Sensor-to-Information
Sensorintelligenz vor Ort
Bei Predictive Maintenance werden mit datenbasierten Prognosemethoden Servicearbeiten an einer Maschine relativ präzise geplant, um ungeplanten Anlagenstillstand vorzubeugen. Diese Lösungen arbeiten meist cloudbasiert, werden aber immer häufiger von Edge-Computern im Werk vor Ort unterstützt.
Bild: SSV Software Systems GmbHBei Predictive Maintenance wird häufig mit sogenannten P-F-Kurvendiagrammen gearbeitet. Darin kennzeichnet P1 das Ereignis, das nach einiger Zeit zu einem Fehler F führen wird (Stillstand). In der Zeitspanne zwischen P2 und F (P-F-Intervall) kann man mit geeigneter Messtechnik erkennen, dass demnächst ein Ausfall bevorsteht. Durch den Einsatz hochauflösender Sensorik und geeigneter Machine-Learning-Algorithmen sind größere Zeitspannen möglich, da ab P1 bereits detektierbare Anomalien existieren.
Predictive Maintenance (PM) zählt zu den proaktiven Wartungsmethoden - allerdings gibt es innerhalb dieser Disziplin verschiedene Konzepte, die sich zum Teil erheblich unterscheiden. Im einfachsten Fall werden datengetriebene Prognoseansätze verwendet, die aus den jeweiligen Betriebszeiten einzelner Komponenten (z.B. Betriebsstunden eines Motors) einfach die Alterung modellieren bzw. simulieren und daraus die fälligen Wartungstermine ableiten (Model-based PM). In anspruchsvolleren Anwendungen werden komplexe Expertensysteme genutzt (Knowledge-based PM). Diese Systeme nutzen umfangreiche Datenbanken, um über Handlungsempfehlungen auf Grundlage der jeweiligen Wissensbasis den Wartungstermin zu bestimmen. Die dafür genutzten statistischen Daten basieren in der Regel auf Lebenszyklusanalysen. Aktuelle Messdaten zum Zustand einer Komponente, Maschine oder Anlage werden dabei allerdings nicht berücksichtigt.
Zahlreiche Angebote
Relativ neu sind Predictive-Maintenance-Lösungen auf Grundlage aktueller Zustandsdaten, die laufend gemessen und mit Hilfe entsprechender Software ausgewertet werden. Daraus sind zahlreiche 'Predictive Maintenance-as-a-Service'- Angebote oder ähnliche Services für Maschinenbauer und -betreiber entstanden. Die dabei in der Cloud laufende Software ist recht anspruchsvoll. Sie reicht von regelbasierten Expertensystemen über statistisches Lernen (z.B. stochastische Modelle mit Wahrscheinlichkeiten, wie das Hidden Markow Model, Supervised oder Unsupervised Machine Learning) bis hin zum Deep Learning mit neuronalen Netzen. Die Anwender müssen sich mit der Implementierung derartiger mathematischer Methoden nicht auskennen, das übernimmt der Cloud-Betreiber. Vom Anwender wird lediglich erwartet, dass er laufend Rohdaten aus der Steuerung und vor allem durch zusätzlich installierte Sensoren in die Cloud schickt und dass er für die Nutzung der Cloud-Dienste regelmäßig zahlt. Neben der Cloud etabliert sich allerdings auch noch die Edge als Umgebung für automatische Datenanalysen: Die Algorithmen laufen dann nicht irgendwo in der Cloud, sondern auf einer Hardware vor Ort.
Bild: SSV Software Systems GmbHSenor-toCloud-Konzepte
Die wohl meisten industriellen PM-Anwendungen nutzen Sensor-to-Cloud-Konzepte aus der IoT-Welt. Dabei werden Sensorrohdaten an eine Cloud-Serviceplattform im Internet übertragen, um dort mit Hilfe intelligenter Algorithmen bzw. künstlicher Intelligenz werthaltige Informationen zu gewinnen. Dabei entstehen jedoch auch Nachteile:
- • Datenmengen- und Bandbreitenproblematik: Durch die unterschiedlichen Sensoren fallen große Datenmengen an - aus einer Sekunde Mikrofondaten eines Antriebselements entstehen bei einer Abtastrate von 14,4kHz insgesamt 14.400 Datenpunkte, die in die Cloud müssen. Dies erfordert eine breitbandige Internetanbindung. Bei einem in der Fläche nach wir vor sehr lückenhaften Mobilfunknetz ist nachvollziehbar, warum verschiedene Interessengruppen auf 5G warten.
- • Verfügbarkeit von Cloud und Kommunikationsverbindung: Weder die Cloud, noch die Kommunikationsverbindung zwischen Sensor und Cloud, besitzen eine 100%-Verfügbarkeit. Insofern werden nicht alle Sensordaten in der Cloud ankommen. Zufällig auftretende Messwerte, die auf ein Lebensdauer-relevantes Ereignis schließen lassen (z.B. Spannungsspitzen, die Kondensatoren beschädigen), sollten für die Auswertung aber nicht verloren gehen. Ansonsten lassen sich bevorstehende Maschinen- bzw. Anlagenstillstände weniger sicher vorhersagen.
- • Cloud-Provider-Abhängigkeit: Da sich die Serviceschnittstellen und Algorithmenimplementierung einzelner Anbieter zum Teil erheblich voneinander unterscheiden, entsteht durch die Anbindung der Sensoren einer Maschine oder Anlage eine große Abhängigkeit vom jeweiligen Cloud-Serviceprovider. Wird eine PM-Anwendung erfolgreich in der Praxis genutzt, ist ein späterer Wechsel zu einem anderen Provider nur noch mit sehr großem Aufwand möglich. Des Weiteren existieren keine Verfügbarkeitsgarantien für einzelne Services. Über einen Maschinenlebenszyklus von beispielsweise 15 Jahren sind auch hier Abhängigkeitsprobleme zu erwarten.
Algorithmen auf dem Gateway
Alternativ zur Cloud lassen sich identische Algorithmen aus der Open-Source-Welt auch direkt am oder im Sensor bzw. auf einem Edge-Gateway einsetzen. Dies ermöglicht Datenanalysen für PM-Wartungsstrategien in Echtzeit, ohne die einzelnen Rohdaten zuvor vollständig an eine Cloud zu übertragen. Die Bearbeitungsstufen einer solchen vollständig lokalen Sensor-to-Information-Lösung - von der Sensordatenerfassung bis zur Informationsgewinnung - sind nahezu identisch zum Sensor-to-Cloud-Konzept. Statt der Daten werden nun allerdings nur die jeweils veränderten Ausgangsinformationen eines Algorithmus an eine Cloud übergeben.
Keine Meldung
im Normalbetrieb
Würde man beispielsweise die Ausgangsdaten des zuvor bereits angesprochenen Mikrofones, also die 14.400 Messpunkte je Sekunde, auf einen entsprechend vortrainierten Machine-Learning-Algorithmus zur Klassifizierung einzelner Zustände des Antriebselements führen, entstehen im Normalbetrieb nur wenige Messwerte pro Tag. In der Praxis würde ein solcher Algorithmus aus den Mikrofondaten einen mittels Trainingsdaten festgelegten Zustand bestimmen. Nur bei einem Zustandswechsel von 'OK' auf 'Kritisch' würde eine neue Information am Ausgang zur Verfügung stehen.
der SSV Software Systems GmbH.
Bei Predictive Maintenance werden mit datenbasierten Prognosemethoden Servicearbeiten an einer Maschine relativ präzise geplant, um ungeplanten Anlagenstillstand vorzubeugen. Diese Lösungen arbeiten meist cloudbasiert, werden aber immer häufiger von Edge-Computern im Werk vor Ort unterstützt.
Bild: SSV Software Systems GmbHBei Predictive Maintenance wird häufig mit sogenannten P-F-Kurvendiagrammen gearbeitet. Darin kennzeichnet P1 das Ereignis, das nach einiger Zeit zu einem Fehler F führen wird (Stillstand). In der Zeitspanne zwischen P2 und F (P-F-Intervall) kann man mit geeigneter Messtechnik erkennen, dass demnächst ein Ausfall bevorsteht. Durch den Einsatz hochauflösender Sensorik und geeigneter Machine-Learning-Algorithmen sind größere Zeitspannen möglich, da ab P1 bereits detektierbare Anomalien existieren.
Predictive Maintenance (PM) zählt zu den proaktiven Wartungsmethoden - allerdings gibt es innerhalb dieser Disziplin verschiedene Konzepte, die sich zum Teil erheblich unterscheiden. Im einfachsten Fall werden datengetriebene Prognoseansätze verwendet, die aus den jeweiligen Betriebszeiten einzelner Komponenten (z.B. Betriebsstunden eines Motors) einfach die Alterung modellieren bzw. simulieren und daraus die fälligen Wartungstermine ableiten (Model-based PM). In anspruchsvolleren Anwendungen werden komplexe Expertensysteme genutzt (Knowledge-based PM). Diese Systeme nutzen umfangreiche Datenbanken, um über Handlungsempfehlungen auf Grundlage der jeweiligen Wissensbasis den Wartungstermin zu bestimmen. Die dafür genutzten statistischen Daten basieren in der Regel auf Lebenszyklusanalysen. Aktuelle Messdaten zum Zustand einer Komponente, Maschine oder Anlage werden dabei allerdings nicht berücksichtigt.
SSV Software Systems GmbH
Dieser Artikel erschien in IT&Production Oktober 2019 - 07.10.19.Für weitere Artikel besuchen Sie www.it-production.com
