Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Maschinenzustand beschreiben Genau hier wird dann in den meisten Fällen auch das erste Praxisproblem deutlich Daten aus denen sich geeignete Prädiktorbeziehungsweise Prognosevariablen bilden lassen gibt es in den meisten Maschinenlandschaften überhaupt nicht Eine Datenintegrationsschicht schaffen Die Maschinenlandschaft eines produzierenden Unternehmens mit Serienfertigung ist in der Regel über einen längeren Zeitraum entstanden und daher außerordentlich vielfältig Maschinen und Subsysteme unterschiedlicher Hersteller die teilweise nicht einmal einen gemeinsamen Kommunikationsstandard unterstützen wurden zu Anlagen zusammengefügt Zu jeder einzelnen Maschine gehört ein umfangreiches Expertenwissen Die meisten Anlagebestandteile haben eine individuelle Automatisierungstechnik Teilweise existieren Fernwartungszugänge um bei Problemen externe Hilfe durch einen Maschinenbauer oder ein Serviceunternehmen in Anspruch zu nehmen Vereinzelt gibt es auch Cloud-Anbindungen zum Beispiel für ein Frequenzumrichter-Monitoring – in der Summe also eine sehr heterogene Technologielandschaft ohne offene Datenschnittstellen Bevor sich in einem solchen Umfeld erfolgreiche Predictive-Maintenance-Anwendungen realisieren lassen ist zunächst einmal eine offene horizontale Datenintegrationsebene erforderlich Diese sollte dem Stand der Technik in der IT-Welt entsprechen und per Ethernet-LAN mit MQTT HTTP S -basiertem REST-API und gegebenenfalls noch OPC UA möglichst nur drei Protokolle unterstützen Alle Subsysteme die Ethernet und zumindest eines der drei Protokolle nicht direkt unterstützen werden als Daten-Retrofit mit Hilfe eines geeigneten Adapters angebunden der Markt bietet hier inzwischen eine sehr große Auswahl Vor der Datenintegration der einzelnen Maschinen sollte zunächst die anwendungsbezogene Fragestellung „Welche Maschinen haben wir überhaupt was wollen wir mit einem prädiktiven Wartungskonzept erreichen und welche Daten und Informationen werden dafür voraussichtlich benötigt?“ soweit möglich geklärt werden Für das datentechnische Gesamtbild sind eine Bestandsanalyse direkt vor Ort sowie Expertengespräche zwischen einschlägig erfahrenen Datenspezialisten Maschinenbedienern und Automatisierungstechnikern erforderlich Das Ziel ist in jedem Fall ein sogenannter Echtzeit-Merkmalsvektor mit kontextbezogenen Querschnittsdaten der zu der jeweiligen Aufgabenstellung passt Anhand der einzelnen Datenelemente dieses Merkmalsvektors lässt sich ableiten welche zusätzliche Sensorik benötigt wird Um eine Predictive-Maintenance-Lösung für eine Maschine oder Baugruppe Schritt für Schritt zu entwickeln sollte die Datenintegrationsebene eine Datenbank für Maschinendaten plus eine Laufzeitumgebung für Docker-Container mit Datenanalysefunktionen bieten Damit kann der Datenexperte zunächst geeignete Daten sammeln per deskriptiver Datenanalyse auswerten und mit den jeweiligen Spezialisten die Ergebnisse diskutieren Das erste Ziel wäre eine datenbasierte Differenzierung zwischen Normalbetrieb und Anomalie In den folgenden Schritten werden die anormalen Betriebszustände mit möglichen Fehlerursachen verknüpft um daraus die Auswirkungen sowie die erforderlichen Wartungsarbeiten abzuleiten Mit dieser iterativen Vorgehensweise entstehen im Laufe der Zeit geeignete Modelle für automatisierte Vorhersagen von anstehenden Wartungsaufgaben und dazu passende Termine um Maschineausfälle zu verhindern | Klaus-Dieter Walter CEO SSV Software Systems am SSV Software Systems www ssvembedded de Den vollständigen Beitrag können Sie auf der Website von INDUSTRIAL Production lesen unter bit ly 2T0JXYk 17 www industrialproduction de Eine Lösung zur prädiktiven Instandhaltung mittels Echtzeitdaten und KI-Algorithmen wird vielmehr in einem iterativen Prozess entwickelt Predictive Maintenance und Machine Learning | Schwerpunkt