Fraunhofer-Institut für Elektronische Mikrosysteme und Festkörper-Technologien EMFTZiel einer prädikativen oder vorausschauenden Wartung ist es, Betriebsmittel proaktiv und vorausschauend instand zu halten. Auf diese Weise sollen Störungszeiten und Wartungsaufwand auf ein Minimum reduziert werden. Forschende der Fraunhofer EMFT erproben neue Konzepte, um mit Methoden des Maschinellen Lernens auch extrem heterogene Daten effizient verarbeiten und exakte Wartungsvorhersagen für Fertigungsanlagen treffen zu können.
KI basierte prädiktive Wartung für Anlagen in der Fertigung
Grundlegende Technologien für die prädikative Wartung sind vernetzte Sensorknoten und eine zentrale Datenablage, weshalb das Thema eng mit den Technologietrends Internet der Dinge (IIoT), Industrie 4.0 verknüpft ist. Ein Modell, das durch Maschinelles Lernen mit den zentral abgelegten Daten trainiert wurde, kann später auch an den dezentralen Knoten zur Datenauswertung herangezogen werden.
Im Projekt KIWA kombiniert ein Forschungsteam der Fraunhofer EMFT die Sensordaten einer Fertigungsanlage mit weiteren, externen Sensoren, um zusätzliche relevante Kennwerte wie z.B. die Vibration eines Antriebs zu generieren. Kritische Anlagenteile werden dann im Betrieb überwacht und zum Prozessablauf korreliert. Anwendungsbeispiel sind dabei Anlagen des Projektpartners Mühlbauer: Dort werden zusätzliche, externe Sensoren wie z.B. Vibrationssensoren bzw. Sensorsysteme zur genauen Messung weiterer Parameter für eine exakte Erfassung der zeitlichen Abläufe installiert, um Wartungen bzw. den Austausch von Antriebssystemen und Anlagenkomponenten der Fertigungsanlage zu prädizieren. Aus den erhobenen Daten soll auf den aktuellen Betriebszustand geschlossen und Vorhersagen zur weiteren Lebenszeit bzw. notwendigen Wartungsanforderungen gemacht werden.
Entwicklung einer Machine Learning-basierten Lösung für die prädiktive Anlagenwartung in der Hochdurchsatz-RFID-Produktion.
Während klassische Fragestellungen des Condition Monitorings und der Predictive Maintenance meist auf unimodalen Daten, häufig sogar auf eindimensionalen Daten konstanter Taktfrequenz operieren, liegt die Herausforderung in diesem Vorhaben bei der Auswahl und Verarbeitung von extrem heterogenen Daten aus unterschiedlichsten Quellen mit Taktraten im Bereich von wenigen Hertz bis ca. 50 kHz mit Hilfe von Methoden des Machinellen Lernens. Die derzeit vorherrschende präventive Wartung könnte durch die zu erwartenden Ergebnisse in Zukunft durch ein prädiktives Wartungsmanagement ersetzt werden.
Neben der Fraunhofer EMFT und der Mühlbauer Group sind die Procon IT sowie die Hochschule München an dem Vorhaben beteiligt. Das Projekt wird durch das Bayerische Staatsministerium für Wirtschaft, Landesentwicklung und Energie unter der Kennnummer DIE0147 gefördert.