Effizientes Condition Monitoring und Predictive Maintenance durch Zeitreihenanalysen

Im Zuge der Umsetzung von Industrie 4.0 werden sowohl Geräte als auch industrielle Prozesse digital vernetzt und große Mengen an Daten erfasst. Maschinen zeichnen kontinuierlich ihren Zustand oder die Größen eines Regelkreises auf und Prozessschritte werden durch spezielle Sensoren überwacht. Um aus diesen Datenmengen einen Nutzen zu ziehen, ist die Datenanalyse von grundlegender Bedeutung, dabei macht die schiere Menge an Daten eine manuelle Überprüfung fast unmöglich. Manuell definierte Regeln können für eine einfache Prozessüberwachung nützlich sein, aber bei komplexen Daten können die Daten nur mit automatisierter Software mit vertretbarem Aufwand ausgewertet werden. Hier werden Methoden des Machine Learnings benötigt, um das volle Potenzial der Daten auszuschöpfen. 

Für industrielle Anwendungen spielen das Condition Monitoring (Zustandsüberwachung) bzw. Predictive Maintenance (vorausschauende Wartung) heutzutage eine immer wichtigere Rolle. Die Digitalisierung von immer mehr Bereichen in der Industrie und die somit stetig wachsende Menge verfügbarer Sensordaten ermöglicht die Entwicklung ausgeklügelter Anwendungen. Die Gruppe MLS des Fraunhofer EMFT hat ihre Expertise in der Auswertung solcher industrieller Sensordaten, welche meist in Form von Zeitreihen anfallen. Dabei liegt der Fokus nicht nur auf der reinen Analyse dieser Daten, sondern auf der Entwicklung neuartiger Anwendungen, welche, unter anderem durch den Einsatz von KI, eine Zustandsüberwachung komplexer Maschinen und Prozesse und in einem weiteren Schritt eine vorausschauende Wartung ermöglichen. Für Anwender bedeutet dies einen besseren Überblick über den Zustand ihrer Assets (Geräte, Anlagen, Tools), um geringere Stillstandszeiten und niedrigere Wartungskosten zu erreichen. Die Gruppe bietet seinen Partnern komplette Lösungen, welche von der Auswahl und Integration der Sensorik über die Datenverarbeitung und -speicherung, dem Design und Training von Modellen bis hin zur Integration der Anwendungen in bestehende Systeme alles beinhalten.

Condition Monitoring

Condition Monitoring (Zustandsüberwachung) ist die automatisierte Bestimmung des Gesundheitszustands von Maschinen. Dies geschieht durch die Analyse von internen Maschinendaten und zusätzlichen Sensordaten, was gerade bei sog. Brownfield-Anlagen (Bestandsanlagen) von großem Interesse ist.

Oft kann der Zustand einer Maschine nur auf der Grundlage einer Kombination von Faktoren wie Prozessschritten, Umgebungsbedingungen und Wartungshistorie geschätzt werden. Beispielsweise können die erwarteten Schwingungspegel einer Maschine je nach aktuellem Prozessschritt oder mechanischer Belastung stark variieren. Mit Machine Learning ist es möglich, komplexe Muster in den Daten zu erkennen, die die verschiedenen Betriebszustände der Maschine darstellen.

Ein Aspekt der Zustandsüberwachung ist die Anomalieerkennung, d. h. die Erkennung von seltenen Fehlerereignissen. Wenn eine Anomalie auftritt, kann die Maschine aus Sicherheitsgründen abgeschaltet werden. Ist eine Abschaltung nicht erforderlich, können mehrere Anomalien auf eine Verschlechterung des Gesundheitszustands der Maschine hinweisen und auch ein Indikator für einen drohenden Totalausfall sein.

Andere Zustandsänderungen sind nicht abrupt, sondern treten im Laufe der Zeit auf. In einem Regelkreis könnte beispielsweise ein stetig steigender Regelausgang auf den Verschleiß einer Komponente hinweisen.

Neben der reinen datengesteuerten Analyse ist es möglich, physikalische Modelle einzubeziehen. Teile der Maschine oder eines Prozesses können physikalisch modelliert werden, und die Ergebnisse des Modells können mit den realen Messungen verglichen werden.

Predictive Maintenance

Predictive Maintenance bedeutet die vorrausschauende Wartung. Ihr Ziel ist es, die Restnutzungsdauer (Remaining Useful Life RUL) von Maschinen oder einzelner Kompomenten abzuschätzen.

Auf diese Weise kann die Wartung entsprechend dem Bedarf geplant werden. Im Gegensatz dazu führt die vorbeugende Wartung (preventive maintenance), d. h. die Wartung in regelmäßigen Abständen, zu unnötigen Ausfallzeiten und zur Verschwendung von Ersatzteilen, da die Wartung zu häufig erfolgt. Eine andere Strategie, bei der der Betreiber mit der Wartung wartet, bis ein Fehler auftritt, wird als reaktive Wartung (reactive maintenance) bezeichnet. Dies kann zu langen Ausfallzeiten führen, da außerplanmäßige Wartungsarbeiten mit Schwierigkeiten, wie fehlenden Ersatzteilen oder einem größeren Schaden, verbunden sein können.

Die Grundlage für die Abschätzung der Restnutzungsdauer ist das Condition Monitoring. Wenn die Verschlechterung des aktuellen Zustands abgeschätzt werden kann, entweder durch ein physikalisches Modell oder durch die statistische Analyse von Ausfalldaten, ist es möglich, die Restnutzungsdauer vorherzusagen.

Die Vorhersage der Zukunft ist immer schwierig und mit Unsicherheiten behaftet. Daher ist es am besten, eine Schätzung der Unsicherheit in die Prognose einzubeziehen, so dass Entscheidungen innerhalb eines gewählten Konfidenzintervalls getroffen werden können.

Sie wollen mehr über die Anwendungsmöglichkeiten von Condition Monitoring in der Praxis erfahren?

Dann nehmen Sie mit uns Kontakt auf!