Mathworks

Steuerung, Edge Devices und Cloud im Verbund

27. Mai 2021, 11:24 Uhr | Meinrad Happacher

Predictive Maintenance Algorithmen zu entwickeln, birgt einige Herausforderungen in sich. Am Beispiel einer Verpackungsmaschine erläutert der Artikel, wie ein Algorithmus für vorausschauende Wartung entwickelt werden kann.

Die vorausschauende Wartung oder das Predictive Maintenance ist in der Industrie mittlerweile unerlässlich, um die operative Effizienz zu steigern und Wartungskosten zu senken. Allerdings stellt die Entwicklung von Predictive-Maintenance-Algorithmen für Fahrzeuge, MRT-Geräte, Windkraftanlagen oder Montagebänder auch einige Herausforderung an die beteiligten Ingenieure. Die Algorithmen-Entwicklung erfordert nicht nur umfassende Erfahrung mit Machine-Learning-Techniken, sondern auch ein solides Verständnis des Anlagenverhaltens. Fachkräfte, die Fähigkeiten in beiden Bereichen aufweisen, sind allerdings schwer zu finden.

Auch die Implementierung der Funktionalität in der Produktion erfordert eine Reihe an Schritten, um den Predictive Maintenance Algorithmus auf einer Industriesteuerung, einem Edge Device oder in der Cloud bereitzustellen. Teile eines einzelnen Algorithmus können auf verschiedenen Teilen der Infrastruktur laufen, was die Komplexität weiter erhöht.

Am Beispiel einer Verpackungsmaschine wird in diesem Artikel gezeigt, wie ein Algorithmus für die vorausschauende Wartung entwickelt und in einem Produktionssystem bereitgestellt werden kann.

Die Verpackungsmaschine

Die beispielhafte Verpackungsmaschine ist mit mehreren Roboterarmen ausgestattet. Diese bewegen sich mit hoher Geschwindigkeit hin und her, wenn sie zu verpackende Objekte auf dem Montageband platzieren. Sie sind an Industriesteuerungen (SPS) angeschlossen, die mit einem auf Microsoft Azure basierten System kommunizieren. Dieses IT/OT-System erfasst Streamingdaten von den mit den Roboterarmen verbundenen Edge-Geräten und führt Predictive-Maintenance-Algorithmen auf Basis dieser Daten aus. Das ermöglicht die Erkennung von Anomalien und die Vorhersage möglicher Störungen der Arme und meldet die Ergebnisse an die von Ingenieuren und Bedienern genutzten Dashboards zurück.