Für einen Daten-Retrofit werden unterschiedliche Sensoren, ein Gateway und aufgabenbezogene Informationsgewinnungs-Algorithmen benötigt.

© SSV Software Systems

Technisch sollte eine Daten-Retrofit-Lösung möglichst unabhängig von der Maschinensteuerung (SPS) und den in der Maschine bereits verbauten und mit der SPS verbundenen Sensoren sein. Mit anderen Worten: Ein Eingriff in die zeitkritische ‚Control-Loop‘ aus Sensoren, SPS und Aktoren ist möglichst zu vermeiden. Dadurch lassen sich auch die IT-Security-Risiken minimieren. Für ein Daten-Retrofit sind daher aufgabenbezogene Sensoren, ein geeignetes Industrie-4.0-/IIoT-Gateway plus die Softwarekomponenten zur Informationsgewinnung nötig.

In einem Algorithmus direkt im Gateway ist für jeden Sensor eine geeignete Kalibrierung und ein messtechnisches Verfahren eingebettet. Darüber hinaus stellt das Gateway die Daten zur Weitergabe an eine Cloud zur Verfügung.

 

© SSV Software Systems

Vor der Auswahl der Sensoren muss allerdings weitestgehend feststehen, welche Informationen am Ende benötigt werden. Der Markt bietet zwar für nahezu jede Messgröße eine Vielzahl in Frage kommender Sensoren an. Um aber aus den Sensor-Rohdaten werthaltige Informationen zu gewinnen, sind zahlreiche Zwischenschritte erforderlich. Dazu gehört zunächst einmal die Auswahl eines geeigneten messtechnischen Verfahrens inklusive Kalibrierung für jeden einzelnen Sensor, um die zur Messgröße passenden Daten zu erzeugen. Dafür ist ein umfangreiches Spezialwissen erforderlich. 

Liegen die Messgrößen-bezogenen Daten im Gateway vor, werden mit Hilfe eines geeigneten Algorithmus die benötigten Vor-Ort-Informationen gewonnen. Für den Entwurf und die Implementierung eines derartigen Informationsgewinnungs-Algorithmus wird ein entsprechendes Datenanalyse-Know-how und Expertenwissen bezüglich der jeweiligen mechatronischen Baugruppen benötigt. Dabei ist zu berücksichtigen, dass zur Informationsgewinnung verschiedene Sensordaten einer Maschine miteinander verknüpft werden (Vor-Ort-Sensordatenfusion). Um zum Beispiel einen Maschinenschaden eindeutig vom Überlastungsfall unterscheiden zu können, kann es vorkommen, dass der Algorithmus die Daten einer Strom- und Spannungsmessung mit den Ausgaben eines bildgebenden Sensors zur Objekt-Erkennung verknüpfen muss.

Wer benötigt Daten?

Die meisten Maschinenbauunternehmen besitzen komplexe Wertschöpfungsketten mit unterschiedlichen Ebenen und Instanzen. Innerhalb dieser Strukturen gibt es zahlreiche Interessengruppen, für deren tägliche Arbeit die Produktnutzungsdaten und daraus abgeleitete Informationen einen erheblichen Wert hätten. Hierzu drei Beispiele:  

1. Service: Die Hauptaufgabe einer Servicemannschaft ist es, die optimale Kundenzufriedenheit für die gesamte Produktnutzungsdauer zu gewährleisten. Dieses Ziel lässt sich in erster Linie über eine wirkungsvolle Unterstützung beim Vermeiden ungeplanter Maschinenstillstände, schnelle Reaktionszeiten im Servicefall und möglichst kurze Lieferzeiten für Ersatzteile erreichen.  Dabei helfen der Serviceleitung zeitnahe Informationen zur Nutzungsintensität (Betriebsstunden, Auslastung), die aktuellen Umgebungsbedingungen (Druck, Spannung, Frequenz, Temperatur), Infos zum Vibrationsverhalten sowie Fehler- und Störungsmeldungen. 
2. Marketing und Verkauf: Vom Marketing und dem dazugehörenden Produktmanagement werden detaillierte Vorgaben zur Weiterentwicklung bestehender Produkte erwartet. Dazu benötigt man erfahrungsgemäß unter anderem Nutzungsinformationen hinsichtlich der einzelnen Produktmerkmale (Fragestellung: Welche Produkteigenschaften werden wie oft genutzt?). Ein Vertrieb sollte über geeignete Informationen mitbekommen, ob der Kunde irgendwelche Erweiterungen gebrauchen könnte und wann es Sinn hat, den Nachfolger für die aktuell genutzte Maschine anzubieten. Mit entsprechenden Nutzungsdaten und den daraus ableitbaren Informationen lassen sich auch proaktive Serviceprodukte verkaufen.
3. Technologie-Entwicklung: In der Entwicklung liegt die Verantwortung, dass die technischen Daten einer Maschine im Praxiseinsatz beim Kunden auch wirklich geliefert werden. Insofern existiert hier ein großes Interesse an Betriebsdaten und Informationen, aus denen hervorgeht, dass die verkauften Merkmale auch zur Verfügung stehen. Darüber hinaus sind Informationen zu den Umgebungsbedingungen, dem Vibrationsverhalten sowie Fehler- und Störungsmeldungen auch für die Mitarbeiter in der Entwicklung von erheblicher Bedeutung. 

Wertschöpfung auf Kundenseite

Ähnliche Wertschöpfungsketten existieren auch auf der Kundenseite. Neben der Anforderung der Produktionsleitung, dass Maschinen auf Standards basierte Datenschnittstellen besitzen sollten, um in eine Multi-Vendor-Produktionsumgebung oder -Anlage eingebunden zu werden, besteht auch ein verstärktes Interesse an Maschinendaten zur Informationsgewinnung. Zwei Beispiele für in Frage kommende Interessengruppen: 

• Instandhaltung: Die betriebliche Instandhaltung führt Wartungsarbeiten, Inspektionen, Optimierungen und andere Arbeiten durch, um den funktionsfähigen Zustand aller Maschinen und Anlagen zu erhalten und bei einem Ausfall schnellst möglich wieder herzustellen. Darüber hinaus sollen mittels einer vorbeugenden Wartung ungeplante Stillstandszeiten vermieden werden. Mit Hilfe permanenter Maschinennutzungsdaten lassen sich alle Instandhaltungsaufgaben deutlich besser koordinieren und effektiver gestalten. 
• Controlling: Hinter jeder Maschine, die ein Unternehmen anschafft, steht eine spezielle Investitionsrechnung für einen Nutzungszeitraum von mehreren Jahren. In dieser Rechnung werden Investitions- und Betriebskosten sowie die Werte der mithilfe einer Maschine produzierten Güter berücksichtigt. Ziel ist neben der Amortisation eine Rendite für das eingesetzte Kapital. In einer Investitionsrechnung stecken daher zahlreiche Annahmen hinsichtlich Produktionsleistung (produzierte Stückzahl, Anzahl der Fehlteile) oder Energiebedarf (etwa Mengen an Hilfs- und Betriebsstoffen). Unter Verwendung aktueller Maschinendaten kann ein Finanzcontrolling mittels einer Gap-Analyse quasi in Echtzeit überwachen, ob die Amortisations- und Rendite-Erwartungen zutreffen werden und bei Abweichungen rechtzeitig Korrekturen einleiten.

Zweifache Kommunikationsfähigkeit

Zur Weitergabe der Vor-Ort-Informationen an die verschiedenen Interessengruppen des Maschinenbetreibers benötigt die Gateway-Baugruppe einer Daten-Retrofit-Lösung eine konfigurierbare OPC-UA-Schnittstelle mit einem geeigneten Informationsmodell. Diese Schnittstelle sollte darüber hinaus durch ein Maschinendaten-App-Modell unterstützt werden, um bei veränderten Anforderungen der Datennutzer mit einer nachträglich installierbaren App reagieren zu können. Im IT-Umfeld hat sich für ähnliche Aufgabenstellungen unter dem Namen Continuous-Delivery bereits eine Verhaltensweise etabliert, die auf Basis veränderter Kundenanforderungen und Testergebnisse für permanente Erweiterungen oder Fehlerkorrekturen sorgt.

Im Gateway kann ein Anomalie-Erkennungs-Algorithmus zum Einsatz kommen. Dieser vergleicht die Sensordaten mit einem vorgegebenen Regelwerk, das von einem Cloud-Service erzeugt wird.

© SSV Software Systems

Um dem Maschinenbauer als Anbieter einer Retrofit-Lösung die gewünschten Zustands- und Produktnutzungsdaten zu ­liefern, muss das Gateway die Messgrößen-bezogenen Daten der Sensoren im Zeitreihenformat (Time Series Data) per MQTT in bestimmten Intervallen an einen Cloud-Service ­schicken. Dafür ist die Zustimmung des Maschinenbetreibers erforderlich. Als werthaltigen Zusatznutzen kann der Maschinenbauer seinen Kunden eine Anomalie-Erkennung auf Basis modernster Datenanalysetechniken als Gegenleistung anbieten. Dafür werden die in der Datenbank gespeicherten Time-Series-Data von Zeit zu Zeit mittels deskriptiver und explorativer ­Analysemethoden ausgewertet. Die dabei zum Einsatz kommenden Informationsgewinnungs-Algorithmen stellen den Kunden-Gateways ein fortlaufend genauer werdendes Regelwerk zum Erkennen von Baugruppen- und System-Anomalien zur ­Verfügung. Auch für diese Algorithmen sollte ein Continuous-Delivery-Service existieren. Schließlich lassen sich aus den in der Datenbank gespeicherten Zeitreihen mithilfe entsprechender Erweiterungen auch Trends für Predictive-Maintenance-­Anwendungen, zukünftige Energie- und Betriebsmittelkosten sowie Servicetermine prognostizieren, die wiederum Kosten­optimierungen ermöglichen.

Autor:
Klaus-Dieter Walter ist Mitglied der Geschäftsführung bei SSV Software Systems.