebotenen Produkte nicht von Haus aus mit einem modernen Cloud-basierten Condition Monitoring (Zustandsüberwachung) oder zumindest mit dafür geeigneten Datenschnittstellen ausgerüstet werden:

• Die dafür erforderliche Sensorik und Datentechnik ist zu teuer.
• Bei einer Maschine beziehungsweise Anlage würden vor Ort sehr viele Daten anfallen, die nicht alle in die Cloud transportiert werden können.

Der Bedarf an zusätzlicher Sensorik verursacht in der Tat zusätzliche Kosten. Doch durch den Hype um das Internet der Dinge in der Consumer-Elektronik und anderen Marktsegmenten werden geeignete Sensoren immer preiswerter. Darüber hinaus bieten die meisten Anlagen durch die zum Einsatz kommende Steuerung (SPS) bereits sehr viele geeignete Daten, die bisher allerdings in der SPS verborgen beziehungsweise isoliert sind.

In einem ersten Schritt sollte man sich zunächst einmal den Zugriff auf diese Daten verschaffen und im Detail klären, welche – für die Zustandsüberwachung relevanten – Informationen sich aus den vorhandenen Daten gewinnen lassen.

Beispiel aus der Praxis

Bild 1: Für ein Cloud-basiertes Condition Monitoring steht ein Teil der dafür benötigten Daten in der SPS bereits zur Verfügung. Die zusätzlich erforderlichen Sensoren verursachen lediglich geringe Mehrkosten.

© SSV Software Systems

Hierzu soll als Beispiel ein pneumatisches Subsystem zum Materialtransport in einer Fertigungszelle dienen (siehe Bild 1). Es besteht im Wesentlichen aus einem Führungszylinder mit einem Druckluft-bewegten und SPS-gesteuerten Schlitten, der sich jeweils zwischen linker und rechter Endposition hin und her bewegt. An den beiden Endpunkten des Führungszylinders befindet sich ein Näherungssensor mit einem Schaltpunkt, um der SPS die aktuelle Endposition des Schlittens anzuzeigen (Positionen X1 und X4 in Bild 1). Nur durch den LAN-Zugriff per RFC1006-Protokoll (ISO-on-TCP) auf die beiden SPS-Eingänge für X1 und X4 lassen sich schon einmal die folgenden für ein Condition Monitoring relevanten Informationen gewinnen:

• Bisherige Gesamtstrecke des Schlittens: Der Schlitten auf dem Führungszylinder hat eine maximal Laufleistung, z.B. 3000 Kilometer. Durch das Zählen der erreichten End­positionen X1 und X4 lässt die sich Gesamtstrecke errechnen und eine Aussage zur möglichen Restlaufleistung ableiten.
• Genaue Anzahl aller Ventilbetätigungen in der Ventilinsel: Für alle zum pneumatischen Subsystem gehörenden Ventile können anhand der Endpositionen X1 und X4 die Anzahl der Ventilschaltvorgänge gezählt und die gemäß Datenblatt mögliche Restlebensdauer kann errechnet werden. 
• Zeitspanne für die Schlittenbewegung von links nach rechts und umgekehrt: Über die Zeitmessungen zwischen den Betätigungen der Schaltkontakte an den Endposition X1 und X4 lassen sich z.B. ein Überdruck (Schlitten zu schnell), ein Unterdruck oder eine mechanische Überlastung (Schlitten zu langsam) sowie Verschleiß an Schlitten und Führungszylinder erkennen.
• Stoßdämpfernutzung: Durch Errechnen der Schlittengeschwindigkeit und Zählen der Schlittenbewegungen zwischen den Endpunkten X1 und X4 ist die Auffahrgeschwindigkeit sowie die maximale Energieaufnahme pro Hub und pro Stunde grob bestimmbar. Diese Daten reichen allerdings in der Praxis nicht aus, um die Restlebensdauer eines Stoßdämpfers zu ermitteln.

Zusätzliche Sensoren nötig

Alle Zeitmessungen und Berechnungen zur Schlittengeschwindigkeit sind relativ ungenau, solange nur die digitalen Näherungssensorsignale der Endpunkte X1 und X4 zur Verfügung stehen. In der Schlittenlaufzeit zwischen diesen Endpunkten sind auch die von verschiedenen Parametern abhängigen Dämpfungsphasen der Stoßdämpfer-Hubstrecken enthalten. Insofern wird der Schaltzeitpunkt der Näherungssensoren an X1 und X4 immer um die nicht konstante Energie-Absorptionszeit der Stoßdämpfer verzögert. Die beiden Stoßdämpfer an den Schlittenenden sind aber auch die kritischen Komponenten des gesamten pneumatischen Subsystems. Reicht die Dämpfung nicht mehr aus, fährt der Schlitten ungebremst an den Anschlag des Führungszylinders. Dadurch kann es zu irreparablen Schäden am gesamten Subsystem kommen. Insofern ist es sinnvoll, den Zustand der Stoßdämpfer in das Condition Monitoring einzubeziehen und hierfür zusätzliche Sensoren zu installieren.

Will man nun die Wirkung der Stoßdämpfer messen, sollten die einfachen Näherungssensoren mit je einem Schaltkontakt durch eine spezielle Variante mit zwei Schaltkontakten ersetzt werden. Der räumliche Abstand zwischen den beiden Schaltern in einem Näherungssensor wird bei der Inbetriebnahme in einen direkten räumlichen Zusammenhang zur Stoßdämpfer-Hubstrecke gesetzt. Diese Erweiterung ergibt mit X2 und X3 zwei neue Punkte auf der X-Achse. Nun lassen sich die Zeitspannen (t1, t2) für jede Schlittenbewegung Millisekunden-genau ermitteln. Diese Hubzeiten werden sich bei längerer Betriebsdauer und damit einhergehenden nachlassendem Stoßdämpfer-Öldruck verändern und immer kleiner werden.

Vorverarbeitung der Daten

Über ein ‘Condition Monitoring Dash Board’ lassen sich die Zustände einzelner Baugruppen und Komponenten anzeigen.

© SSV Software Systems

Um für den Führungszylinder eine vorausschauende Wartung zu ermöglichen, sollten alle Daten in bestimmten Zeitabständen an einen Cloud-Service übertragen und dort gespeichert werden. Um der eingangs angesprochenen Problematik mit den zu großen Datenmengen zu begegnen, ist eine Datenvorverarbeitung hilfreich. So kann eine geeignete Mittelwertbildung für t1 und t2 über eine bestimmte Zeitspanne (zum Beispiel zwei Stunden) zu lediglich zwei t1-/t2-Werten führen, die an den Cloud-Service gesendet werden, obwohl in dieser Zeitspanne insgesamt einige tausend Messwerte angefallen sind.

Trendvorhersagen durch Auswertungen größerer Datenmengen werden im IT-Umfeld schon seit Jahren unter dem Sammelbegriff ‚Predictive Analytics‘ gemacht. Aus diesem Grund gibt es in verschiedenen Cloud-Serviceplattformen hochentwickelte und praxiserprobte Dienste, die sich auch zur Vorhersage der Ausfallwahrscheinlichkeit einzelner Maschinenkomponenten und somit zum Festlegen geeigneter Wartungstermine bzw. als Basis proaktiver Servicekonzepte eignen. Sie fallen in die Kategorie der Software-as-a-Service-Angebote (SaaS) und stehen über verschiedene Cloud- und IoT-Serviceplattformen zur Verfügung.

Um prädiktive IT-Analyse-Services für Predictive Maintenance zu nutzen, müssen vor Ort geeignete Daten erfasst beziehungsweise ermittelt, in die Cloud transportiert, mit einem Zeitstempel versehen und in einer Datenbank gespeichert werden. Dafür brauchen die Daten noch nicht einmal eine einheitliche Struktur besitzen. In der Cloud stehen sogenannte NoSQL-Datenbanken (beispielsweise Apache CouchDB, IBM Cloudant, MongoDB) als Service zur Verfügung. Diese dokumentenorientierten Datenbanken speichern unstrukturierte Daten in JSON-Strukturen.

Die Trendvorhersage-Qualität einer Predictive-Maintenance-Lösung hängt zum einen von der Menge der Historiendaten ab, die in der Cloud zur Verfügung stehen, um per Machine Learning ein geeignetes Vorhersagemodell zu erzeugen. Zum anderen spielt die Datenqualität eine große Rolle. Je mehr Umgebungsdaten zur Verfügung stehen, desto präziser die Zukunftsvorhersage. Aus diesem Grund können für das pneumatische Subsystem auch Druck, Umgebungs- und  Bauteil-Temperaturen – ja sogar der tägliche Wetterbericht – in die Datenerfassung einbezogen werden.

Wie man sieht, müssen die verborgenen digitalen Werte in Form bereits ­vorhandener Daten erkannt und genutzt werden. Gerade in Hinblick auf Cloud-basiertes Condition Monitoring und Predictive Maintenance wäre es ein relativ kleiner Schritt, die eigenen Produkte mit wertvollen neuen Eigenschaften in Form intelligenter Datenschnittstellen und Services aufzurüsten.