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