Die Digitalisierung macht Produktionsanlagen transparent: Verborgene Potenziale werden ebenso leicht erkannt wie sich abzeichnende Fehlfunk-tionen im frühesten Stadium. Effizienz und Anlagenverfügbarkeit lassen sich damit in einem Maß steigern, das noch vor wenigen Jahren unerreichbar schien. Dabei nimmt die Menge an gesammelten Daten kontinuierlich zu.

Bei modernen Anlagen wird bisher nur ein Bruchteil davon gezielt ausgewertet. Ältere Anlagen sind meist nicht digitalisiert und Daten können zum Teil noch nicht einmal erfasst werden. Mit den richtigen Maßnahmen lassen sich allerdings auch bestehende Anlagen wirtschaftlich nachrüsten, wie das Beispiel Elektromotoren zeigt. Diese werden regelmäßig geprüft und gewartet, um ungeplanten Anlagenstillständen vorzubeugen – oft rein manuell, manchmal auch per Condition Monitoring auf Steuerungsebene. Mit u-sense bietet Weidmüller nun eine retrofitfähige Lösung, um die Motorüberwachung in kürzester Zeit direkt ins IIoT zu integrieren. Darüber hinaus lassen sich damit die Daten der Altanlagen in die Entwicklung von Machine-Learning-Modellen (ML-Modelle) einbinden.

Rotierende Geräte wie Motoren, Pumpen oder Getriebe sind millionenfach in Produktionsanlagen zu finden. Je nach Belastung verschleißen sie unterschiedlich schnell. Will man kostspielige Ausfälle vermeiden, müssen die Geräte sorgfältig überwacht werden – was ebenso Kosten verursacht. Besonders gilt dies für manuelle Prüfungen. Effizienter wäre hier die Einbindung der Daten in ein Analyse-Tool.

Auf das eigene Machine-Learning-Tool AutoML und die retrofitfähige Lösung u-sense setzt das Unternehmen Weidmüller beim Belüftungssystem seiner Galvanik-Anlage. Die smarte Überwachung der Ventilatoren sowie die Daten-Analyse mit dem Tool Industrial AutoML sorgen für saubere Luft in galvanischen Prozessen. Dafür befinden sich auf dem Dach der Galvanik mehrere Ventilatoren. Bisher wurden die Daten beziehungsweise der Zustand der Lüfter nicht digital erfasst. Zur Wartung und Kontrolle musste man der Galvanik – im wahrsten Sinne des Wortes – aufs Dach steigen. Um die Ventilatoren in den digitalen Prozess einzubinden, wurden sie mit dem universellen Stromsensor u-sense energy drives und dem Vibrationssensor u-sense vibration nachgerüstet. Beide Geräte enthalten Sensoren und sind durch robuste Gehäuse sowie eine industrietaugliche Anschluss- und Kommunikationstechnik für die maschinennahe Montage geeignet.

Erfassung aller relevanten Stromdaten

Der u-sense energy drives wurde in der Zuleitung montiert und erfasst alle relevanten elektrischen Zustände des Motors. Dabei kommen industrieübliche Sensoren zum Einsatz, die den Strom und Spannungsverlauf mit einer Genauigkeit von 3 % bei einer Abtastrate von 1 kHz erfassen. Über digitale und analoge Eingänge lassen sich bei Bedarf weitere Sensoren integrieren. Ein Control-Modul verarbeitet die erfassten Zustände und digitalisiert diese, sodass sowohl direkt gemessene als auch berechnete, elektrische Größen digitalisiert werden. Damit stehen nicht nur Messwerte für Spannung und Ströme aller Phasen, sondern beispielsweise auch Wirk- und Blindleistung, Schaltzyklen oder Betriebsstunden zur Verfügung. Die erfassten Stromwerte des Lüfters fließen als Trainingsdaten in die Industrial-AutoML-Software ein.

Außerdem verraten Vibrationen viel über den Zustand eines Antriebes, daher wurde der Smart Sensor u-sense vibration installiert. Die Übertragung erfolgt per Bluetooth Low Energy (BLE) 5.0. Als Stromversorgung dient eine auswechselbare AA-Batterie. Da die Übertragung per BLE und damit energiesparend erfolgt, sind Standzeiten von bis zu zwei Jahren möglich.

Gerade bei den Abluftgebläsen für die Galvanik gibt es viele Verschleißteile, zum Beispiel die Motoren oder die Antriebs-riemen, die letztendlich den sogenannten Impeller antreiben. Das Gebläse saugt über eine spezielle Filteranlage die Luft aus der Galvanik und sorgt so für einen regelmäßigen Luftaustausch. Die dabei zum Einsatz kommende Filtertechnik entspricht den neuesten Umweltkriterien. Das Abluftgebläse wiederum ist mit einer Manschette am Gebäude angebunden, welche eine entsprechende Dichtigkeit garantieren muss.

Von der reaktiven zur vorrausschauenden Wartung

Bei der genauen Betrachtung der Lüftungssysteme konnten drei wesentliche Überwachungspunkte identifiziert werden: der Antriebsriemen, der Impeller und die Manschette. Bisher wurden diese Komponenten manuell beziehungsweise visuell überwacht. Mit dem Einbinden der Daten in die Software Industrial AutoML können Service-Einsätze jetzt gezielt geplant werden beziehungsweise finden nur noch bei Bedarf statt. Damit geht eine Umstellung von einer reaktiven hin zu einer vorausschauenden Wartung (Predictive Maintenance) einher.

Aber wie können die Daten ausgewertet werden? Wie erstellt man ein Machine-Learning-Modell zur Analyse der Absauggebläse? Die Methoden und Werkzeuge des Machine Learning (ML) ermöglichen nicht nur einen digitalen Zugang zu den Daten des Lüftungssystems, sondern ermöglichen es insbesondere auch, relevante Zusammenhänge zu identifizieren.

Weidmüller möchte Maschinenbauer und -betreiber befähigen, ML-Modelle eigenständig zu erstellen und so die gesammelten Daten in einen Mehrwert zu überführen. Dafür hat das Unternehmen die Anwendung des maschinellen Lernens so stark vereinfacht, dass Domänen-Experten mit ihrem Wissen über die Maschine oder den Produktionsprozess eigenständig ML-Lösungen realisieren können – und zwar ohne Expertenwissen im Bereich Data Science. Die Software hilft bei der Übersetzung und Archivierung des Applikationswissens in eine verlässliche Machine-Learning-Anwendung. Dabei fokussiert sich der Experte auf sein Wissen zum Maschinen- und Prozessverhalten und verknüpft dieses mit den im Hintergrund ablaufenden ML-Schritten.

Mit dem Industrial-AutoML-Tool konnte in vier einfachen Hauptschritten ein ML-Modell gebaut und betrieben werden: Datenimport, Datenanreicherung, automatisierte Modell-Erstellung und Modell-Deployment.