Predictive Maintenance

Predictive Maintenance als Lösung

Um die Funktion und den ordnungsgemäßen Zustand von Teilen in der Maschine oder Anlage sicherzustellen, werden kritische bzw. verschleißbehaftete Komponenten, Bauteile und Aggregate mit Sensoren ausgestattet. So besteht die Möglichkeit zur Erfassung relevanter Zustands- und Leistungsdaten, wie zum Beispiel Temperatur, Drehzahl, Drehmoment, Geräusche, Schwingungen, Füllstande, Viskosität, Druck, Taktzeit, Menge und Betriebsstunden. Oftmals können auch Daten bereits vorhandener Sensoren für die Datenerhebung genutzt werden. Alle diese Sensoren werden auf der Feldebene über das Industrial Internet of Things vernetzt, um die Daten einzelner Sensoren miteinander kombinieren und daraus Ableitungen treffen zu können. Unterstützung bei der kontinuierlichen Datenerhebung, Datenspeicherung und Auswertung zum Monitoring des Zustands der Maschinen bieten intelligente Softwaretools, wie z.B. die IIoT Building Blocks.

Diese Systeme unterstützen oftmals verschiedene Arten von Installationsmöglichkeiten. Sie können direkt auf der Maschinensteuerung installiert werden oder alternativ können sie die Daten über das Netzwerk, z. B. via des Schnittstellenstandard OPC UA sammeln. Manche Systeme unterstützen zudem eine Kommunikation über das offene Netzwerkprotokoll MQTT direkt mit der Cloud. Variable Softwaresysteme unterstützen dabei die Ausrüstung und Vernetzung von Maschinen unterschiedlicher Generationen bzw. mit unterschiedlichen Bearbeitungsmethoden mit Sensoren. Das ist der erste wesentliche Schritt auf dem Weg zur Digitalisierung im Maschinen- und Anlagenbau.

Zusätzlich ist eine zeitliche Synchronisation der unterschiedlichen Daten wichtig, damit eine Vergleichbarkeit sichergestellt und Abhängigkeiten erkannt werden können. Um eine Aussagekraft der Daten zu bekommen, genügt dementsprechend das reine Sammeln von Rohdaten nicht. Auch in diesem Schritt sind geeignete Softwaretools eine wichtige Unterstützung. So übernimmt bspw. der Data Collector eine Angleichung der Daten direkt zur Laufzeit noch vor dem Speichervorgang. Dabei entstehen große Mengen an hochfrequenten Daten. Deshalb ist bei der Auswahl passender Softwarelösungen und Systemkonfigurationen wichtig, dass die Leistungsfähigkeit der Maschine und die Prozesse der gesamten Anlage nicht beeinträchtigt sind. Um dies sicherzustellen, bietet sich die Auslagerung der Datenspeicherung in Echtzeit auf einer Edge Cloud an.

Die gesammelten Datenmengen gilt es nun in einem nächsten Schritt strukturiert zu analysieren. Gerade hier kann ein eingesetztes intelligentes Ecosystem, wie z. B. die IIoT Building Blocks einen großen Mehrwert bieten. Es unterstützt von der Maschinenüberwachung und Erkennung von Abweichungen bis hin zur Einstellung vordefinierter Warn- und Fehlergrenzen für Messwerte und Maschinendaten, z.B. Alarmierungsmechanismen für Temperatur, Geschwindigkeit, Drehzahl oder Taktzeit. Das Monitoring sowie die Visualisierung von gewünschten Status- und Zustandsinformationen können dabei in Echtzeit auf individuell konfigurierbaren, übersichtlichen Dashboards erfolgen. Dafür eignen sich Open-Source-Lösungen, z.B. die Software Grafana. Die Visualisierung von Ereignissen und Auswertungen kann dadurch individuell für jeden Anwender und für verschiedene Endgeräte, auch für mobile Smart Devices, erfolgen. Automatische Meldungen an den Maschinenbediener oder Experten für die Maschine, bspw. den hausinternen Techniker im Unternehmen oder den externen Servicetechniker sind ebenfalls einstellbar.

Mithilfe der Sensoren und der IIoT-Lösung können somit die tatsächlichen Beanspruchungen der Komponenten und Bauteile präzise erfasst und visualisiert werden. Darauf aufbauend kann mit intelligenten Algorithmen und Ansätzen von Machine Learning Technologien zudem die zu erwartende Restlebensdauer prognostiziert werden. Unerwartet auftretende Abweichungen, z. B. erhöhte Schwingungen, Störgeräusche oder veränderter Stromverbrauch, die auf eine hohe Abnutzung und einen künftigen Ausfall hindeuten, werden sehr frühzeitig erkannt und erlauben das Bilden von Aussagen und Vorhersagen über die Verfügbarkeit, den Status und Zustand der Anlage. Die Identifikation und Lokalisierung von möglichen Fehlerquellen bilden die Grundlage zur Festlegung des nächsten, prädiktiven nutzungs- und verschleißabhängigen Wartungstermins: Genau darum geht es bei Predictive Maintenance.

Predictive Maintenance bietet zudem die Möglichkeit zur Ferndiagnose und Fernwartung durch den Servicetechniker, wodurch dessen Anfahrt und die Besorgung von Ersatzteilen zusätzlich optimiert werden können.