Maschinenpark wartet sich selbst SelSus-Projekt des Fraunhofer IPA
Bild: Fraunhofer-Institut f. ArbeitswirtschaftSolche Vorkommnisse lösen hektische Reparatureinsätze aus, treiben die Kosten hoch, beeinträchtigen die Liefertreue und senken letztlich die Wettbewerbsfähigkeit der Unternehmen. Dabei geht es oftmals um relativ kleine Defekte oder Verschleißerscheinungen. Diese bleiben unentdeckt, führen dann aber zu größeren Ausfällen und Produktionsstopps. Hilfreich wäre eine Technik, die den Status aller Komponenten in der Produktionsstraße überwacht, Probleme und Schwachstellen identifiziert und den zuständigen Mitarbeiter rechtzeitig informiert. Dieser kann dann auf Basis eines sogenannten Decision-Support-Systems eine Entscheidung treffen, zielgerichtet handeln und den Defekt beheben. Idealerweise, ohne dass die Produktion unterbrochen werden muss. Genau dies ist eine, aber nicht die einzige Grundidee des ehrgeizigen Projekts SelSus, an dem das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA gerade forscht. "Ziel ist es nicht nur, den Status der Maschinen und Komponenten zu überwachen, vielmehr sollen Schwachstellen oder Verschleißerscheinungen mithilfe intelligenter Software und von Sensor-Netzwerken so frühzeitig erkannt werden, dass das System einen Ausfall prognostizieren kann'" erklärt Martin Kasperczyk vom Fraunhofer IPA. Die entwickelten Diagnoseverfahren geben dann auch gleich Hinweise oder Empfehlungen, wie das Problem zu beheben ist. So wird etwa beim Projektpartner Electrolux in Pordenone in Italien ein Decision-Support-System eingesetzt. Das System kann mit einer gewissen Wahrscheinlichkeit bevorstehende Ausfälle an einer Presse für Verkleidungen von Waschmaschinen vorhersagen und tatsächlich aufgetretene Störungen diagnostizieren. Die nötigen Daten zum aktuellen Status der Maschinen liefern dabei u.a. Sensoren, die Werte wie Energieverbrauch, Temperatur, Öldruck, Partikel im Öl oder Vibrationen messen.
Das System repariert sich selbst
Die Experten setzen auf die Bayes´schen Netze: Ein mathematisches Verfahren, mit dem sich die Wahrscheinlichkeit berechnen lässt, mit der ein bestimmtes Ereignis oder ein Zustand eintritt. Dabei werden mehrere Variablen und die mit ihnen verbundenen Wahrscheinlichkeiten miteinbezogen. Mithilfe der von den Sensoren gewonnenen Daten berechnet die Software etwa, wie wahrscheinlich es ist, dass ein bestimmtes stark beanspruchtes Kabel demnächst bricht, und meldet gegebenenfalls, dass es ausgetauscht werden muss. Die Software verlässt sich hierbei nicht allein auf Sensoren. Die technischen Eigenschaften der Maschine und ihre Leistungsparameter werden ebenso berücksichtigt. Diese Daten müssen bei der Installation und Konfiguration des Systems eingespeist werden. Zudem zeigt ein ausführlicher Probelauf dem System, wie die Anlage und ihre Komponenten sich im Dauerbetrieb und unter Belastung verhalten. Erst dann ist es bereit. Neue Daten, etwa durch Upgrades an den Maschinen oder auch durch verschleißbedingtes Nachlassen der Leistung registriert die Software ebenfalls und lernt auf diese Weise dazu. Zudem kann die Software den Mitarbeitern passende Handlungsempfehlungen bei einem drohenden Maschinenausfall geben. mst/Fraunhofer IPA
Bild: Fraunhofer-Institut f. ArbeitswirtschaftSolche Vorkommnisse lösen hektische Reparatureinsätze aus, treiben die Kosten hoch, beeinträchtigen die Liefertreue und senken letztlich die Wettbewerbsfähigkeit der Unternehmen. Dabei geht es oftmals um relativ kleine Defekte oder Verschleißerscheinungen. Diese bleiben unentdeckt, führen dann aber zu größeren Ausfällen und Produktionsstopps. Hilfreich wäre eine Technik, die den Status aller Komponenten in der Produktionsstraße überwacht, Probleme und Schwachstellen identifiziert und den zuständigen Mitarbeiter rechtzeitig informiert. Dieser kann dann auf Basis eines sogenannten Decision-Support-Systems eine Entscheidung treffen, zielgerichtet handeln und den Defekt beheben. Idealerweise, ohne dass die Produktion unterbrochen werden muss. Genau dies ist eine, aber nicht die einzige Grundidee des ehrgeizigen Projekts SelSus, an dem das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA gerade forscht. "Ziel ist es nicht nur, den Status der Maschinen und Komponenten zu überwachen, vielmehr sollen Schwachstellen oder Verschleißerscheinungen mithilfe intelligenter Software und von Sensor-Netzwerken so frühzeitig erkannt werden, dass das System einen Ausfall prognostizieren kann'" erklärt Martin Kasperczyk vom Fraunhofer IPA. Die entwickelten Diagnoseverfahren geben dann auch gleich Hinweise oder Empfehlungen, wie das Problem zu beheben ist. So wird etwa beim Projektpartner Electrolux in Pordenone in Italien ein Decision-Support-System eingesetzt. Das System kann mit einer gewissen Wahrscheinlichkeit bevorstehende Ausfälle an einer Presse für Verkleidungen von Waschmaschinen vorhersagen und tatsächlich aufgetretene Störungen diagnostizieren. Die nötigen Daten zum aktuellen Status der Maschinen liefern dabei u.a. Sensoren, die Werte wie Energieverbrauch, Temperatur, Öldruck, Partikel im Öl oder Vibrationen messen.
Das System repariert sich selbst
Die Experten setzen auf die Bayes´schen Netze: Ein mathematisches Verfahren, mit dem sich die Wahrscheinlichkeit berechnen lässt, mit der ein bestimmtes Ereignis oder ein Zustand eintritt. Dabei werden mehrere Variablen und die mit ihnen verbundenen Wahrscheinlichkeiten miteinbezogen. Mithilfe der von den Sensoren gewonnenen Daten berechnet die Software etwa, wie wahrscheinlich es ist, dass ein bestimmtes stark beanspruchtes Kabel demnächst bricht, und meldet gegebenenfalls, dass es ausgetauscht werden muss. Die Software verlässt sich hierbei nicht allein auf Sensoren. Die technischen Eigenschaften der Maschine und ihre Leistungsparameter werden ebenso berücksichtigt. Diese Daten müssen bei der Installation und Konfiguration des Systems eingespeist werden. Zudem zeigt ein ausführlicher Probelauf dem System, wie die Anlage und ihre Komponenten sich im Dauerbetrieb und unter Belastung verhalten. Erst dann ist es bereit. Neue Daten, etwa durch Upgrades an den Maschinen oder auch durch verschleißbedingtes Nachlassen der Leistung registriert die Software ebenfalls und lernt auf diese Weise dazu. Zudem kann die Software den Mitarbeitern passende Handlungsempfehlungen bei einem drohenden Maschinenausfall geben. mst/Fraunhofer IPA
Fraunhofer-Institut f. Arbeitswirtschaft
Dieser Artikel erschien in Industrie 4.0 - 17 2017 - 07.09.17.Für weitere Artikel besuchen Sie www.i40-magazin.de
