Predictive Maintainance im Maschinenbau<br>

Predictive Maintainance im Maschinenbau

Mit IoT-Daten Ausfallsicherheit schaffen

14.07.2020, Gastkommentar von Swen Göllner

Predictive Maintenance, also die vorausschauende Wartung, wird ein immer spannenderes Feld. Wenngleich zu dem Anwendungsfall bereits viel Literatur existiert und diverse Beispiele beschrieben wurden, sticht das hier beschriebene Projekt aufgrund mehrerer Nutzenaspekte heraus:


Predictive Analytics & KI für vorrausschauende Wartung

Mit Predictive Analytics und Künstlicher Intelligenz können im Produktionsalltag Fehler oder möglicher Verschleiß frühzeitig erkannt werden. Grundlage dafür ist jedoch, dass eine Datenhistorie über die jeweiligen Maschinen existiert. Es müssen genügend Daten vorhanden sein, um z. B. entsprechende Machine-Learning-Algorithmen nutzen zu können. Die beiden Anlagen- und Maschinenbauer Wichelhaus & Co. Maschinenfabrik und Rhein-Nadel Automation GmbH (RNA) haben ein Projekt für Predictive Maintenance gestartet. Unterstützt werden sie dabei vom Fraunhofer Institut und dem deutschen Softwarehersteller bimanu.

Im ersten Schritt des Projekts erfolgt die klare Erarbeitung des Anwendungsfalls. Dazu kommt eine Testanlage zum Einsatz, um die erforderliche Datenhistorie aufzubauen. Die Maschine wird dabei mit verschiedenen Sensoren bestückt, die jeweils unterschiedliche Messwerte aufzeichnen, u.a. Schwingungen, Temperatur, und Druck. Zusätzlich hat RNA eine sogenannte "IoT Connect Box" entwickelt, mit der im Sinne des IoT-Retrofit mobile Datenerfassung auch für ältere Anlagen möglich wird.

Neben der operativen Zustandsüberwachung sowie der regelmäßigen und permanenten Erfassung der Maschinendaten, welche als Voraussetzung für den Aufbau einer Datenhistorie dienen, sollen in dem Projekt mögliche Schablonenansätze untersucht werden, wie eine vorausschauende Wartung mithilfe von Machine-Learning-Algorithmen auf Basis der erhobenen Sensordaten innerhalb der eingesetzten Cloud-Plattform erfolgen kann. Hierbei wird nicht nur auf die Sensordaten der Testanlage zurückgegriffen, sondern es kommen weitere externe Sensoren wie Licht-, Sound- oder Vibrationssensoren zum Einsatz. Auch die Einbindung von offenen Daten wie Wetterinformationen spielt eine große Rolle, um potentiell negative Einflussfaktoren zu identifizieren, bevor es zu einem Maschinenausfall kommt.

Abbidung 1: DIe Referenzenanlage für IoT-Daten: Übersicht der Stationen mit dem jeweiligen Prozessschritt

Der Anlagenbau & Simulationsmöglichkeiten

Die Anlage ist für den Dauerbetrieb ausgelegt und somit in der Lage, permanent Daten zu generieren. Sie soll als Referenzanlage für IoT-Daten auch künftig der Dreh- und Angelpunkt des Projekts bleiben. Der Aufbau ist gemäß heutigen, modernen Anlagenkonzepten modular, einzelne Stationen sind austauschbar. Technisch können auch autonome Fahrwagen angedockt werden.

Im Prozessablauf der Anlage können z. B. folgende Simulationen für die Vorbereitung der Machine Learning Modelle realisiert werden:

  1. Druckluftverlust: simuliert eine Leckage und führt zu einer Serviceanforderung
  2. Spindeltemperatur: simuliert einen Lagerschaden und führt zu einer Service - und Materialanforderung
  3. Stromverbraucherhöhung: simuliert einen Motorschaden und führt zu einer Service- und Materialanforderung
  4. Sensorausfall: simuliert einen Sensordefekt und führt zum Anlagenstillstand und zu einer Service - und Materialanforderung


Möglichkeiten für produzierende Unternehmen

Die Projektteilnehmer wollen dazu beitragen, dass produzierende mittelständische Unternehmen mit dieser Digitalisierungslösung Vorreiter sein können, wenn es um die Erweiterung ihrer Geschäftsmodelle geht. Ziel ist es, von den theoretischen Ansätzen hin zu praxisnahen Machine-Learning- und BigData-Projekten zu kommen, um das Wissen transparent im Netzwerk zu verteilen und zum gemeinsamen Austausch anzuregen.

„Jeder spricht von Digitalisierung und dass Daten der vierte Produktionsfaktor sind. Das ist alles richtig, aber es fehlt die praktische Umsetzung. Jetzt muss einfach mal gezeigt werden, welche Vorteile die Datenerfassung den Unternehmen bietet und welche Vorteile aus den Daten gezogen werden können. In regelmäßigen Abständen werden die Ergebnisse der Öffentlichkeit zugänglich gemacht, damit alle produzierenden Unternehmen davon profitieren können. Geplant ist auch für Interessierte Vorort Besichtigungstermine der Anlage anzubieten, auch eigene Testfälle der Unternehmen sind denkbar“, berichtet Michael Jungschläger, Geschäftsführer der bimanu Cloud Solutions GmbH.

Abbildung 2: Modularer Aufbau der Anlage mit austauschbaren Stationen

Die Projekteilnehmer

Wichelhaus & Co Maschinenfabrik
Als Engineering- und Konstruktionsspezialist, bietet die Wichelhaus-Gruppe mittelständischen Kunden und Konzernen ihre langjährige Lösungskompetenz, zur Realisierung von komplexen Automatisierungsaufgaben an. Wichelhaus stellt im Rahmen des Projekts die Testanlage für die Erfassung der Maschinendaten im Technologiezentrums der Wichelhaus Gruppe in Solingen zur Verfügung. -> Webseite

Rhein-Nadel-Automation (RNA)
Die Rhein-Nadel-Automation aus Aachen stellt Ihre IoT ConnectBox zur Verfügung. Mit der IoT ConnectBox lassen sich auf einfachste Weise auch ältere nicht-internetfähige Maschinen und Produkte digitalisieren, um ihre Zustandsinformationen in Echtzeit zu erfassen. -> Webseite

Fraunhofer IAO im Mittelstand 4.0-Kompetenzzentrum Stuttgart
Das in Stuttgart ansässige Fraunhofer Institut ist der federführende Treiber des Projekts. Die Schwerpunkte des Instituts liegen hauptsächlich in den Ingenieurwissenschaften, sowie in der Informatik. Das Projekt wird vom Forschungsbereich "Digital Business" betreut. Hauptaufgabe des Fraunhofer Instituts wird es sein, bei der Umsetzung der Machine Learning Algorithmen betreuend zur Seite zu stehen. -> Webseite

bimanu Cloud Solutions GmbH
Die bimanu Cloud Solutions GmbH unterstützt kleine und mittelständische Unternehmen beim Auffinden, Heben und Veredeln Ihrer Datenschätze. Für das Projekt kommt die eigenentwickelte Software - bimanu Cloud zum Einsatz, eine automatisierte Integrations- und Analyseplattform zur Harmonisierung von unterschiedlichen Datenbereichen wie z. B. kaufmännischen Unternehmensdaten, technischen Informationen wie der Sensorik oder Offene Daten. -> Webseite


Click here to play the video.