in English

Leistungsverbesserung bei Wartung und Sicherheit mithilfe von IoT-Datentools

Geräte, Maschinen, Straßen, Software und alle anderen Dinge, die Abnutzung und Verschleiß unterliegen, müssen regelmäßig gewartet werden, um im Betrieb zuverlässig und sicher zu bleiben. Bei der industriellen Fertigung und Produktion haben herkömmliche Wartungsstrategien in der Regel zwei Komponenten.

Einerseits vorbeugende (oder geplante) Wartungen, bei der Geräte oder Anlagen in regelmäßigen Abständen inspiziert, überholt und repariert werden. Diese Abstände können einfach auf zeitlichen Intervallen basieren – z. B. alle sechs Monate – oder auf einer anderen Variablen, z. B. alle 20.000 Kilometer bei einem Auto. Hinzu kommt die korrektive Wartung oder Instandsetzung, bei der Anlagen nach Verschleiß, bei Störungen oder Ausfällen repariert oder ausgetauscht werden.

Die Stillstandswartung ist eine weitere Möglichkeit, die die meisten Unternehmen jedoch aus Kostengründen zu vermeiden versuchen, da die Anlage dafür heruntergefahren werden muss. Manchmal ist sie jedoch die einzig geeignete Wartungslösung.

In jedem Fall ist der herkömmliche Ansatz bestenfalls ineffizient. Einige Geräte, die lediglich ausgetauscht werden, weil der Zeitplan es verlangt, hätten vielleicht noch geraume Zeit funktioniert – und das ist Verschwendung. Darüber hinaus entstehen, wenn die Wartung in zu häufigen Zeitabständen durchgeführt wird, unnötige Kosten; andererseits können sich die Ausfallraten erhöhen, wenn die Zeitabstände zu lang sind.

Die Strategie ist in der heutigen Industrie außerdem zunehmend ineffektiv, da Geräte komplexer geworden sind und näher an den zulässigen Betriebsgrenzen betrieben werden, um moderne Anforderungen an Produktivität und Effizienz zu erfüllen. Es werden zeitnähere und detailliertere Einblick benötigt, um sicherzustellen, dass die Wartung unter diesen Bedingungen wirksam bleibt.

Dass bessere Wartungstools benötigt werden, wird durch die Kosten deutlich, die Unternehmen durch Geräteausfälle entstehen. 2014 schätzte die Aberdeen Group die Ausfallkosten in allen Unternehmen auf 164.000 US-Dollar pro Stunde. 2016 war diese Zahl auf 260.000 US-Dollar pro Stunde in die Höhe geschnellt – eine Steigerung von 60% in nur einem Jahr. Selbst ein scheinbar geringfügiger Anlagenausfall kann überraschend kostspielig sein, wenn alle Folgen berücksichtigt werden. Abgesehen von den Produktionsverlusten kann es verschüttete Flüssigkeiten oder Geräte mit verdorbenen Produkten geben, die gereinigt werden müssen, zahlreiche Mitarbeiter, die Zeit in Besprechungen zum Zwischenfall verbringen müssen, Effizienzverluste beim Starten und Herunterfahren, unerwünschte Versetzungen von Mitarbeitern und zusätzliche Verwaltungsarbeiten in Bezug auf Berichte, Einkauf und Buchführung.

Mit dem Einzug von Industrie 4.0 und dem Internet der Dinge (Internet of Things, IoT) können Anlagenbauer und Anwender jedoch nun von flexibleren, aufschlussreicheren und effektiveren Wartungslösungen profitieren. Dieser Artikel geht auf diese fortschrittlicheren Wartungsstrategien ein und erläutert, wie sie durch IoT und seine verschiedenen Komponenten ermöglicht werden. Zur Veranschaulichung dient ein Beispiel eines echten Systems. Auch auf die Sicherheit wird eingegangen, da Wartungs- und Sicherheitsprobleme häufig eng miteinander verbunden sind.

Anschließend betrachten wir die Entwicklungen, die einen Einfluss auf die Zukunft der Wartung haben, z. B. wie das potenziell überwältigende Volumen von IoT-Daten, die nun erzeugt werden, durch die angemessene Nutzung von künstlicher Intelligenz verwaltet werden kann. Außerdem gehen wir kurz auf das Konzept hinter selbstreparierenden Maschinen ein und zeigen, wie virtuelle Realität als Schulungstool für die Wartung dienen kann. Schließlich sehen wir uns an, wie Maschinenhersteller durch diese Wartungsverbesserungen das nötige Vertrauen gewinnen können, um Benutzern das Geschäftsmodell der „Wartung als Service“ anzubieten, das nicht nur eine Maschine, sondern ein garantiertes Produktivitätsniveau für einen vereinbarten Zeitraum umfasst. Das kann ein finanziell lohnender Ansatz sowohl für den Maschinenanbieter als auch für den Benutzer sein.

Zustandsbasierte Überwachung und vorausschauende Wartung

Intervalle für die vorbeugende Wartung werden, wie oben erwähnt, in der Regel vom Maschinenhersteller festgelegt und basieren auf einer statistischen Analyse, wann sich der Zustand von Teilen wahrscheinlich verschlechtert oder sie ausfallen. Dass ein Ausfall statistisch wahrscheinlich ist, bedeutet jedoch nicht, dass ein Teil in unmittelbarer oder selbst naher Zukunft tatsächlich ausfällt. Andererseits kann ein Teil ausfallen, bevor es statistisch gesehen an der Zeit wäre.

Effizienz und Zuverlässigkeit würden sich dagegen erheblich verbessern, wenn wir die Maschine und ihre Teile in Echtzeit überwachen könnten, es erkennen könnten, wenn ein Parameter außerhalb der zulässigen Grenzwerte liegt, und entsprechende Gegenmaßnahmen ergreifen könnten. Dann könnten wir jedes Teil optimal nutzen, ohne einen Ausfall zu riskieren.

Dieser Prozess wird als zustandsbasierte Überwachung („Condition-Based Monitoring“, CBM) realisiert. Dabei wird der Zustand einer Maschine in Form von vordefinierten Geräteparametern kontinuierlich überwacht. Diese Überwachung zeigt Muster auf, die auf einen möglichen Geräteausfall hinweisen.

Im Rahmen einer CBM-Strategie würden zunächst die Schlüsselparameter zur Überwachung identifiziert, also Parameter, die erkennen lassen, ob mit der Maschine alles in Ordnung ist. Häufige Parameter für die Überwachung sind u. a.:

Vibration: Überwachung der Vibration des Geräts, meist der Lagervibration
Temperatur: Überwachung von Temperaturschwankungen
Ölstände: Messung von Variationen beim Ölstand des Geräts
Akustik: Erkennung von Klangänderungen beim Gerät mithilfe von Ultraschall
Motorspannung und -strom: Überwachung auf unerwünschtes oder destruktives Glimmen, Lichtbögen und Teilentladungen

Abb. 1:Vibrationssensor (Schwingungssensor)

Zur Definition dieser Ausfallparameter müssen u. a. die Grenzwerte für den zulässigen Betrieb festgelegt werden. Für jeden Parameter müssen Verlaufsdaten erfasst werden, um eine Ausgangsbasis zu schaffen, die den normalen Zustand darstellt.

Sobald diese Parameter zur Analyse verfügbar sind, kann ein Ausfallmodell erstellt werden, um Abweichungen von dieser Ausgangsbasis zu erkennen. Das ist relativ einfach, wenn die Kombinationen der Parameterwerte, die einen Ausfall darstellen, bekannt sind. Es können verschiedene Regeln für Ausfallbedingungen definiert werden, und das richtige Modell kann anhand einer klassischen Datenanalyse und mathematischer Berechnungen erstellt werden. Wenn die Ursachen für einen Ausfall jedoch nicht vollständig nachvollziehbar sind, müssen Data Science und maschinelles Lernen hinzukommen, um Algorithmen zu entwickeln, die aussagekräftige Muster in den Daten erkennen können.

Algorithmen für maschinelles Lernen fallen in zwei Kategorien:

Unüberwachtes Lernen: Das sind Algorithmen, die ohne menschliches Eingreifen an einer Datenmenge ausgeführt werden. Das Ergebnis ist eine Gruppe von automatisch identifizierten Mustern aus Messdaten, die einem Geräteausfall zugeordnet werden können.
Überwachte Analyse: Dabei handelt es sich um Algorithmen, die auf Ausfallerkennung trainiert werden. Sie erhalten eine Teilmenge der Daten, die bereits als Ausfall bzw. kein Ausfall klassifiziert wurden. Der Algorithmus lernt daraus und kann dann an den vollständigen Daten ausgeführt werden, um Geräteausfälle zu ermitteln.

In der Praxis müssen die Modelle für maschinelles Lernen ständig auf ihre Wirksamkeit hin überwacht werden. Die Modelle lassen oft mit der Zeit nach und erfordern eine Neukonfiguration oder ein erneutes Training.

Die vorausschauende Wartung („Predictive Maintenance“, PdM) ähnelt der CBM, stimmt aber nicht ganz mit ihr überein. PdM ist eine Gerätestrategie, die anhand von Messungen des Gerätezustands beurteilt, ob es zu einem späteren Zeitpunkt ausfallen wird, und dann geeignete Maßnahmen ergreift, um die Folgen dieses Ausfalls zu vermeiden. Der Gerätezustand kann mit CBM gemessen werden, aber auch statistische Prozesskontrolle, Geräteleistung oder menschliche Sinne können herangezogen werden.

Zustandsbasierte Überwachung und das IoT

CBM bietet einerseits ein großes Potenzial, bringt andererseits aber auch Herausforderungen mit sich. Sie kann teuer sein, weil Instrumente angeschafft und an die Maschinen angeschlossen werden müssen. Das gilt besonders für bereits installierte Anlagen. In der Öl- und Gasindustrie z. B. konzentrierten sich CBM-Systeme der ersten Generation aus Kostengründen nur auf Vibrationen in schweren rotierenden Geräten.

Auch die Extraktion nützlicher Daten kann sich schwierig gestalten. Selbst wenn bestimmte Arten von Geräten leicht zu beobachten sind, indem einfache Werte wie Vibration (Verschiebung oder Beschleunigung), Temperatur oder Druck gemessen werden, ist es nicht einfach, diese gemessenen Daten in verwertbare Kenntnisse über den Gerätezustand umzuwandeln.

Das ändert sich nun jedoch. Produktions- und Fertigungssysteme werden kostenträchtiger, und damit werden auch Ausfallzeiten teurer. Unterdessen ermöglicht es die IoT-Technologie Herstellern und Benutzern, Kosten- und Technologieprobleme auf leichtere und preiswertere Weise zu lösen. Messgerätesensoren sind mittlerweile kostengünstiger, robuster und zuverlässiger und bieten eine größere Funktionalität, manchmal mit mehreren Funktionen. Außerdem gibt es robuste Funkprotokolle, mit denen Daten in einem lokalen Gateway effektiv aus den Sensoren erfasst und sofort analysiert und gefiltert werden können. Anschließend können sie über das Internet an eine Cloud-basierte Datenverarbeitungsressource übertragen werden, die Software als Service für Benutzer aller Größen bereitstellen kann. Diese Software kann die Daten speichern und die nötige Analyse durchführen, um Trends zu erkennen und potenzielle Problembereiche zu identifizieren.

Abb. 2: Vorausschauende Wartung auf der IoT-Plattform Datonis – Bild via Alticon

Beispiel für ein Zustandsüberwachungssystem: Siemens SIPLUS CMS und die digitale Fabrik

SIPLUS CMS von Siemens ist ein CBM-Paket, das IoT-Technologie als Teil der Systemlösung nutzt. Das System ist ein Schritt in Richtung der digitalen Fabrik, in der alle Komponenten wie Maschinen, Produkte und Menschen entlang der Wertschöpfungskette vernetzt werden. CMS arbeitet mit MindSphere, der Cloud-basierten, offenen IoT-Betriebssystemplattform von Siemens, die für die Analyse großer Datenmengen aus Maschinenüberwachungssensoren entwickelt wurde, um Ausfallzeiten zu reduzieren.

SIPLUS CMS zeichnet mechanische Variablen von Maschinen auf und analysiert sie, integriert sie in die Automationswelt und bietet Entscheidungshilfen für Wartungspersonal, Betreiber und Management. Die offene Systemarchitektur und die effiziente Interaktion zwischen allen Automatisierungskomponenten ermöglichen eine werksweite Zustandsüberwachung von mechanischen Komponenten auf allen Ebenen. Mit diesem Ansatz können Kontrollzentren die aktuellen Statusinformationen genau überwachen. Im Falle einer Anomalie ist es möglich, schnell einzuschätzen, wie lange ein sicherer Betrieb noch möglich ist. Außerdem können Anomalien in einem Werk direkt mit dem Zustand der umliegenden Komponenten verglichen werden, um festzustellen, ob eine Temperaturerhöhung ein Anzeichen dafür ist, dass ein Lager überhitzt.

Das SIPLUS-System wird in einem von drei verschiedenen Paketen implementiert, die im Folgenden zusammengefasst sind:

SIPLUS CMS 1200

SIPLUS CMS 1200 ermöglicht die permanente Statusüberwachung wichtiger mechanischer Komponenten. Die aufgezeichneten Daten werden von der internen Software des CMS1200 analysiert und auf dem Zustandsüberwachungsmodul SM 1281 gespeichert. SIPLUS CMS1200 ist über das TIA-Portal (Totally Integrated Automation) von Siemens vollständig in das Automatisierungssystem integriert.

Funktionalität:

Parameterbasierte oder frequenzselektive Datenanalyse
Integrierte Analysealgorithmen
Trendanalyse
Kommunikation von System- und Statusmeldungen
Zeitsynchronisierung über LAN
Online-Datenstreaming von Vibrationsdaten an die Analysesoftware CMS X-Tools

Zu den Vorteilen zählen eine verbesserte Werksverfügbarkeit, frühzeitige Erkennung von mechanischen Schäden zur Optimierung der Lebensdauer von Bauteilen und geringere Wartungskosten in Kombination mit minimalen Investitionskosten.

SIPLUS CMS 2000

SIPLUS CMS2000 ist als eigenständige Lösung unabhängig vom Automatisierungssystem erhältlich. Es kann Signale ohne zusätzliche Software analysieren, diagnostizieren und visualisieren. Das modulare Design erleichtert die perfekte Anpassung des Systems an spezifische Anforderungen.

Funktionalität:

Parameterbasierte oder frequenzselektive Datenanalyse
Integrierte Analysealgorithmen
Trendanalyse
Kommunikation von System- und Statusmeldungen
Zeitsynchronisierung über LAN
Online-Datenstreaming von Vibrationsdaten an die Analysesoftware CMS X-Tools

Das CMS 2000 bietet die gleichen Vorteile wie das CMS 1200.

SIPLUS CMS 4000

Zur Überwachung sowohl von einzelnen Maschinenkomponenten als auch von komplexen Systemen. SIPLUS CMS4000 lässt sich leicht in jede Automatisierungsumgebung integrieren. Mit der leistungsstarken Diagnosesoftware CMS X-Tools können Sie Ihre eigenen Analysemodelle erstellen und schützen und Prozessdaten aus dem Steuerungssystem integrieren.

Funktionalität:

Aufzeichnung mechanischer Signale über bis zu 180 Sensoren – synchron und in Echtzeit mit einer Abtastrate von bis zu 192 kHz
Prozessdatenerfassung über Software-IONs direkt aus SIMATIC S7, SIMATIC TDC und SIMOTION
Datentransfer an CMS X-Tools über TCP/IP-Kommunikation

Zu den Vorteilen zählen die einfache Integration in vorhandene und neue Automatisierungssysteme, die Qualitätssicherung bei den Produktionsprozessen durch Flugschreiberfunktionen und detaillierte Analyse, Diagnose, Überwachung, Visualisierung und Archivierung.

MindSphere ist das Cloud-basierte, offene IoT-Betriebssystem von Siemens, das Ihre Produkte, Anlagen, Systeme und Maschinen miteinander verbindet und Ihnen so ermöglicht, die Fülle der Daten, die vom Internet der Dinge (IoT) erzeugt wird, mit erweiterten Analysen nutzbar zu machen.

Spezialsensoren für vorausschauende Wartung

Bisher wurden in diesem Artikel Zustandsüberwachungssysteme auf der Basis von Messgeräten diskutiert, die an der Maschine angebracht sind, z. B. Vibrations-, Rotations- und Temperatursensoren. Es sind jedoch auch andere Spezialsensoren erhältlich, die Wartungstechnikern nähere Einblicke in den Zustand der Anlage und in Probleme gewähren, die sich möglicherweise im Entwicklungsstadium befinden.

Wärmebildkameras:

Fluke bietet drei Serien von Wärmebildkameras für verschiedene Überwachungsanwendungen an:

Die Performance Series, die in Abb. 5 gezeigt wird, ist für die Routinewartung vorgesehen. Sie bietet präzise fokussierte Bilder ab 15 cm Entfernung mit manuellem Fokus. Schnellere Bilder können mit festem Fokus bereitgestellt werden. Die Kameras können Berichte generieren und sie mit der Ferndiagnosesoftware Fluke Connect per E-Mail vom Einsatzort senden.

Die Professional Series ist für eine erweiterte Inspektion und Fehlersuche vorgesehen. Sie erfasst klare, genaue Bilder von Hochtemperatur-Komponenten bis zu 1.200 °C. Die Produkte überwachen Prozesse mit Videoaufzeichnung, Live-Video-Streaming, Fernbedienung oder automatischer Erfassung.

Die Expert Series bietet erstklassige Bildqualität und ein 180-Grad-Schwenkobjektiv zur einfachen Navigation für Round-Touch-Aufnahmen. Auf einem 5,7-Zoll-Touchscreen sind kleine Bilddetails erkennbar, was die Erkennung von Anomalien ermöglicht.

Luxmeter: Zunehmend wichtig am Arbeitsplatz, nicht für Maschinen, sondern aus Gründen der Sicherheit. Die Luxmeter dienen zur Messung der Helligkeit in lux, fc oder cd/m². Einige Luxmeter verfügen über einen internen Speicher oder Datenlogger zur Aufzeichnung und Speicherung von Messungen. Viele Luxmeter enthalten Software zur detaillierten Analyse und bieten verschiedene Schnittstellen zur Übertragung von Messdaten an einen Computer.

Chemische Überwachung: Wasser, z. B. in Kühlsystemen, muss über die richtige chemische Zusammensetzung verfügen, um Korrosion und Ablagerungen zu vermeiden und die mikrobiologische Kontrolle zu gewährleisten. TrueSense von SUEZ für die Kühlwasserbehandlung misst kontinuierlich die chemische Zusammensetzung und wendet die nötige Chemie für diese Faktoren an. Die chemischen Messungen des Systems umfassen:

Orthophosphat für den Korrosionsschutz bei Stahl
Polymere zur Verhinderung von Mineralablagerungen und zur Dispergierung suspendierter Feststoffe
Freies Halogen für die kostengünstige Kontrolle mikrobiologischer Kulturen

Das System kann mit Insight, der Cloud-basierten Wissensmanagement-Lösung von SUEZ, verknüpft werden. Das ermöglicht die Visualisierung von aktuellen Bedingungen und Trends, die Diagnose von Problemen und die Identifizierung von Verbesserungsmöglichkeiten, sowie die Auslösung von Alarmen für Ereignisse oder Trends, bevor sie sich zu einem Problem für die Produktion oder Bestände entwickeln. Das System erstellt Berichte über die wichtigsten Leistungsindikatoren und deren Auswirkung auf die Geschäftsziele.

Intelligente Wechselstromklemme – CT-Klemme:

Die drahtlose 3-Kanal-CT-Stromklemme Version 3 von Pressac Sensing ist für die Messung und Auswertung von Wechselstrom ausgelegt, der durch 3 separate Kanäle fließt. Die Stromversorgung erfolgt über einen beliebigen der gemessenen Leiter. Der gemessene Strom in allen 3 Kanälen wird alle 30 Sekunden per drahtloser Kommunikation gemeldet. Die Stromklemme lässt sich problemlos und unterbrechungsfrei an den gemessenen Leitern installieren.

Abb. 3: Dreikanal-CT-Klemme von Pressac – Bild via Pressac Communications Limited

Wie das IoT zur Anlagensicherheit beitragen kann

Bei der Verbesserung der Wartungsstrategien geht es letztendlich darum, die Produktivität der Anlage zu steigern. Diese Produktivität kann weiter gesteigert werden, indem Werksleiter ihre gesetzlichen und moralischen Verpflichtungen zur Optimierung der Sicherheit vor Ort erfüllen. Die Sicherheit der Anlagen kann durch IoT-Technologie in Kombination mit der Analyse von Big Data ermöglicht werden. Überwacht werden können KPIs wie Mitarbeiterabwesenheit, Fahrzeugschäden, Sachschäden, Beinaheunfälle, Verletzungen und jegliche Verluste oder Schäden, die während des normalen täglichen Betriebs auftreten.

Häufig können viele dieser Messwerte, wenn ihre Meldung nur durch Mitarbeiter erfolgt, durch das Netz schlüpfen, da sie entweder nicht in allen Fällen oder gar nicht gemeldet werden. IoT ermöglicht eine bessere Sicherheit, indem es für Echtzeiteinblicke in diese Schlüsselbereiche sorgt. Auftretende Probleme können umgehend behoben werden, um die Einhaltung von Arbeitsschutzbestimmungen und Umweltauflagen zu gewährleisten.

Verletzungen am Arbeitsplatz sind ein gutes Beispiel, da kleinere Verletzungen oft nicht gemeldet werden. Manchmal entwickeln sie sich mit der Zeit zu einem größeren Problem, aber das Dilemma ist, wie das größere Problem im Nachhinein mit dem früheren Vorfall in Verbindung gesetzt werden kann.

IoT-Wearables bieten eine Lösung für dieses Problem, da die Mitarbeiter ständig auf verschiedene Gesundheitsmetriken wie Herzfrequenz, Bewegung, Aktivität, Ermüdung und Stress überwacht werden. Sie bieten außerdem eine Möglichkeit, wichtige Sicherheitsinformationen bereitzustellen, wodurch die Versicherungskosten für die Haftung reduziert und die Einhaltung von Vorschriften in der gesamten Belegschaft verbessert werden.

Digitales Tagging kann auch dazu beitragen, ständig über den Aufenthaltsort der Mitarbeiter informiert zu bleiben. Tagging-Technologie ist speziell auf Hochrisikobranchen wie z. B. den Bergbau ausgerichtet. Mit ihrer Hilfe kann die Geschäftsleitung genau wissen, wer vor Ort zugegen ist und wie lange er bereits dort ist, und bei einem Notfall kann sichergestellt werden, dass alle Personen evakuiert werden.

Die Zukunft der Wartung

Der Wartungsbereich macht einen Wandel durch: von rein reaktiven Funktionen hin zu Planung, Vorbeuge und eigenständiger Reparatur. Der Trend geht dahin sicherzustellen, dass Produktionsleiter ständige Verbesserungen bei der Werksauslastung erzielen und dazu gleichzeitig weniger Wartungsaufwand benötigen. Vor dem Hintergrund einer allgemeinen Akzeptanz von IoT-Technologien heben sich einige besonders interessante Tendenzen ab, die im Folgenden beschrieben werden:

Selbstheilende Werkzeugmaschinen: Forscher an der Technischen Universität Dänemark (DTU) haben robuste Methoden zur automatischen Kompensierung von Verschleiß bei industriellen Werkzeugmaschinen entwickelt. Dieser wichtige Schritt zu selbstheilenden Maschinen wird in Zusammenarbeit mit Siemens in Deutschland entwickelt.

Die derzeitige Computersteuerung von Werkzeugmaschinen (CNC) sorgt für hohe Präzision, solange die Maschine neu ist. Die Algorithmen zur Positionssteuerung stellen sicher, dass jedes einzelne Produktionsteil, z. B. alle 10.000 gestanzten Metallkomponenten, genau die gleichen Abmessungen und die gleiche Endbearbeitung aufweist wie der Rest.

Präzision ist jedoch nicht mehr das einzige unverzichtbare Merkmal für industrielle Werkzeugmaschinen. Heute wird darüber hinaus eine hohe Zuverlässigkeit verlangt, damit eine Verschlechterung des Anlagezustands vorhergesehen und ungeplante Produktionsunterbrechungen vermieden werden können.

Dementsprechend hat die DTU nun Algorithmen formuliert, mit denen die Werkzeugmaschine selbst angeben kann, wann die Wartung verschiedener mechanischer Teile fällig ist. Die Forschung ermöglicht es der Werkzeugmaschine, Änderungen im Arbeitsbereich wahrzunehmen und ihre Betriebsparameter zu ändern, um sich an neue Bedingungen anzupassen. Das bedeutet, dass die Produktion nicht zum vollständigen Stillstand kommen muss, damit die Parameter neu eingestellt werden können, sondern dass die erforderliche Genauigkeit kontinuierlich bereitgestellt werden kann, selbst während sich der Maschinenzustand verschlechtert. Die DTU verfolgt das Ziel, die automatische Steuerung für Werkzeugmaschinen so weit zu entwickeln, dass sie sowohl den mechanischen Verschleiß der Maschine kompensieren als auch einen geeigneten Termin für die Wartung empfehlen kann.

Der wachsende Beitrag der KI zur vorausschauenden Wartung:

Ein weiterer Begriff im Zusammenhang mit der zustandsbasierten Wartung ist vorausschauende Qualität und Wartung („Predictive Quality and Maintenance“, PQM). PQM-Lösungen nutzen sowohl das IoT als auch herkömmliche Altsysteme und konzentrieren sich darauf, Qualitäts- und Wartungsprobleme zu erkennen und zu beheben, bevor sie sich zu ernsthaften Problemen entwickeln und möglicherweise Ausfälle verursachen.

Früher verwendeten PQM-Lösungen Algorithmen und gaben als Ergebnis durchschnittlichen Statistiken aus, um vorherzusagen, wann Qualitätskorrekturen oder Wartungsmaßnahmen erforderlich waren. Durch die Verfügbarkeit viel größerer Datenmengen und der jüngsten Entwicklungen auf dem Gebiet der KI werden jedoch neue Ansätze möglich. Anstatt lediglich durchschnittliche oder erwartete Statistiken zu analysieren, wird nun der Ist-Zustand eines Produkts analysiert. So wird KI-Technologie auf das Konzept der zustandsbasierten Wartung angewendet.

KI-basierte PQM-Lösungen nutzen verschiedene Technologien gemeinsam, u. a. maschinelles Lernen, Deep Learning und kognitives Computing:

Maschinelles Lernen: Konzentriert sich auf reale Probleme, indem große Datenmengen verarbeitet werden und aus ihnen gelernt wird.
Deep Learning: Ist durch die Nutzung neuronaler Netzwerke in der Lage, nahezu unvorstellbare Datenmengen zu sortieren und Schlussfolgerungen daraus zu ziehen.
Kognitives Computing: Ein Teilbereich der KI, der versucht, die menschliche Denkweise zu imitieren. Sehr wichtige Aspekte des kognitiven Computing sind Lernen im Assoziativspeicher und Argumentation. Damit wird die Art nachgeahmt, in der Menschen durch Assoziierung lernen, sich erinnern und argumentieren.
Komplementäres Lernen: Da verschiedene Arten der KI bei der Lösung unterschiedlicher Probleme glänzen, liegt der Schlüssel zum Erfolg darin, sie gleichzeitig anzuwenden. Beim komplementären Lernen im Kontext von PQM-Anwendungen werden alle diese Arten von KI – maschinelles Lernen, Deep Learning und kognitives Computing – kombiniert, um Einblicke in Qualitäts- und Wartungsprobleme zu erhalten.

Eine PQM-Lösung, die komplementäres Lernen für sich vereinnahmt, beantwortet zunächst mithilfe von maschinellem Lernen und Deep Learning die Frage: „Worin besteht das Problem?“, und dann mit kognitivem Computing Fragen wie: „Habe ich das schon einmal gesehen? Um welche Art von Problem handelt es sich? Wer weiß, wie das Problem behoben werden kann? Wodurch wird dieses Problem verursacht? Und wird es wieder auftreten?“

VR für die Wartung in den Fabriken der Zukunft:

ARVRTech ist ein Unternehmen für Augmented und Virtual Reality, das zwei Schlüsselrollen für VR in Smart Factories sieht: die Mitarbeiterschulung für Wartungsaktivitäten zu stimulieren und Fabrikprozesse zu optimieren.

Die Inhalte des Unternehmens berücksichtigen die Interaktion der Benutzer mit ihrer Umgebung und ermöglichen schnelle, kostengünstige und interaktive Schulungen. Sie befähigen Mitarbeiter, mehr über ihre Arbeitsumgebung und die Maschinen zu lernen, ohne ihr Leben und ihre Sicherheit in Gefahr zu bringen. Gleichzeitig kann die Bedienung teurer Maschinen leichter erlernt werden, bevor sie direkt ausprobiert werden müssen.

Eines der Tools, Interactive 360 Photo, arbeitet mit einem am Kopf befestigten VR-Display, das den Benutzer durch verschiedene Szenarien in der Fabrikhalle führt. Benutzern stehen zwei Optionen zur Verfügung: Wartung und Schulung. Innerhalb der Wartungsoption öffnet sich eine Reihe kurzer Lektionen mit Aufgaben wie „Stahlqualität prüfen“ oder „Lager auswechseln“. Als Nächstes erscheinen detailliertere Aufforderungen wie z. B. „Prüfen Sie die Dicke mit der Induktionssonde“, und der Benutzer wird Schritt für Schritt durch die Wartungsverfahren geführt.

Weitere Inhalte, die in einem VR-Fabrikmodell bereitgestellt werden, sind äußerst realistisch und helfen Besuchern zu verstehen, wie verschiedene Produktionsstraßen in der Fabrik miteinander verbunden sind und welche Störimpulse im täglichen Betrieb unbedingt vermieden werden sollten.

Abb. 4: VR kann bei der Wartungsschulung für Fabriken verwendet werden

Wartung als Service:

Das Whitepaper „The Future of Maintenance“ von Infosys kommt zu dem Schluss, dass ein datenbasierter Ansatz die Wartung auf das nächste Niveau anheben wird und dass sich „Wartung als Service“ bald zur Norm entwickelt. Dieser Ansatz ermöglicht die Fernüberwachung und -reparatur von Geräten, oder vielleicht sogar Geräte, die sich selbst reparieren.

Es werden sich neue Geschäftsmodelle ergeben, bei denen ein Produkt nicht zu einem festen Preis verkauft wird, sondern vielmehr auf der Basis des Durchsatzes, das es in einem bestimmten Zeitraum liefern kann. Die Hersteller übernehmen die Verantwortung für das Gerät und sorgen dafür, dass die Benutzer von der bestmöglichen Produktivität profitieren. Dafür erhalten sie eine jährliche Gebühr und Zusatzgeschäfte auf der Grundlage von Produkt- und Servicequalität. Die Gesamtbetriebskosten werden als Schlüsselfaktor für den Erfolg herangezogen.

Zusammenfassung

IoT-Technologien mit ihrer großen Anzahl an Zentren vor Ort, die mit Systemen verbunden sind, welche ihre Daten erfassen und anspruchsvolle Analysen durchführen können, bieten neue Echtzeiteinblicke in den Anlagen- und Gerätezustand. Das ermöglicht wesentlich effizientere Wartungsstrategien, die auf den tatsächlichen Gegebenheiten und nicht auf statistikbasierten Vermutungen basieren.

Für Fabriken, die durch ständig verbesserte Betriebszeiten wettbewerbsfähig bleiben wollen, kommen diese neueren, effizienteren Wartungsmöglichkeiten gerade recht.