Die Wirtschaftlichkeit von eingesetzten Maschinen und Anlagen ist heutzutage eines der wichtigsten Themen für Unternehmen. Das gilt branchenübergreifend in der industriellen Fertigung ebenso wie in der Prozesstechnik. Um die Kosten-Nutzen-Analyse sauber zu betrachten, sind nicht nur die Anschaffungskosten eines Assets zu berücksichtigen, sondern auch die Kosten für dessen reibungslosen Betrieb. Gerade in Bezug auf den letztgenannten Kostenbereich sind im Lichte der aktuellen Digitalisierungsaktivitäten und des wachsenden Einsatzes von intelligenten KI-basierten Systemen in der Industrie sehr günstige Voraussetzungen vorhanden. Um die Betriebskosten möglichst gering zu halten, ist auf eine hohe Verfügbarkeit des Assets zu achten. Schon der Ausfall einer kleinen Komponente an einer Maschine oder Anlage kann zum Stillstand des Gesamtsystems führen und somit beträchtlichen wirtschaftlichen Schaden verursachen. Oder anders gesagt: Die Verfügbarkeit von ganzen Systemen kann durch eine Verringerung der Ausfallzeiten der schwächsten Komponente, zum Beispiel durch Zustandsüberwachungssysteme, bereits entscheidend verbessert werden. Zudem bietet der Einsatz von Methoden aus der Künstlichen Intelligenz interessantes Potenzial.

Für eine zustandsbasierte Überwachung von Systemen ist zunächst die Bestimmung des Verschleißzustandes eines Assets in bestimmten Abständen notwendig. Dazu gilt es, eine kontinuierliche Überwachung von bestimmten Sensorwerten – oftmals Schwingbeschleunigung, aber auch Temperatur, Kraft/Drehmoment und vieles mehr – durchzuführen. Um die dabei entstehenden Daten sinnvoll miteinander vergleichen zu können, ist darüber hinaus die Erhebung des jeweiligen Betriebszustandes, beispielsweise von Drehzahlen, Steuerparametern oder Regelgrößen, erforderlich. Letztere Daten können oft relativ einfach aus der übergeordneten Prozesssteuerung gewonnen werden. Demgegenüber sind für die Bestimmung des Verschleißzustandes eines Systems in den allermeisten Fällen zusätzliche Messungen erforderlich, die für einen erfolgreichen Prozessablauf nicht notwendig wären, also nicht bereits direkt zur Verfügung stehen. Aus diesem Mix an Daten können Rückschlüsse auf den aktuellen Verschleißzustand der überwachten Systeme gezogen werden. Der Einsatz solcher Zustandsüberwachungssysteme ermöglicht eine vorausschauende Überprüfung von technischen Systemen und somit eine prädiktive Wartungsstrategie.

Zustandsbasierte Überwachung bei Hydraulikpumpen

Bild 1. Hydraulikpumpen und im speziellen Axialkolbenpumpen gelten in einem komplexen Automatisierungssystem als kostengünstige Komponente. Dennoch ist eine Zustandsüberwachung ratsam. Das Luftschall-Monitoring als kostengünstiges Verfahren eignet sich dazu.

© Bosch Rexroth

Hydraulikpumpen und im Speziellen Axial- kolbenpumpen (Bild 1) gehören zu den am weitesten verbreiteten Automatisierungs- und Leistungskomponenten in der Industrie und Prozesstechnik. Sie werden gern auch als ‚Arbeitspferde‘ der Hydraulik bezeichnet und können im Vergleich zu komplexen Maschinen oder Anlagen sicherlich als preisgünstige Geräte gelten. Infolgedessen erscheint es für eine Produktionsleitung durchaus als gangbarer Weg, genügend Ersatzgeräte vorzuhalten. Im
Falle eines Ausfalles einer solchen Pumpe kann dann relativ schnell reagiert werden – eine entsprechende Lagerhaltung vorausgesetzt. Aber zum einen sind die vorgehaltenen Geräte für das Unternehmen einfach nur totes Kapital. Zum anderen können Folgeschäden, die bei einem Ausfall der Pumpe eventuell auftreten, trotzdem enorme finanzielle Verluste nach sich ziehen. Deshalb ist auch für solche Basiskomponenten der Automatisierungstechnik der Einsatz von zustandsbasierten Überwachungssystemen für Condition Monitoring oder Predictive Maintenance angebracht und sinnvoll. Im Falle einer durchschnittlichen Axialkolbenpumpe sollten allerdings die zusätzlichen Kosten für ein solches Überwachungssystem inklusive der dazugehörigen Sensorik vergleichsweise gering ausfallen. Und an dieser Stelle haben bisherige Lösungen ein Problem.

Die Bestimmung des Verschleißzustandes einer Hydraulikpumpe ist ein komplexes Unterfangen. Die erste Wahl scheint der Einsatz von Schwingungssensorik – also die Messung von Körperschall – zu sein. Entsprechende langjährige Untersuchungen wurden unter anderem von einer Fraunhofer-Forschungsgruppe in Partnerschaft mit einem Hersteller von Axialkolbenpumpen bereits durchgeführt. Im Ergebnis ist allerdings das Kostenverhältnis von Überwachungssystem zu Pumpe zumindest für Standardpumpengrößen zu ungünstig. Eine weitere Idee ist deshalb
der Einsatz von Mikrofonen zur Messwertaufnahme. Der Vorteil dieser Methode ist, dass die Messungen relativ einfach und kostengünstig mit Standardmikrofonen umsetzbar sind. Das erhöht die Flexibilität in Hinsicht auf die Einsatzmöglichkeiten sowohl in der stationären als auch der mobilen Hydraulik. Demgegenüber steht allerdings der Nachteil, dass jede Menge Störeinflüsse in Form von Umgebungsgeräuschen die Auswertung erschweren. Deshalb ist es wichtig, je nach Anwendungsfall Lösungen dafür zu finden, wie die Störeinflüsse soweit unterdrückt werden können, dass die relevanten Informationen in den Messungen erhalten bleiben. Ist das möglich, wird die Luftschall-Messung zu einer echten Monitoring-Alternative.

Künstliche Intelligenz als Hilfsmittel

Bei den Untersuchungen der Partner kam für Axialkolbenpumpen die Nutzung eines auf dem Markt verfügbaren Condition-Monitoring-Systems (CMS) nicht in Frage, da diese als kostenintensive Speziallösungen nicht oder nur sehr eingeschränkt geeignet sind. Bei solchen Systemen steht der Anwender außerdem häufig vor dem Problem, zunächst bestimmte, aus den Messungen zu ermittelnde Kennwerte auswählen und dann für diese selbst Grenzen vorgeben zu müssen, bei deren Überschreiten Alarme in verschiedenen Stufen aus-gelöst werden sollen. Dieses Vorgehen ist für den betrachteten Anwendungsfall weder sinnvoll noch praktikabel.

Für die Auswertung der Luftschallmessungen setzten die Partner deshalb auf Verfahren, die Ansätze aus dem Umfeld der Künstlichen Intelligenz nutzen. Mit dieser Herangehensweise haben die Forscher des Fraunhofer IIS/EAS in Zusammenarbeit mit den Ingenieuren des Industriepartners einen neuartigen Monitoring-Ansatz auch für preisgünstige Maschinenkomponenten realisiert. Hierfür führten sie eine automatische Analyse der Daten aus unterschiedlichen Einsatzumgebungen durch und untersuchten verschiedene Klassifikatoren.

Mithilfe mathematischer Algorithmen lernt das System zunächst die für eine Überwachung der Pumpe relevanten Betriebszustände selbstständig. Das geschieht durch eine datenanalytische Auswertung der erfassten Betriebszustandsgrößen, welche im Fall einer Axialkolbenpumpe im Allgemeinen die Drehzahl und der Schwenkwinkel der Schrägscheibe sind. Dabei werden oft auftretende Konstellationen beispielsweise durch Auswertung bestimmter Histogramme festgestellt und so entsprechende Betriebszustände definiert.

Im Weiteren kann für jeden dieser Betriebszustände ein individueller ‚Daten-Fingerprint‘ erstellt werden. Veränderungen hieran deuten dann auf eine Veränderung der aktuellen Verschleißsituation hin. Zum Erkennen der verschiedenen Verschleißsituationen errechnet ein generischer Algorithmus zahlreiche statistische Kenngrößen sowohl aus den Zeitsignalen der Fingerprints als auch aus deren Frequenztransformationen. Aus diesen Kenngrößen werden die letztlich relevanten Unterscheidungsmerkmale automatisch ermittelt. Voraussetzung für diese Vorgehensweise ist das Vorhandensein einer ausreichenden Anzahl an Messungen für alle betrachteten Betriebszustände.

Implementierung für die Axialkolbenpumpe

Bild 2. Vergleich des Klassi­fikationserfolges bei Nutzung verschiedener Klassifikationsmethoden.

© Fraunhofer IIS/EAS

Die Axialkolbenpumpe beinhaltet bauartbedingt sowohl rotierende als auch sich linear bewegende Teile. Insofern ist die Bestimmung notwendiger Merkmale aus Messungen aufgrund von physikalischen Zusammenhängen, wie es beispielsweise bei Wälzlagern sehr gut bekannt ist, nicht sinnvoll möglich. Stattdessen werden Schwingungen aller Art, sprich Körperschall und Luftschall, ausgewertet, um Zusammenhänge zu den Verschleißsituationen herstellen zu können.

Vorhergehende Untersuchungen der Partner haben aufgezeigt, dass kleinste Veränderungen in der umgebenden Situation zu geänderten Schwingungseigenschaften führen können. Das betrifft in erster Linie die Verschraubungssituation. Weiterhin sind Betriebsdrücke, Ölvolumina und Schlauchlängen von Bedeutung. Das führt dazu, dass im Fall einer Hydraulikpumpe eine Verallgemeinerung der Verschleiß-effekte und der damit im Zusammenhang stehenden Merkmale in den Messungen kein gangbarer Weg sind. Vielmehr muss während des Einsatzes einer ‚gesunden‘ Pumpe der Datenpool zum Training der KI aufgebaut werden. Auf dieser Basis sind dann Anomalie-Untersuchungen und später Klassifikationen – also die Zuordnung zu schon bekannten Klassen – möglich. Im Bild 2 ist beispielhaft für einen Testdatensatz einmal der Vergleich des Klassifikationserfolges bei Nutzung verschiedener Klassifikationsmethoden dargestellt. Für einen effektiven Einsatz muss sowohl das Training der KI als auch deren Einsatz als fertig trainierte Methode auf einer kleinen, lokalen Hardware – einem Edge-System – abgearbeitet werden können.

Welchen Nutzen hat der Anwender?

Prädiktive Instandhaltungsstrategien sind derzeit noch nicht sehr weit verbreitet. Für schwierig zu überwachende Systeme und Komponenten, die noch dazu als eher preisgünstig gelten, wird die Erarbeitung einer sinnvollen Lösung meistens gar nicht erst in Angriff genommen. Aber wie bereits ausgeführt kann eine solche prädiktive Instandhaltungsstrategie auch bei sehr kostengünstigen Komponenten enorme Kostenvorteile generieren. Ein wichtiger Punkt ist dabei die Erhöhung der Betriebsstunden bis zu einer notwendigen Wartung oder einem Austausch von Komponenten. Weit interessanter in finanzieller Hinsicht ist allerdings das Vermeiden von Folgeschäden, die durch unerkannte Verschleißsituationen auftreten können. Während eine abgenutzte Komponente meist mit wenig Aufwand ersetzt werden kann, sind die Kosten für daraus resultierende Schäden innerhalb einer Anlage oftmals unverhältnismäßig höher. Durch die Einführung eines Monitoring-Systems mit mehreren Alarmstufen kann ein Ersatzteil bei Bedarf rechtzeitig bestellt werden. Damit lassen sich die notwendigen Wartungs- und Instandhaltungsarbeiten vorausschauend planen. Das wiederum führt dazu, dass ein Unternehmen sein Ersatzteillager verkleinern kann bei gleichzeitig verringertem Risiko eines Maschinen- oder Anlagenausfalls. So lässt sich effektives Management von Produktion oder technischem Prozess datengestützt erfolgreich umsetzen.

Der Autor: Dr: Olaf Enge-Rosenblatt leitet am Fraunhofer IIS/EAS die Forschungsgruppe Datenanalysesysteme.

© Fraunhofer IIS/EAS

Das an der Axialkolbenpumpe erprobte KI-gestützte Luftschall-Monitoring ist prinzipiell auch auf andere Basiskomponenten übertragbar. Um als Betreiber oder Hersteller solcher – oftmals kostengünstiger – Komponenten diese Vorteile ohne viel Mühe nutzen zu können, bietet das System der Fraunhofer-Forscher einen vielversprechenden Ansatz: Durch eine einfache und kostengünstige Messwertaufnahme, eine automatische Datenanalyse und die selbstlernende Klassifikation werden die Vorteile eines CMS mit der einfachen Bedienbarkeit einer autonom arbeitenden Software vereint. Dadurch bieten sich völlig neue Anwendungsgebiete, die über klassisches Condition Monitoring hinausgehen. Prozess-Monitoring ist hier das Schlagwort, an dem sich die Forscher orientieren. Die an einer Basiskomponente erhobenen Daten können und sollten hierfür ebenso einbezogen werden wie entsprechende Daten anderer Anlagenkomponenten. Dazu ist – neben der entsprechenden Ausstattung mit Mikrofonen – eine Zusammenführung dieser Sensorwerte mit den anfallenden Prozessdaten notwendig. Dadurch wird eine gleichrangige Verwendung beider Datenkategorien möglich, wodurch mit intelligenter Zustandsüberwachung sogar Veränderungen in einem gesamten Produktions- oder einem verfahrenstechnischen Prozess erkannt und automatisch gemeldet werden können, was wiederum rechtzeitig entsprechende Reaktionen ermöglicht.