Nachgehakt bei Alexander von Birgelen: Condition Monitoring 'improved'

Neue Modelle aus dem Forschungsprojekt 'Improve' versprechen eine Universallösung für ein ­datenbasiertes Condition Monitoring – auch mit Hilfe von künstlicher Intelligenz, wie Alexander von Birgelen vom inIT der Hochschule Ostwestfalen-Lippe erläutert.

Alexander von Birgelen, InIT Bildquelle: © Hochschule Ostwestfalen-Lippe

"Unser Improve-Tool bietet die Basis für eine innovative automatisierte Condition-Monitoring-Lösung.", so Alexander von Birgelen vom Institut für industrielle Informationstechnik (inIT) der Hochschule Ostwestfalen-Lippe.

Herr von Birgelen, worum handelt es sich beim Forschungsprojekt  Improve?

Alexander von Birgelen: In unserem Improve-Team forschen wir seit Projektbeginn intensiv zum Thema Industrie 4.0. Dabei widmen wir uns dem gesamten Forschungsspektrum – von der Datenerfassung, über maschinelles Lernen, Simulation, Optimierung, Diagnose bis hin zur Optimierung der Benutzeroberfläche. In allen Bereichen haben wir Lösungen entwickelt, die jetzt in der Industrie getestet werden. 

Wir sind insgesamt 13 internationale Projektpartner aus Industrie, Forschung und IT. Die Hochschule Ostwestfalen-Lippe, an der ich tätig bin, koordiniert das Projekt.

Mit welchem Bereich haben Sie sich ­beschäftigt?

In unserem Team haben wir uns intensiv mit einem neuen Condition-Monitoring-Tool beschäftigt, welches das klassische, manuelle Condition Monitoring ablösen könnte. Denn aktuell wird Condition Monitoring meist von erfahrenen Mitarbeitern durchgeführt. Genaue Vorhersagen zum Verschleiß und zu benötigten Wartungsarbeiten sind allerdings schwierig und beruhen meist nur auf Erfahrungswerten. 

Um diese Fehlerquelle zu minimieren und genaue Vorhersagen treffen zu können, nutzen wir Methoden der künstlichen Intelligenz. So basiert das entwickelte Condition-Monitoring-Tool auf einem Machine-Learning-Framework. Die Methoden erlauben es dabei, Daten von Industrieanlagen zu erfassen und Modelle des Anlagenverhaltens aus ebendiesen Daten zu erhalten. So können die Modelle zum Beispiel Anomalien erkennen und lokalisieren oder den Zustand von bestimmten Komponenten der Industrieanlage vorhersagen. 

Welche Vorteile zeigen sich gegenüber bisherigen Condition Monitoring-Tools?

Durch die selbstlernenden Methoden und eine datenbasierte Vorhersage für benötigte Wartungsarbeiten bietet unser Modell ein enormes Innovations- und Verbesserungspotenzial. Es ist modular und lässt sich an verschiedenste Industrieanlagen anpassen. Da die Vorhersage auf einem selbstlernenden Modell basiert, entfällt zudem eine manuelle Modellierung. 

Wird das Tool bereits getestet? Welche Erfolge sind dabei zu sehen?

Ja, die Tests des Tools laufen sowohl bei uns in der SmartFactoryOWL im inIT der Hochschule Ostwestfalen-Lippe als auch bei den Industrie­partnern Reifenhäuser Reicofil und dem ­italienischen Partner OCME. Aktuell sind die Tests noch nicht ab­geschlossen, aber die Ergebnisse der ­bisher gewonnenen Daten sind sehr vielversprechend. Zurzeit arbeiten wir gemeinsam an der Implementierung des Tools in die Industrieanlagen der Partner.

Was zeigen Sie auf der Hannover Messe 2018?

Wir präsentieren einen unserer Demonstratoren aus der Smart­FactoryOWL, an dem wir ­verschiedene Modelle und Lern­verfahren des Tools zeigen können. Neben dem Thema der künstlichen Intelligenz in der Automation werden wir weitere Technologien aus den Bereichen Informationsfusion, Industrielles Internet, Cybersicherheit und Montageassistenzsysteme vorstellen. Wir sind auf dem it‘s OWL-Gemeinschaftsstand in Halle 16, Stand A04 zu finden.

Wie sieht der Fahrplan für die Zukunft aus?

In unserem Improve-Projekt geht es nun darum, die bisher erfolgreichen Tests weiterzuführen und das Modell so zu ­perfektionieren, dass Partner in der Industrie dieses für sich anpassen und nutzen können. Hier möchte ich zwischen der wissenschaftlichen und industriellen Nutzung unterscheiden. Denn unsere Technologien sind zum einen die Grundlage für weitere Forschung im Themenfeld Industrie 4.0 und zum anderen Grundlage für den Technologietransfer und die ­erfolgreiche Implementierung in die Industrie.