Banner Big Rep

#39 – IoT – MWC

IoT und Künstliche Intelligenz unterstützen vorausschauende Instandhaltung

/ / /

Die neuesten Entwicklungen im Bereich von IoT Sensoren, fortgeschrittener Analytik und künstlicher Intelligenz (AI) versprechen, dass es in Zukunft leichter sein wird, vorauszusagen, zu welchem Zeitpunkt eine Anlage ausfallen wird.

 

Vorausschauende Instandhaltung (PdM) bedeutet, Zustandsdaten von Maschinen zu sammeln, so dass die zuständigen Ingenieure mögliche Ausfälle oder Pannen vorhersagen können noch bevor sie eintreten. Auf diese Weise wird es möglich, fehlerhafte Komponenten zu ersetzen, bevor ein Schaden entsteht. Das Fraunhofer Institut für Produktionsanlagen und Konstruktionstechnik in Berlin arbeitet bereits seit den frühen 90er Jahren an diesem Konzept. Aber das Institut wies technische Einschränkungen zurück berichtet Claudio Geisert, Konrektor von Produktionsmaschinen und Anlagenmanagement.

Es war extrem schwierig, Zugriff auf Daten zu erhalten und Maschinenkommunikation zu implementieren, und dasselbe gilt für die Entwicklung von Algorithmen für Prognosen.

Angeregt durch Mikroelektronik für Verbraucher sind heutzutage IoT Sensoren preiswerter, kleiner und fertig verfügbar. Währenddessen machen ganze Bibliotheken voller machine learning Software in modernen Programmiersprachen wie Python das Erstellen von prädiktiven Algorithmen einfacher und schneller.

Der größte Nutzen besteht darin, dass die Verfügbarkeit von Produktionssystemen größer ist und dass wir unvorhergesehenen Ausfallzeiten vorbeugen können.

Eckhard Hohwieler, Produktionsleiter bei Machines and Line Management am Fraunhofer Institut, sagt, die Anwendung von PdM mache es leichter, die Instandhaltung von Produktionssystemen zu planen und zu koordinieren. Aber IoT-Daten können auch den Herstellern helfen, Konzepte zu verbessern.

Wenn Anlagenbauer Angaben zum Gebrauch von Maschinen machen, dann können Daten und Einblicke auf das Produktkonzept angewandt werden und bieten Ideen zur Verbesserung von Funktionstüchtigkeit und Haltbarkeit.

Die PdM hebt ab

Durch die neuesten Fortschritte der Technologie steht das PdM im Rampenlicht. Der Aufzughersteller Thyssen Krupp entwickelte MAX, ein IoT Konzept des machine learnings, das bereits von 110 000 Anwendern weltweit genutzt wird. Maschinendaten (Türbewegungen inbegriffen), Einschaltvorgänge, Fahrten, car calls und Fehlercodes werden weltweit von internetverbundenen Sensoren gesammelt. Die Ergebnisdaten werden in Cloud basierte Analysesoftware eingegeben, die mit einmaligen von ThyssenKrupp entwickelten Algorithmen entwickelt wurde, um Muster auszumachen, die Pannen vorhersagen könnten. Das Unternehmen erklärt, dass dem Techniker präzise und prädiktive Diagnosen in Echtzeit geliefert sowie der genaue Ort des erforderlichen Eingriffs angegeben werden. Es wurde festgestellt, dass diese Art des Angehens die Verfügbarkeit der Aufzüge enorm steigert, weil die Ausfallzeiten geringer sind und die Fehlerdiagnose in Echtzeit abläuft. MAX sagt Instandhaltungsprobleme vorher, bevor sie eintreten, hilft Aufzugsingenieuren beim Einblick in die Fehlerdiagnose und schlägt vor, welche Teile ersetzt werden müssen, – und dies noch vor einem Besuch vor Ort. Hyun-Shin Cho, Leiter der digitalen Arbeitsprozesse bei ThyssenKrupp Aufzüge, berichtet, dass die Anzahl der Aufzüge, die das System verwenden, 10% der im Einsatz befindlichen Aufzüge ausmachen, die für die Kunden gewartet werden. Das Unternehmen hat IoT Geräte auf ältere Systeme umgerüstet und sie auch in neue Einheiten eingesetzt, und eigene Cloud basierte machine learning Systeme entwickelt, um die Daten zu analysieren. Um jedoch so viel Nutzen wie möglich aus der Investition zu ziehen, reicht es nicht aus, nur die Daten zu erfassen. Unternehmen müssten sie in ihren Business process mit einbeziehen, sagt Cho:

Vorausschauende Instandhaltung ist nur ein Teil dessen, was wir tun. Ein anderer großer Nutzen des Systems ist die Fehlerbehebung. Wenn ein Aufzug, der das System verwendet, kaputt geht, dann sehen wir das Signal in Echtzeit. Wir analysieren diese Information, und wenn die Techniker vor Ort eintreffen, haben sie alles bei der Hand. Nach dem traditionellen Schema müssten sie einen Fehler suchen. Aber zum heutigen Zeitpunkt garantiert die Cloud Technologie, dass wir die Fehlerdiagnose bereits haben.

AI iim Dienst von PdM

Doch trotz der PdM Fortschritte bleiben Herausforderungen bestehen. Prädiktive Modelle können hohe Leistungen erfordern und bedingen historische Daten, aus denen gelernt werden muss, bevor man Vorhersagen zur Genauigkeit der Anlagen machen kann. Vielleicht braucht es auch Zeit, live Daten zu analysieren, um die Möglichkeit zu haben, normale Grundlinien für die Leistung zu etablieren. Um PdM als praktisches Arbeitstool zu verwenden, sind monatelange Datenanalysen und Investitionen in Datenwissenschaftler erforderlich. Um sich mit diesen Herausforderungen zu befassen, verwendet die DataRPM Corporation künstliche Intelligenz. Das Unternehmen für kognitive Intelligenz arbeitet für Kunden im Bereich der Öl- und Gasindustrie, der Automobilbranche und der Halbleiterindustrie. Die DataRPM Corporation sagt, auf big data tools wie Hadoop oder Apache Spark aufzubauen hilft bei der Automatisierung von Schritten in der Datenwissenschaft durch die Verwendung von machine learning, um zu bestimmen, welche Datenmodelle die effizientesten sein werden. Diese Annäherung über das meta learning verbessert die Qualität von Vorhersage und Genauigkeit um ca. 300% und erfordert 3% der Zeit und Ressourcen, um aufzustehen und loszulaufen im Vergleich zu anderen Annäherungen an Modelle der Datenentwicklung. Ruban Phukan, DataRPM, Mitbegründer und leitender Produktmanager, erklärt:

Wir verwenden das meta learning, um einige der Aufgaben der Datenwissenschaft zu automatisieren, die Experten erfordern, um aus den Erfahrungen der Vergangenheit zu lernen. Wir übertragen anschließend dieses Wissen, um es auf Gebiete anzuwenden, die ähnliche Erfordernisse haben.

Vorausschauende Instandhaltung hat seit den 90er Jahren einen langen Weg hinter sich. Jetzt, wo IoT Sensoren gebräuchlicher werden und künstliche Intelligenz weiter voranschreitet, kann man eines mit Leichtigkeit vorhersagen: immer mehr Unternehmen werden damit beginnen, ihr in irgendeiner Form zu vertrauen.

 

Aus dem Englischen übersetzt von Claudia Fischer


About the Author

Related Posts

The adoption of additive manufacturing technology has accelerated in recent years thanks to...

The NASA probe’s arrival at Jupiter on Monday will improve our understanding of not just the solar...

Could the thinnest, strongest, lightest and most conductive material ever created spark a new...

Banner ABB Turbocharging

Style Switcher

Highlight Color:

               

Backgrounds:

                    

You can also set your own colors or background from the Admin Panel.