HJS Anwendung - Quelle: HJS Emission Technology

HJS Anwendung – „Condition Monitoring“ als Vorstufe zu „Predictive Maintenance“; Quelle: HJS Emission Technology

Ein Aspekt von vielen für den effizienten Einsatz, allerdings ein sehr wichtiger und grundlegender, ist dabei der möglichst kontinuierliche, fehlerfreie Betrieb. Denn jede Stillstandzeit ist mit oftmals enormen Kosten verbunden. Ohne Wartung sind jedoch Fehler und damit Ausfälle vorprogrammiert. Zielsetzung kann nun sein, diese Fehler möglichst rasch zu beheben. Der noch bessere Ansatz ist es, Fehler erst gar nicht auftreten zu lassen.

TC3G – Datenlogger - Quelle: STW GmbH
TC3G – Datenlogger, Gateway, Netzwerkknoten, Edge Controller – die All-in-one Lösung für „Predictive Maintenance“. Quelle: STW GmbH

Falls es durch defekte Teile einer Maschine und Anlage zu einem Ausfall kommt, muss der Fehler diagnostiziert werden. Es müssen entsprechende Ersatzteile verfügbar sein und schnell vor Ort gebracht werden. Demgemäß geschultes Personal soll in möglichst kurzer Zeit die Maschine wieder zum Laufen bringen. Wenn Reparaturen erst durchgeführt werden, nachdem ein Maschinen- oder Anlagenteil ausgefallen ist, spricht man von „Reactive“ oder „Breakdown Maintenance“.

In so gut wie allen Fällen sind Wartungspläne verfügbar, die durch regelmäßige Instandhaltungsarbeiten eine hohe Verfügbarkeit sicherstellen sollen. Wer sein Auto nicht wenigstens regelmäßig zum Ölwechsel in die Werkstatt bringt, muss mit dem steigenden Risiko eines kapitalen Motorschadens rechnen. Wenn dieser einmal eingetreten ist, reicht ein simpler Ölwechsel nicht mehr aus, um den entstandenen Schaden zu beheben. Das Einhalten von Wartungsplänen, die den vorsorglichen Austausch von Komponenten beinhalten, bevor sie ausfallen bzw. bevor die Ausfallwahrscheinlichkeit auf ein nicht mehr akzeptables Niveau ansteigt, nennt man „Preventive Maintenance“. Im Rahmen solcher Wartungsarbeiten werden üblicherweise auch Schmiermittel überprüft, ergänzt oder gewechselt, teilweise oder vollständige Überholungen durchgeführt, Einstellarbeiten vorgenommen usw.

machines.cloud - Quelle: STW GmbH
Daten für das Condition Monitoring werden an die STW-IoT-Plattform „machines.cloud“ übermittelt. Quelle: STW GmbH

Durch unterschiedliche Nutzung, die sich nicht nur nach Betriebsstunden, Kilometern oder Durchlaufzahlen quantifizieren lässt, können fix festgelegte Wartungsintervalle zu lange, in einem anderen Fall aber zu kurz für eine individuelle Maschine sein. Zudem sind keine zwei Maschinen oder Anlagen absolut identisch gebaut oder aufgebaut. Daher kann nur eine Eintrittswahrscheinlichkeit eines Komponenten- oder Maschinenausfalls vorhergesagt werden, nicht aber ein Defekt einer einzelnen Maschine oder Komponente. Diese Wahrscheinlichkeit lässt sich numerisch berechnen, simulieren, in Versuchen ermitteln oder aus den Erfahrungen mit Maschinen im Feld abschätzen.

Data-Mining - Quelle: Synop Systems
Data-Mining und Prognose-Verfahren identifizieren untypische Zustände bevor es zu einem Ausfall kommt. Quelle: Synop Systems

Die zunehmende Digitalisierung und Vernetzung ermöglicht eine lückenlose Überwachung von Maschinenparametern und damit des Zustands der Maschine. Durch ein derartiges „Condition Monitoring“ lassen sich aus Messwerten einer individuellen Maschine Verschleißkriterien ableiten. So kann man die Länge einer Antriebskette kontinuierlich überwachen, bei Erreichen eines festgelegten Wertes bereits die Anlieferung einer neuen Kette auslösen und ein entsprechendes Wartungsfenster zur Durchführung der Austauscharbeiten reservieren. So können Ausfälle schon im Vorfeld, sozusagen präventiv, verhindert werden. Dies wird als „Predictive Maintenance“ bezeichnet.

Neuronale Netze - Quelle: Synop Systems
Neuronale Netze halten Einzug in Predictive Maintenance. Quelle: Synop Systems

Gerade bei der „Predictive Maintenance“ und dem damit in Zusammenhang stehenden „Condition Monitoring“ ist das Erfassen physikalischer Größen wie Druck, Temperatur, Kraft, Beschleunigungen und Geschwindigkeiten unabdingbar. Zusammen mit anderen Parametern wie Betriebszeit, zurückgelegter Strecke, Bremsvorgänge oder Anzahl von Bewegungen werden diese Daten zunächst auf der Maschine gespeichert. Medium für die Übertragung dieser Daten auf der mobilen Arbeitsmaschine ist meist der CAN-Bus. Oft werden die Daten auch auf unterschiedlichen CAN-Bussen übertragen. So trennt man gern zwischen den Informationen für den Fahrbetrieb und denjenigen für die Arbeitsfunktion oder im Fall einer elektrifizierten Maschine für das Energiemanagement. Durch höhere Komplexität der Maschinen und die wachsende Menge der anfallenden Daten kommt aber auch vermehrt Ethernet zum Einsatz. Intelligente Datenlogger wie die TC3G bieten daher die entsprechenden drahtgebundenen Schnittstellen und sorgen für die Aufzeichnung. Falls auf dem Datenlogger noch keine Algorithmen zur Fehlererkennung implementiert wurden, müssen die Daten an eine höhere Instanz weitergeleitet werden.

Vernetzung ermöglicht den Zugriff auf wichtige Daten und Maschinenparameter - Quelle: STW GmbH
Die Vernetzung ermöglicht den Zugriff auf wichtige Daten und Maschinenparameter zu jeder Zeit und an jedem Ort. Quelle: STW GmbH

Die Weiterleitung setzt eine Vernetzung der Maschine voraus. Dafür ist eine TC3G mit drahtlosen Kommunikationstechnologien ausgestattet. Über WiFi oder Mobilfunk können Internet-basierte Dienste genutzt werden, um die gesammelten Daten an dedizierte Server oder Cloud-Dienste zu übertragen. Bei Cloud-Diensten kann man zwischen öffentlichen, privaten oder hybriden Lösungen unterscheiden. Sensor-Technik Wiedemann (STW) bietet seinen Kunden die Nutzung der IoT-Plattform „machines.cloud“ an, deren Vorteile in der Offenheit in Bezug auf Schnittstellen, Skalierbarkeit und Flexibilität hinsichtlich des Hosting-Modells besteht. Die offenen Schnittstellen erlauben die Weiterleitung der Daten an andere Server oder Dienste. Dort erfolgt die Auswertung der Daten, die Erkennung von Mustern und auch die Rückmeldung, dass ein Fehlerfall bevorstehen kann.

Automatisierung - Quelle: STW GmbH
Durch die Automatisierung werden Arbeitsprozesse effektiver. Quelle: STW GmbH

Nur aufgrund der großen Datenmenge – „Big Data“ – von vielen Maschinen eines Typs können mit Methoden der Datenanalyse diese Muster identifiziert werden. Meist kann man auch erst nach einem oder mehreren Fehlerfällen die Muster zuordnen. Dazu erfolgt eine sukzessive Verbesserung der Algorithmen, um Ausfallvorhersagen weiter zu verbessern. Mit der Datenanalyse kann auch gefiltert werden, welche Parameter einen möglichen Fehlerfall anzeigen, um die Menge der aufgezeichneten und übermittelten Daten zu reduzieren. Im Falle mobiler Arbeitsmaschinen erfolgt die Übermittlung oft per Mobilfunk und es können bei größeren Datenmengen gerade bei Roaming nicht unerhebliche Gebühren anfallen. Nach wie vor findet aber die Erkennung auf einem Server und nicht auf der Maschine satt. Um diesen letzten Schritt zu gehen, benötigen wir die entsprechenden Algorithmen auf der Maschine, die bereits dort aus vielen Daten, einige wenige aussagekräftige, also smarte Daten machen.

Nachhaltige Energiequellen - Quelle: STW GmbH
Nachhaltige Energiequellen können durch die Elektrifizierung von Fahrzeugen zu deren Energieversorgung beitragen. Quelle: STW GmbH

Sinnvoll wäre eine solche Ableitung von „Smart Data“ bei Schwingungs- und Modalanalysen, wenn beispielsweise aus der Veränderung des Vibrationsspektrums einer Maschine auf Unregelmäßigkeiten im Betrieb rückgeschlossen werden kann. Die Überführung der mit hoher Frequenz abgetasteten Messwerte vom Zeit- in den Frequenzbereich kann direkt auf der Maschine stattfinden. Das berechnete Spektralmuster wird mit einem vorgegebenen Soll-Spektrum verglichen und bei Überschreitungen ein Alarm ausgelöst. Voraussetzung dafür ist natürlich, dass auf der on-board Einheit, die für das Aufzeichnen von Daten zuständig ist, entsprechende Rechenleistung in Verbindung mit Programmierfähigkeit zur Verfügung steht. Die TC3G bietet hier mit Linux als zugrundeliegendem Betriebssystem und einem frei verfügbaren Deployment-Paket die besten Voraussetzungen. Mit der Implementierung der Algorithmen kann schließlich eine erhebliche Menge an Datenvolumen eingespart werden.

Nicht zu vergessen sind aber auch weitere Interessenlagen und Aufgabenstellungen im Umfeld der mobilen Arbeitsmaschine. Je nach Blickwinkel sind Informationen zur Einsatzzeit zu Zwecken der Abrechnung, die Übermittlung von Aufträgen und deren Abarbeitung für die Logistik oder einfach auch Wegeaufzeichnungen zur Überwachung der Arbeitssicherheit gewünscht. Mit der Übermittlung von Basisdaten an „machines.cloud“, die parallel zur Berechnung von „Smart Data“ stattfinden kann, können z.B. ERP-Systeme angekoppelt werden, so dass jeder Interessent die von ihm gewünschten Daten erhält.