Themen wie Predictive Maintenance, Condition Monitoring und Prognosemodelle, die auf Künstlicher Intelligenz (KI) basieren, genießen derzeit hohes Interesse im Maschinenbau. Allerdings: „Viele Kunden haben keine Vorstellung davon, was prognostiziert werden könnte“, weiß Lenze-CTO Frank Maier aus eigener Erfahrung und ergänzt: „Immer wieder werden Condition Monitoring und Predictive Maintenance als synonyme Bezeichnungen verwendet – dabei sind es zwei unterschiedliche Konzepte.“

Predictive Maintenance sei die Vorhersage von Ereignissen – beispielsweise wann die Wahrscheinlichkeit, dass ein Getriebedefekt in den nächsten 50 Betriebsstunden auftritt, auf über 90 % steigt. Mit einer solchen Prognose lasse sich der Austausch des Getriebes rechtzeitig planen, bevor die Anlage tatsächlich ausfällt. Condition Monitoring dagegen sei eine Vorstufe, die aus der Interpretation vorhandener Daten eine tiefergehende Beschreibung des aktuellen Zustands ermöglicht. Dazu bedürfe es eines tiefen Verständnisses von Maschinen und Prozessen, um aus ‚nackten‘ Daten aussagekräftige Informationen zu generieren.

Für OEMs wird es laut Frank Maier besonders dann interessant, wenn – so wie beim Ansatz von Lenze – der durch das Condition Monitoring winkende Mehrwert nicht mit höheren Hardware-Kosten erkauft werden müsse. Der Clou der Lösung bestehe darin, den Mehrwert an Informationen aus bereits vorhandenen Datenquellen zu erschließen.

In Nürnberg demonstriert der Automatisierungsanbieter das Prinzip anhand eines Show-Case mit zwei unterschiedlichen Ansätzen. Der eine ist Modell-basiert: Hier werden die gemessenen Ist-Werte mit denen verglichen, die sich aus der angenommenen mathematischen Beschreibung der Maschine ergeben. Werden bestimmte Toleranzen überschritten, wird dies als Störung interpretiert. Der andere Ansatz ist datenbasiert: Ein Algorithmus lernt das Verhalten des Systems und die gegenseitige Beeinflussung der Parameter, beispielsweise Geschwindigkeit, Beschleunigung, Drehmoment, Position und Stromaufnahme. Die realen Werte werden mit dieser erlernten Beschreibung verglichen, um Abweichungen zu definieren.

Beim Messe-Show-Case wird dazu zum einen erhöhte Reibung an der Spindel simuliert, zum anderen ein Verschleiß des Riemenantriebs. In beiden Fällen sind über Strom- und Drehmomentwerte die Anomalien erkennbar. Sei es durch absolute Erhöhung des Wertes oder durch überlagerte Frequenzen. In beiden Fällen schlägt das Condition Monitoring Alarm und zeigt die Ursachen auf einem Dashboard an.

Steuerung oder Cloud?

Die beiden Condition-Monitoring-Ansätze unterscheiden sich nicht nur konzeptionell. Auch die Auswertung der Daten erfolgt auf verschiedene Weise. Die Modell-basierte Auswertung findet normalerweise in der Steuerung statt, denn es werden dafür Maier zufolge keine hohen Rechenleistungen benötigt. Für die datenbasierte Auswertung kämen dagegen ML- und KI-Analysen in Betracht, in der Regel als Cloud-Anwendung.

Lenze stellt dem Maschinenbauer dazu eine Reihe unterschiedlich dimensionierter SPSen für das Modell-basierte Condition Monitoring zur Verfügung. Die datenbasierte Auswertung könne ebenso lokal erfolgen, wenn der leistungsstarke Cabinet Controller c750 zum Einsatz kommt. Alternativ steht mit dem Gateway x500 der Weg in die Cloud offen. Kombiniert mit der sogenannten x4-Plattform ergibt sich eine schlüsselfertige Cloud-Lösung, die neben Condition Monitoring die Fernwartung der Maschine und ein bedienerfreundliches Asset Management umfasst.