Maschinendatenerfassung, Big Data, die Cloud und Predictive Analytics Services ermöglichen neue, proaktive Servicekonzepte und gestatten in der Automatisierung eine vorausschauende Wartung und die Digitalisierung der dafür erforderlichen Prozesse. Es wird in Zukunft also nicht mehr gewartet, bis eine Baugruppe ausfällt, sondern zum richtigen Zeitpunkt reagiert. Teure Ausfälle und Produktionsunterbrechungen lassen sich so weitestgehend vermeiden. Der erste Schritt ist aber ein Cloud-basiertes Condition Monitoring mit qualitativ hochwertigen Daten.
Um uns herum vollzieht sich unter dem Oberbegriff Digitale Transformation ein grundlegend Wandel, der auf den ersten Blick nicht weiter auffällt: Immer mehr Objekte werden mit einer Internetanbindung ausgestattet, um als Smart System bzw. Smart Connected System verschiedenste Mehrwertdienste per Cloud anzubieten. Inzwischen stehen hochwertige Dienste zur Verfügung, die für nahezu jedes System Predictive Maintenance und andere Zusatzfunktionen ermöglichen.
Im industriellen Umfeld verschwindet gegenwärtig die klassische Automatisierungspyramide mit den Feld-, Steuerungs-, Prozess-, Betriebs- und Unternehmensleitebenen. Als ein möglicher Nachfolger soll sich das Referenzarchitekturmodell Industrie 4.0 (RAMI 4.0) etablieren und eine durchgängige Kommunikation mit geeigneten Daten erlauben.
Durch die Industrie 4.0-Ideen benötigen zukünftige Automatisierungsbaugruppen mehrere Schnittstellen, um z. B. die vertikale und horizontale Kommunikation im Sinne von RAMI 4.0 zu realisieren. Darüber hinaus soll es eine sog. Verwaltungsschale geben, die ein Datenabbild (virtuelle Repräsentanz) der jeweiligen Baugruppe enthält, u. a. mit den Konstruktions-, Zustands- und Historiendaten. So sollen Datenspeicher- und Predictive Maintenance-Dienste ermöglicht werden.
Thinglyfied ist der Name einer Middleware-Plattform, um Komponenten und Systeme in der Feldebene mit der Cloud zu verbinden.
Nahezu alle neuen Anwendungen der digitalen Gegenwart und Zukunft basieren mehr oder weniger auf einer Cloud. Sie bildet sowohl im Internet der Dinge als auch für Industrie 4.0 die zentrale Funktionseinheit.
Es gibt aber nicht "die Cloud", sondern eine inzwischen unüberschaubare Vielzahl verschiedener Clouds, die zum Teil völlig unterschiedliche Schnittstellen besitzen.
Aus Komplexitätsgründen und mit Blick auf die IT-Security kann ein Feldgerät in vielen Fällen nicht direkt mit einer Cloud kommunizieren. Und genau hier kommt Thinglyfied als Bindeglied zum Einsatz.
Systeme und Komponenten aus der Feldebene werden mittels Thinglyfied problemlos mit allen gängigen Cloud-Plattformen (auch einer Private Cloud) verbunden.
Es wird zwar sehr viel über Industrie 4.0 und die Vernetzung kompletter Wertschöpfungsketten gesprochen, doch im Maschinen- und Anlagenbau passiert hinsichtlich der Umsetzung bisher wenig.
Dabei müssen wir nur die verborgenen digitalen Werte in Form bereits vorhandener Daten erkennen und nutzen. Gerade in Hinblick auf Condition Monitoring und Predictive Maintenance ist es ein relativ kleiner Schritt, die eigenen Produkte mit wertvollen neuen Eigenschaften in Form intelligenter Schnittstellen und Services aufzurüsten und die eigene Wettbewerbsfähigkeit im internationalen Vergleich deutlich zu verbessern.
Wir beraten Sie gerne, wie in Ihrem Unternehmen Predictive Maintenance realisiert werden kann.
Eine wichtige Voraussetzung für Predictive Maintenance ist ein Condition Monitoring mit Cloud-basierter Zustandsdatenspeicherung. Dazu sollten möglichst viele Datenpunkte eines Systems – z. B. einer Maschine – erfasst werden, wofür teilweise zusätzliche Sensoren notwendig sind. Diese zusätzlichen Sensoren dienen ausschließlich als Datenquelle für die IT-gestützte vorausschauende Wartung auf Basis prädiktiver Analysen. Die so gesammelten Daten werden an eine Cloud übermittelt, um aus der gesamten Historie ein Vorhersagemodell abzuleiten. Dabei ist die Qualität der Condition Monitoring-Daten ein wichtiger Aspekt.
Die meisten Anlagen bieten durch die eingesetzte Steuerung (SPS) bereits viele geeignete Daten, die bisher allerdings in der SPS verborgen bzw. isoliert sind. Daher sollte man sich zunächst Zugriff auf diese Daten verschaffen und im Detail klären, welche – für die Zustandsüberwachung relevanten – Informationen sich aus den vorhandenen Daten gewinnen lassen. Hierzu als Beispiel ein pneumatisches Subsystem zum Materialtransport in einer Fertigungszelle.
Das pneumatische Subsystem besteht aus einem Führungszylinder mit einem Druckluft-bewegten und SPS-gesteuerten Schlitten, der sich zwischen linker und rechter Endposition hin und her bewegt. Im einfachsten Fall befindet sich an den Endpositionen des Führungszylinders je ein Näherungssensor mit einem Schaltpunkt, um der SPS (hier eine Siemens S7-1200) die aktuelle Endposition des Schlittens anzuzeigen (Positionen X1 und X4 in der Abbildung 1).
Allein durch den Zugriff eines Gateways wie dem IGW/936 per RFC1006-Protokoll (ISO-on-TCP) auf die beiden SPS-Eingänge für X1 und X4 lassen sich schon folgende für ein Condition Monitoring relevanten Informationen gewinnen:
Abbildung 1: Zwei SPS-Ausgänge schalten die beiden Ventile zur Druckluftzufuhr, um den Schlitten hin und her zu bewegen. Je zwei SPS-Eingänge sind mit den Schaltkontakten der beiden Sensoren an den Endpositionen des Führungszylinders verbunden. Damit lassen sich insgesamt vier Schlittenpositionen bestimmen.
Alle Zeitmessungen und Berechnungen zur Schlittengeschwindigkeit sind relativ ungenau, solange nur die Signale der Endpositionen X1 und X4 zur Verfügung stehen. In der Schlittenlaufzeit zwischen diesen Endpositionen sind auch die von verschiedenen Parametern abhängigen Dämpfungsphasen der Stoßdämpfer-Hubstrecken (Zeitspannen t1 und t2 in der Abbildung 1) enthalten. Insofern wird der Schaltzeitpunkt der Näherungssensoren an X1 und X4 immer um die nicht konstante Energieabsorptionszeit der Stoßdämpfer verzögert.
Die beiden Stoßdämpfer sind aber auch die kritischen Komponenten des gesamten pneumatischen Subsystems. Reicht die Dämpfung nicht mehr aus, fährt der Schlitten ungebremst an den Anschlag des Führungszylinders. Dadurch kann es zu irreparablen Schäden am gesamten Subsystem kommen. In den Datenblättern der Stoßdämpfer findet man zwar Angaben zu Werkstoff, Temperaturbereich, Auffahrgeschwindigkeit, max. Energieaufnahme pro Hub und pro Stunde usw., hingegen keine Daten zur Lebensdauer. Insofern ist es sinnvoll, den Zustand der Stoßdämpfer in das Cloud-basierte Condition Monitoring einzubeziehen und hierfür zusätzliche Sensoren zu installieren.
Um die Wirkung der Stoßdämpfer im Rahmen eines Condition Monitorings zu messen, sollten die einfachen Näherungssensoren mit je einem Schaltkontakt durch eine spezielle Variante mit zwei Schaltkontakten ersetzt werden. Diese Erweiterung ergibt mit X2 (Anfang der Hubstrecke linker Stoßdämpfer) und X3 (Anfang der Hubstrecke rechter Stoßdämpfer) zwei neue Punkte auf der X-Achse.
Da X1 und X4 ja nicht nur den Schlittenendpositionen auf dem Führungszylinder, sondern auch dem jeweiligen Ende der Stoßdämpfer-Hubstrecken entsprechen, lassen sich nun die Zeitspannen t1 (Hubzeit linker Stoßdämpfer) und t2 (Hubzeit rechter Stoßdämpfer) für jede Schlittenbewegung Millisekunden-genau ermitteln. Diese Hubzeiten werden sich bei längerer Betriebsdauer und damit einhergehenden nachlassendem Stoßdämpferöldruck verändern und immer kürzer werden.
Die reinen Messwerte für t1 und t2 allein haben in der Regel keine nennenswerte Aussagekraft. Um für den Führungszylinder eine vorausschauende Wartung zu ermöglichen, sollten die Daten in bestimmten Zeitabständen an einen Cloud-Service übertragen und dort in einer Datenbank über einen längeren Zeitraum gespeichert werden.
Abbildung 2: Node-RED-Flow zur Berechnung von t1 und t2.
Die Berechnung der Schlittengeschwindigkeit bzw. der Zeitspannen t1 und t2 erfolgt direkt vor Ort im IGW/936 per Node-RED. Die errechneten Zeitspannen werden dann vom IGW/936 als Condition Monitoring-Daten an einen Cloud-Service weitergebenen und dort gespeichert (SPS-Datenlogger in der Cloud). Hierfür kommt ein von SSV entwickeltes MQTT-API zum Einsatz.
Da bei einer Maschine oder Anlage wie dem pneumatischen Subsystem vor Ort sehr viele Daten anfallen, können diese Datenmengen in der Regel nicht einfach per M2M über ein Mobilfunknetz oder den Netzzugang des Betreibers in die Cloud transportiert werden.
Um dieser Problematik zu begegnen, ist eine Datenvorverarbeitung hilfreich, bei der beispielsweise ein geeigneter Mittelwert für t1 und t2 über einen bestimmten Zeitraum, z. B. zwei Stunden, gebildet wird. Dies führt zu lediglich zwei t1/t2-Werten, die an den Cloud-Service gesendet werden, obwohl in diesen zwei Stunden mehrere tausend Messwerte angefallen sind.
Abbildung 3: Die in einer Cloud gespeicherten Zustandsdaten lassen sich über ein Dashboard jederzeit betrachten. In den Informationskacheln werden die Echtzeit-Zustandsdaten wichtiger Komponenten angezeigt. Die Restlaufzeit einer Komponente wird zum einen errechnet und zum anderen aus einer prädiktiven Datenanalyse ermittelt. Damit lassen sich auch Wartungs-und Servicetermine automatisch in die Terminkalender der zuständigen Mitarbeiter eintragen.
Trendvorhersagen durch Auswertungen größerer Datenmengen werden im IT-Umfeld schon seit Jahren unter dem Sammelbegriff Predictive Analytics praktiziert. Aus diesem Grund gibt es in verschiedenen Cloud-Serviceplattformen hochentwickelte und praxiserprobte Dienste, die sich auch zur Vorhersage der Ausfallwahrscheinlichkeit einzelner Maschinenkomponenten und somit zum Festlegen geeigneter Wartungstermine bzw. als Basis proaktiver Servicekonzepte eignen. Sie fallen in die Kategorie der Software-as-a-Service (SaaS)-Angebote und stehen über verschiedene Cloud- und IoT-Serviceplattformen zur Verfügung.
Um prädiktive IT-Analyseservices für Predictive Maintenance zu nutzen, müssen, wie zuvor für das pneumatische Subsystem beschrieben, vor Ort geeignete Daten erfasst bzw. ermittelt, in die Cloud transportiert, mit einem Zeitstempel versehen und in einer Datenbank gespeichert werden. Dafür müssen die Daten noch nicht einmal eine einheitliche Struktur besitzen. In der Cloud stehen sogenannte NoSQL-Datenbanken (beispielsweise Apache CouchDB, IBM Cloudant, MongoDB) als Service zur Verfügung. Diese dokumentenorientierten Datenbanken speichern unstrukturierte Daten in JSON-Strukturen.
Die Trendvorhersagequalität einer Predictive Maintenance-Lösung hängt zum einen von der Menge der Historiendaten ab, die in der Cloud zur Verfügung stehen, um per Machine Learning ein geeignetes Vorhersagemodell zu erzeugen. Zum anderen spielt die Datenqualität eine große Rolle. Je mehr Umgebungsdaten zur Verfügung stehen, desto präziser die Zukunftsvorhersage. Aus diesem Grund können für das pneumatische Subsystem auch Druck, Umgebungs- und Bauteiltemperaturen – ja sogar der tägliche Wetterbericht – in die Datenerfassung einbezogen werden.
SSV Software Systems GmbH
Dünenweg 5
30419 Hannover
Fon: +49(0)511 · 40 000-0
Fax: +49(0)511 · 40 000-40
Impressum · Datenschutz · AGB
© 2024 SSV SOFTWARE SYSTEMS GmbH. Alle Rechte vorbehalten.
ISO 9001:2015
