Herzlich Willkommen beim beam-Verlag in Marburg, dem Fachverlag für anspruchsvolle Elektronik-Literatur.


Wir freuen uns, Sie auf unserem ePaper-Kiosk begrüßen zu können.

Aufrufe
vor 5 Jahren

1-2-2019

  • Text
  • Software
  • Elektromechanik
  • Positioniersysteme
  • Antriebe
  • Stromversorgung
  • Feldbusse
  • Kommunikation
  • Robotik
  • Qualitaetssicherung
  • Bildverarbeitung
  • Automatisierungstechnik
  • Sensorik
  • Messtechnik
  • Visualisieren
  • Regeln
  • Msr
  • Boards
  • Systeme
  • Sbc
  • Ipc
Fachzeitschrift für Industrielle Automation, Mess-, Steuer- und Regeltechnik

Predictive Maintenance

Predictive Maintenance lern, die aufgrund starker Datenverdichtung durch Edge-Computing nur geringe Datenmengen in das Internet übertragen müssen, eignen sich die neuen LTE-Kategorien. Diese ermöglichen es, eine direkte Internetverbindung vom Sensor in die Cloud herzustellen und ohne seperates Gateway die gemessenen Werte in die Cloud zu übertragen. Die neuen LTE-Kategorien Die jüngsten LTE-Kategorien NB1 und M1 – auch als NB-IoT und LTE M1, bzw. LTE-M bekannt – sind für Anwendungen wie Predictive Maintenance, bei denen vereinzelt geringe Datenmengen zu übertragen sind, ideal. Sowohl LTE-M als auch NB-IoT unterstützt die nRF91-Familie von Nordic Semiconductor. Das hochintegrierte SiP (System in Package) kommt mit einem ARM-Cortex- M33-Mikrocontroller zur kundenspezifischen Programmierung der Anwendung Sensoren und Aktoren. Er ermöglicht mit seiner Rechenleistung bereits die Anwendung aufwändigerer Algorithmen zur Datenanalyse. Das heißt: Das Wireless- Modul generiert aus den Messdaten der Sensoren bereits vor Ort Informationen, so dass nur noch eine deutlich geringere Datenmenge zu versenden ist. Dies optimiert die Gesamtenergiebilanz und hält den Online-Datenverbrauch gering. Über 32 GPIOs lassen sich neben den Sensoren auch LEDs anschließen, etwa als Warnhinweis vor Ort, wenn ein Sensor einen zu hohen Wert ermittelt. Auch ist es möglich, Tasten oder Schaltrelais zu verbinden. So kann beispielsweise der Sensorpunkt bei Bedarf ganze Anlagen bei Bedarf abschalten oder der Anwender Maschinenzustände quittieren. Assisted-GPS Das nRF91 SiP ist weiterhin mit integriertem Assisted-GPS erhältlich. Dies ermöglicht dank NB-IoTbzw. LTE-M-Nutzung eine schnelle Positionsbestimmung beim Kaltstart für die Überwachung von Fahrzeugen oder anderen mobilen Geräten. Schutz vor Datenklau Da die Messwerte der Sensoren zahlreiche Aufschlüsse zur Nutzung der betreffenden Maschinen, Anlagen und Geräte geben können, sollten sie vor unbefugten Zugriffen geschützt werden. Auch hierfür enthält der nRF91 bereits eine Lösung: Der Host-Prozessor mit TrustZone nutzt in der CPU und im System eine vertrauenswürdige Ausführungsumgebung und trägt so zur Sicherheit von Applikationsdaten, Firmware und angeschlossener Peripherie bei. ARM CryptoCell gewährleistet sichere Speicherzugriffe, während TLS und SSL die Ende-zu-Ende- Verschlüsselung der Datenübertragung sicherstellen. Der nRF91 eignet sich zudem perfekt im Zusammenspiel mit einem nRF52, wie es auch auf dem nRF91-Entwicklungskit umgesetzt ist. Somit stehen sowohl Kurzstreckenfunk zur Sensoranbindung als auch Mobilfunk zur Internet anbindung mit dieser Multicore-Zweichiplösung bereit. Wählt man aus der nRF52-Familie den nRF52840, verfügt auch dieser über ARM TrustZone und CryptoCell Technologien. Was ist Predictive Maintenance? Erfolgsfaktor Datenanalyse Nachdem die Daten vom Sensor übermittelt wurden, folgt die kniffeligste Aufgabe: die Datenanalyse. Was bedeutet es, wenn sich die Frequenz eines Wälzlagers geändert hat? Droht es kaputt zu gehen, wurde lediglich die Produktion umgestellt oder die Maschine fürs Wochenende heruntergefahren? Oder ist ein Störfaktor für die Änderung verantwortlich? Welche Abweichungen gehören noch zu den normalen Schwankungen? Und schließlich: Wie hoch ist die Wahrscheinlichkeit, dass ein Schaden eintritt, d. h. ab wann ist ein Eingreifen erforderlich? Daraus entstehen spezifische Profile, die in der Software durch entsprechende Parameter und Schwellwerte hinterlegt sind. Möglicherweise sind nach dem ersten Praxistest Nachjustierungen nötig. Bei Umstellungen der Produktion, Änderungen im Maschinenpark oder ähnlichem ist das Predictive-Maintenance-System ebenfalls anzupassen. Wer all diese Punkte berücksichtigt, hat es geschafft: Nie wieder unerwartete Maschinenschäden, Ausfälle oder Bandstillstand durch unentdeckt alternde Anlagen. Der Aufwand für Wartungsarbeiten lässt sich besser vorausplanen und es können automatisch nur noch die tatsächlich benötigten Ersatzteile vorgehalten werden. Davon profitieren nicht nur Anwender, sondern auch Maschinenbauer. Integrieren sie ein Predictive-Maintenance-System in ihre Produkte, bieten sie Kunden einen echten Mehrwert durch höhere Maschinenverfügbarkeit. Zudem können sie die Auswertungen der Felderfahrungen für ihre weitere Produktentwicklung nutzen. ◄ Die vorausschauende Instandhaltung (Predictive Maintenance) basiert im Gegensatz zur präventiven Instandhaltung (Preventive Maintenance) nicht auf festen Wartungszyklen, sondern auf bedarfsorientierter Wartung aufgrund von fortlaufend vor Ort erhobenen Messdaten und deren Auswertung. Sie registriert Vibrationen oder veränderte Geräusche von Maschinen, Anlagen und Geräten, die bereits lange vor einem eigentlichen Schaden auf Probleme im Betrieb hindeuten. 14 PC & Industrie 1-2/2019

Predictive Maintenance benötigt Vor-Ort-Intelligenz Predictive Maintenance Durch Innovationen im Bereich der künstlichen Intelligenz und des maschinellen Lernens sind nun Datenbasierte Predictive-Maintenance-Lösungen mit Vor-Ort-Echtzeit-Datenanalysen realisierbar. Autor: Klaus-Dieter Walter, CEO bei der SSV Software Systems GmbH www.ssv-embedded.de Predictive Maintenance (PM), also die vorausschauende Wartung durch Bestimmen der Restlebensdauer einzelner Maschinenkomponenten, ist eine der Schlüsselinnovationen aus dem Industrie- 4.0-Kontext, für die sich ein quantifizierbarer Anwender nutzen bestimmen lässt. Durch den Einsatz datenbasierter Prognose methoden lassen sich die erforderlichen Servicearbeiten an einer Maschine oder Anlage relativ präzise planen, um unnötige Stillstandszeiten zu vermeiden. Die dadurch möglichen Effizienzverbesserungen und Kosteneinsparungen sind mit betriebswirtschaftlichen Berechnungen zahlenmäßig darstellbar, die auch Investitionsrechnungen ermöglichen. Dominant sind in der täglichen Praxis zurzeit allerdings in erster Linie reaktive Servicekonzepte, also die Wartung im Fehlerfall (Run-to Failure Maintenance oder auch Corrective Maintenance). Dabei wird der unvorhergesehene Ausfall einer Maschine in Kauf genommen. Welche Auswirkungen der artige Wartungskonzepte haben können, erleben die Kunden der Deutschen Bahn Tag für Tag in Form von Verspätungen und Zugaus fällen. In der produzierenden Industrie sind die Folgen weniger transparent, aber ebenfalls vorhanden. Konzepte der Predictive Maintenance Predictive Maintenance zählt zu den proaktiven Wartungsmethoden. Es gibt hier allerdings verschiedene Konzepte, die sich zum Teil erheblich unterscheiden. Im einfachsten Fall werden datengetriebene Prognoseansätze verwendet, die aus den jeweiligen Betriebszeiten einzelner Komponenten (z. B. Betriebsstunden eines Motors) einfach die Alterung modellieren bzw. simulieren und daraus die fälligen Wartungstermine ableiten (Model-based PM). In anspruchsvolleren Anwendungen werden komplexe Expertensysteme genutzt (Knowledge-based PM). Diese Systeme nutzten umfangreiche Datenbanken, um über Handlungsempfehlungen auf Grundlage der jeweiligen Wissensbasis den optimalen Wartungstermin zu bestimmen. Die hierfür genutzten statistischen Daten basieren in der Regel auf Lebenszyklusanalysen. Aktuelle Messdaten zum Zustand einer Komponente, Maschine oder Anlage werden dabei allerdings nicht berücksichtigt. Predictive Maintenance mit Zustandsdaten Relativ neu sind Predictive-Maintenance-Lösungen auf Grundlage aktueller Zustandsdaten, die laufend gemessen und mit Hilfe entsprechender Software ausgewertet werden. Da besonders die unzähligen Anbieter von Cloud-Serviceplattformen in diesem Umfeld offensichtlich ein sehr großes Wachstums- und Umsatzpotenzial sehen, sind zahlreiche „Predictive Maintenance-as-a-Service“-Spezialangebote oder ähnlich geartete Services für Maschinenbauer und Betreiber entstanden. Die dabei in der Cloud zum Einsatz kommende Software ist recht anspruchsvoll. Sie reicht von regelbasierten Expertensystemen über statistisches Lernen (z. B. stochastische Modelle mit Wahrscheinlichkeiten, wie das Hidden Markow Model, Supervised oder Unsupervised Machine Learning) bis hin zum PC & Industrie 1-2/2019 15

hf-praxis

PC & Industrie

© beam-Verlag Dipl.-Ing. Reinhard Birchel