Predictive Maintenance: Schluss mit ungeplanten Maschinenstillständen

Insbesondere bei Großanlagen, die rund um die Uhr produzieren, wie Minen, Gießereien oder Gummimischwerke, ist ein Maschinenstillstand mit hohen Kosten verbunden. Durch Predictive Maintenance kann das Risiko von teuren Anlagenstillständen zuverlässig reduziert werden. Die Thematik ist bekannt, wird aber in der praktischen Umsetzung mit Machine-Learning-Methoden erst richtig interessant. Bosch Rexroth hat dies mit seinem Dienstleis­tungs­paket Online Diagnostics Network („ODiN“) bereits in der Praxis unter Beweis gestellt.

In Großanlagen schlagen Maschinenstillstände besonders hoch zu Buche. Predictive Maintenance, wie es das Dienstleis­tungs­paket Online Diagnostics Network („ODiN“) von Bosch Rexroth ermöglicht, hilft, diese zu vermeiden (Bild: Bosch Rexroth)

Der Handlungsdruck bei den Anlagenbetreibern ist hoch: „Wir wissen von einem Betreiber einer Eisenerzmine, dass er die Kosten für einen Stillstand seines zentralen Förderbands mit einem fünfstelligen Betrag pro Stunde kalkuliert“, zeigt Tapio Torikka auf. Bei Bosch Rexroth hat er die Entwicklung von „ODiN Predictive Maintenenace“ geleitet, mit dem ein derartiger Maschinenstillstand verhindert werden kann. „In der Praxis fällt eine solche Anlage aber nicht nur für eine Stunde aus, sondern für eine oder sogar mehrere Schichten.“ Damit ist die Millionenschwelle bei den Stillstandskosten schnell erreicht.

Auch bei anderen kontinuierlich produzierenden Großanlagen, wie Papier- und Zuckerfabriken, Gummimisch­anlagen oder Stahlwerken, erreichen die Stillstandkosten pro Stunde immer mindestens vierstellige Summen, häufiger deutlich mehr. Beispielsweise, wenn in einer Papierfabrik das Schwerlasthandling ausfällt, das die Baumstämme in die Anlage einführt. Zu den Ausfallkosten kommen die Eilaufschläge bei den Reparaturen. Meist sind die Betreiber ohne Zögern bereit, für die am schnellsten verfügbaren Ersatzteile nahezu jeden Preis zu zahlen. Dieses wirtschaftliche Risiko verringern die Unternehmen bislang vor allem dadurch, dass sie in den fest eingeplanten Wartungspausen kritische Bauteile vorsorglich und damit viel häufiger als notwendig wechseln.

Von Condition Monitoring zu Predictive Maintenance

Ein erster Schritt, um unnötige Wartungsarbeiten zu reduzieren, ist das Konzept der Zustandsüberwachung. Dabei werden im klassischen Ansatz zunächst Baugruppen, wie Hydraulik­pumpen, mit Sensoren ausgerüstet, danach anhand der Bedienungsanleitungen und von Erfahrungswerten obere und untere Grenzwerte für diese Signale definiert. Über- oder unterschreiten die Messwerte diese Schwellen, wird eine Warnung erzeugt. „Diese manuell eingegebenen Grenzwerte sind in der Praxis oft nicht aussagekräftig. Denn sie führen insbesondere bei einem dynamischen Betrieb zu vielen Fehlwarnungen, sodass die Instandhaltung sehr schnell die Warnungen nicht mehr ernst nimmt“, beschreibt T. Torikka die mangelnde Akzeptanz dieser ersten Ansätze in der Praxis.
Daher nutzten die Spezialisten von Bosch Rexroth in einem nächsten Schritt ihr gesamtes Domänenwissen in der hydrau­lischen und elektromechanischen Antriebstechnik. „Wir wissen aus zehntausenden Anwendungen, dass Verschleißvorher­sagen extrem komplex sind, weil die Anwendungen so unterschiedlich sind“, bekräftigt T. To­rikka. Die Belastbarkeit und ­Lebenserwartung identischer Komponenten können im Minenbetrieb unter freiem Himmel am Polarkreis ganz anders sein als in einer Gießerei mit sehr viel konstanteren Umgebungs­bedingungen. „Besonders bei diesen komplexen Zusammenhängen und entsprechend großen Datenmengen können wir vom Potenzial der Machine-Learning-Methoden profitieren. Auch für den praktischen Einsatz in der Industrie“, führt er weiter aus.

Das Ergebnis der Entwicklung ist der Wechsel von einer grenzwertbasierten Auswertung auf eine modell­basierte – von der reinen Zustandsüberwachung zur vorausschauenden Analyse. „ODiN Predictive Maintenance“ nutzt Machine-Learning-­Methoden, um aus den 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.

Einlernen des individuellen Normalzustands

Dafür ermittelt ein Machine-Learning-Algorithmus in einer ­Einlernzeit einen „normalen Gesundheitszustand“ aus einer Vielzahl von Sensorsignalen: Beispielsweise Druck, Durchfluss, Vibration, Temperatur und Ölqualität, je nach zu überwachender Anlagenbaugruppe. Diese Phase kann nur wenige Tage dauern, wenn der überwachte Anlagenteil ständig unter sehr ähnlichen Bedingungen die gleichen Bewegungen ausführt. Wird die ­Station dagegen selten und dann noch in verschiedenen Betriebsarten genutzt oder werden verschiedene Produkte mit der Anlage produziert, dann dauert es länger. Diese Daten fließen neben viel Antriebs-Know-how und Wissen um Wirkzusammenhänge in die Auswertung ein.

Nach der Einlernphase ermittelt „ODiN“ mit dem datenbasierten Modell kontinuierlich einen Health-Index der überwachten Anlagenbaugruppe. Bricht ein ein­zelner Messwert kurzzeitig aus dem Toleranzband aus, führt das nicht unbedingt zu einer (Fehl-)Warnung, da Verschleiß selten mit nur einem Signal erfasst werden kann. Verschlechtert sich aber der Health-Index, weil sich die Daten mehrerer Sensoren auch innerhalb der definierten Grenzen verändern, da das Verhalten der Maschine sich verändert hat, dann warnt das System vor einem Problem.

Verschleißdiagnose ist eine komplexe Aufgabe. Dies zeigt ein Beispieldatensatz: „Während ein Fehler statistisch gesehen per Zufall nur mit einer Wahrscheinlichkeit von 13 % entdeckt wird, erkennt ein Experte, der die Anlage mit traditionellen Mitteln ständig überwacht, ihn zu 43 %. Dahingegen hat das System eine Fehler­erkennungsrate von 99 %“, verdeutlicht T. Torikka. Entweder kann die Software den Fehler bereits genau identifizieren oder sie unterstützt Wartungstechniker bei der Fehler­suche durch eine Lokalisierung des Fehlers auf eine Baugruppe.

Über Machine Learning werden zahlreiche Sensorsignale miteinander zu einem Health-Index verknüpft, der Hinweise für anstehende Wartungsmaßnahmen gibt

Genaue Überwachung mit dem Health-Index

„Wir hatten an einer Anlage den realen Fall, dass ein Elektro­motor nach der Einlernphase ausgefallen ist“, erinnert sich der Experte. An den Einzelsignalen aus dem Motor selbst haben die Sensoren keine kritische Entwicklung gemeldet, aber der Health-Index zeigte vier Wochen vorher bereits an, dass dort ein Problem besteht. Der Algorithmus hat durch diesen Vorfall gelernt, wann eine Warnung abgesetzt werden muss, damit der gleiche Fehler nicht ein zweites Mal zu einem Anlagenstillstand führt. Tritt jetzt ein ähnliches Muster an dieser oder anderen Anlagen auf, setzt „ODiN“ eine Warnung ab, den Elektromotor schnell zu prüfen und bei Bedarf auszutauschen.

Das System gewinnt aus den Sensordaten die nötigen Infor­mationen. Durch Machine-Learning-Methoden wird daraus Wissen. Dabei zeigt der Health-Index nicht nur den Zustand des eigentlich überwachten Aggregats an, sondern auch schleichende Veränderungen der vor- und nachgelagerten Mechanik oder Hydraulik. Wenn Bewegungen über die Zeit länger dauern oder mehr Kraft erfordern, ist das ein Hinweis auf einen Verschleiß in der Mechanik oder Hydraulik. „ODiN“ gibt in den regel­mäßig erstellten Health-Index-Berichten durch Machine Learning entsprechende Hinweise und hilft, konkrete Handlungsempfehlungen zu erstellen.

Aggregierte Daten sparen Bandbreite

Das System 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.

In den jeweiligen Anlagen haben die Spezialisten kritische Baugruppen, beispielsweise Hydraulikaggregate und -motoren, mit einer Vielzahl von verschiedenen Sensoren ausgerüstet. Ungefiltert entstehen so schon bei einem relativ kleinen Aggregat in einer Gießerei bis zu 5 GByte Daten pro Tag. Bevor diese Daten an das „ODiN“-Cloud-System gesendet werden, verarbeitet sie vor Ort eine Datenerfassungseinheit oder Steuerung aus dem Rexroth-Portfolio an der Anlage vor. Diese Vorverarbeitung ­verringert den Datenstrom so, dass auch geringere Bandbreiten zur Datenübertragung ausreichen. Das ist eine wichtige Voraussetzung für den praktischen Einsatz.

Anlagen für die Rohstoffförderung befinden sich oft in sehr entlegenen Gebieten, in Wüsten, am Polarkreis oder auf den Meeren. Hier stehen meist nur Mobil- oder Satellitenfunknetze zur Verfügung.
Die anfallenden Instandhaltungsarbeiten übernehmen Servicetechniker von Rexroth, die in mehr als 80 Ländern präsent sind. „Auch ,ODiN‘ kann einen Anlagenausfall nicht völlig aus­schließen, aber wir können die Eintrittswahrscheinlichkeit eines Stillstands so signifikant reduzieren, dass sich die Kosten schon beim ersten verhinderten Ausfall mehrfach rechnen“, fasst T. Torikka die praktischen Vorteile der datenbasierten, ­vorausschauenden Wartung zusammen.

Autor: Stefan Saul ist Leiter Service Produktmanagement bei Bosch Rexroth.

www.boschrexroth.com/de/de

 

Weitere Praxisberichte

Vom Brownfield zur Smart Factory

Lafarge Holcim setzt auf Predictive Analytics

 

 

botMessage_toctoc_comments_929

Digital Factory Journal:
Jetzt kostenlos testen

Digital Factory Journal - Jetzt kostenlos bestellen

Mit unserem neuen Fachmedium „Digital Factory Journal“ greifen wir neue Lösungsansätze, Geschäftsmodelle und Anwendungen aus der Praxis auf und berichten darüber mit hoher journalistischer Kompetenz für die Entscheider in der Industrie. Unser redaktioneller Fokus liegt dabei auf Ready-to-Use-Lösungen aus der IT- und Automatisierungswelt.

» Bestellen Sie jetzt Ihr kostenloses Jahresabo!

Top-3-Interviews

Prof. Dr. Uwe Kubach, SAP: M2M im Internet der Dinge - IT trifft Industrie 4.0

Frank Maier, Lenze: Industrie 4.0 seit 70 Jahren

Prof. Dr. Markus Schneider, PuLL Beratung GmbH: Lean Manufacturing im Zeitalter von Industrie 4.0

Aus der Praxis

Wenn Mensch und Roboter in Einklang arbeiten: Die Leichtbauroboter von ABB und Kuka im Einsatz

Die Smartwatch im industriellen Einsatz: Asys, In-Tech und Monkey Works berichten über Lösungen

Digitale Zwillinge optimieren in der virtuellen Welt die Realität: Siemens gibt Einblicke in die Entstehung der Nanobox Simatic IPC227E

Seminare

Von Techniktrends bis zu Management-, Normungs- und Sicherheitsthemen – das aktuelle Seminarprogramm im Überblick:

» Automatisierungstechnik
» Informationstechnik
» Normen und Sicherheit
» Elektrotechnik
» Mess- und Prüftechnik
» Energietechnik
» Organisation/Management/Recht