antriebstechnik 3/2017

STEUERN UND AUTOMATISIEREN
1
Was ist das?
Ein Bereich der Informatik, welcher
• den Computern die Fähigkeit
gibt, Probleme zu lösen, die
mit einfachen, regelbasierten
Methoden nicht gelöst werden
können
• interessante Datenmuster
erkennt
• zukünftige Datenmuster
prognostiziert
• nützlich ist, um komplexe Daten
und große Datenmengen
(Big Data) zu analysieren
z.B. für vorausschauende 2
Instandhaltung:
Wie funktioniert es?
Sensoren sammeln Daten von Maschinen
und senden diese zur Analyse.
Algorithmen erkennen vorhandene
Datenmuster und erlernen neue.
Vorhandenes Muster
erkannt
Unbekanntes
Muster
3
Wo gibt es
heute schon
Anwendungen?
Im Alltag:
• Spracherkennung
• Personalisierte Werbung
• Vorschläge in Suchmaschinen
• Bilderkennungs-Software
In der Industrie:
• Vorhersagende Wartung
• Verfahrensoptimierung
• Produktionsplanung
• Erkenntnisse im Interesse
der Produktentwicklung
Machine
Learning
!
x(a-b)
4
Muster weist
auf normales
Maschinenverhalten
hin.
Keine Maßnahme
erforderlich.
Muster weist
auf fehlerhaftes
Maschinenverhalten
hin
Service-Maßnahme:
z.B. Wartung
einplanen
Wen braucht
man dazu?
Data Scientists
• Domain Know-How
• Mathematik / Statistik
• Hacking-Kenntnisse
Algorithmen
erlernen neue
Muster
Dem Muster
eine Bedingung
zu weisen.
01 Dank vorausschauender Zustandsüberwachung
eines Antriebes am Förderband in einer
Eisenerzmine kommt es zu keinem ungeplanten
Maschinenstillstand
02 Über Machine Learning werden zahlreiche Sensorsignale zu einem Health Index
miteinander verknüpft, der Hinweise für anstehende Wartungsmaßnahmen gibt
erfassten Sensordaten Wissen über den Gesundheitszustand
der Anlage zu generieren
und zuverlässige Vorhersagen treffen zu
können. Kunden erhalten dann die entsprechenden
Wartungsempfehlungen für
ihre Anlagen.
Dazu ermittelt ein Machine-Learning-
Algorithmus in einer Einlernphase den normalen
Gesundheitszustand einer Anlage
oder eines Anlagenteils aus einer Vielzahl
von Sensorsignalen. Dabei geht es z. B. um
Druck, Durchfluss, Vibration, Temperatur
und Ölqualität, je nach zu überwachender
Anlagenbaugruppe. Diese Daten fließen
neben viel Antriebs-Know-how und Wissen
um Wirkzusammenhänge in die Auswertung
ein. Diese Einlernphase kann nur wenige
Tage dauern, wenn der überwachte
Anlagenteil ständig unter ähnlichen Bedingungen
die gleichen Bewegungen ausführt.
Wird die Station dagegen selten und dann
noch in verschiedenen Betriebsarten genutzt,
oder es werden verschiedene Produkte
mit der Anlage produziert, dann
dauert es länger, bis der „gesunde“ Referenzzustand
ermittelt ist.
Health Index ersetzt Einzelwerte
Nach der Einlernphase ermittelt ODiN mithilfe
des datenbasierten Modells kontinuierlich
einen Health Index der überwachten
Anlagenbaugruppe. Dieser Health Index,
der sich aus allen relevanten Betriebsdaten
zusammensetzt, hat deutlich mehr Aussagekraft
als einzelne Messwerte, die für sich
genommen selten den realen Verschleiß
anzeigen. Bricht jetzt ein einzelner Messwert
kurzzeitig aus dem Toleranzband aus,
führt das nicht zu einer unbegründeten
Warnung. Auf der anderen Seite kann der
Health Index bei mehreren veränderten
Werten ein Problem anzeigen, obwohl jeder
einzelne Wert noch innerhalb der definierten
Grenzen liegt.
Ein Beispieldatensatz zeigt das Potenzial
dieses Ansatzes: Statistisch gesehen wird ein
kritischer Fehler per Zufall nur mit einer
Wahrscheinlichkeit von 13 % rechtzeitig entdeckt.
Ein Instandhaltungsexperte, der die
Anlage mit traditionellen Mitteln ständig
überwacht, erkennt diesen Fehler mit einer
Wahrscheinlichkeit von immerhin 43 %. Das
Dienstleistungspaket erreicht dagegen eine
Fehlererkennungsrate von über 95 %.
Dabei lernt die Software mit jedem Datensatz
der angeschlossenen Anlagen. Ein
Beispiel aus der Praxis: An einer mit ODiN
überwachten Anlage fiel ein Elektromotor
aus, ohne dass ein Einzelwert aus dem Toleranzband
ausgebrochen war. Der von ODiN
ermittelte Health Index hatte allerdings bereits
vier Wochen vorher eine signifikante
Abweichung angezeigt, da sich ein unbekanntes
Muster in den Daten entwickelt
hatte. Durch den Vorfall hat der Algorithmus
gelernt, dass er in Zukunft bei einer ähnlichen
Verschlechterung mehrerer Werte –
auch wenn alle Einzelwerte noch im „unkritischen“
Bereich liegen – eine Warnung
absetzen muss, damit der gleiche Fehler
nicht ein zweites Mal zu einem Anlagenstillstand
führt. Da alle Ergebnisse sämtlicher
mit ODiN überwachten Anlagen in
der Cloud zusammengeführt werden, profitieren
alle Anlagen von solchen Lernfortschritten.
Die Vorhersagegenauigkeit wächst
so mit jedem neuen Datensatz.
Durch Machine-Learning-Methoden zeigt
der Health Index nicht nur den Verschleißzustand
der direkt überwachten Komponenten
an, sondern auch schleichende Veränderungen
der vor- und nachgelagerten
Mechanik oder Hydraulik. Wenn Bewegungen
über einen längeren Zeitraum langsamer
werden oder mehr Kraft erfordern, ist
das ein Hinweis auf einen Verschleiß in der
nicht direkt mit Sensoren ausgestatteten
Mechanik oder Hydraulik.
Wahrscheinlichkeit eines Stillstands
signifikant reduzieren
ODiN Predictive Maintenance ist bereits in
mehreren Großanlagen weltweit im Einsatz
und wird derzeit in weiteren Anwendungen
etabliert. Weil das System alle Messdaten
der angeschlossenen Anlagen miteinander
verknüpft, verbessert sich mit jedem Datensatz
die Vorhersagequalität.
Die anfallenden Instandhaltungsarbeiten
übernehmen Service-Techniker von Rexroth,
die in mehr als 80 Ländern präsent sind.
Auch ODiN kann einen Anlagenausfall nicht
völlig ausschließen, aber es reduziert die
Eintrittswahrscheinlichkeit eines Stillstands
so signifikant, dass sich die Zusatzkosten
schon beim ersten verhinderten Ausfall
mehrfach rechnen.
www.boschrexroth.com
antriebstechnik 3/2017 33