Aufrufe
vor 3 Jahren

antriebstechnik 1-2/2021

  • Text
  • Antriebstechnik
  • Ruckentkopplung
  • Drehgeber
  • Anwendungen
  • Unternehmen
  • Motoren
  • Anwender
  • Einsatz
  • Hengstler
  • Zudem
antriebstechnik 1-2/2021

SPECIAL: ANTRIEBSTECHNIK

SPECIAL: ANTRIEBSTECHNIK IN VERPACKUNGSMASCHINEN CONDITION MONITORING WENN DER ANTRIEB ZUM SENSOR WIRD Erfahrene Mitarbeiter in der Produktion können buchstäblich hören, wenn eine Verpackungsmaschine nicht mehr einwandfrei läuft. Aber man muss sich nicht auf gute Ohren verlassen. Es gibt smartere Methoden – ganz ohne zusätzliche Sensorik. Gerade in der Verpackungsindustrie und bei der Getränkeabfüllung kann man davon profitieren. Ein plötzlicher Maschinenausfall schmerzt den Betreiber immer. Eine Gegenmaßnahme besteht in der ständigen Überwachung des Gesundheitszustandes einer Maschine oder eines Systems: dem Condition Monitoring. Vielen Maschinenbauern erscheint diese Methode zu komplex und zu teuer. Auf den Einsatz teuerer Sensoren kann zumindest verzichten, wer die Informationen aus den Devices der Maschine deutet. Immer wieder werden Condition Monitoring und Predictive Maintenance fälschlicherweise als synonyme Bezeichnungen verwendet. Predictive Maintenance ist die Vorhersage von Ereignissen oder der Wahrscheinlichkeit von Ereignissen, beispielsweise wann die Wahrscheinlichkeit, dass ein Getriebedefekt in den nächsten 20 Betriebsstunden auftritt, auf über 95 Prozent steigt. Mit einer solchen Prognose könnte man den Austausch des Getriebes vor dem tatsächlichen Ausfall planen. Beim Condition Monitoring geht es zunächst darum überhaupt zu erkennen, dass sich der Zustand des Getriebes verschlechtert. ABWEICHUNGEN VOM MODELL? Leider gibt es in der Regel keine Möglichkeit, den Zustand oder die „Gesundheit“ einer Maschine oder einer einzelnen Komponente direkt zu messen. Das Condition Monitoring stützt sich daher auf die Interpretation vorhandener Daten. Dazu bedarf es eines tiefen Verständnisses von Maschinen und Prozessen, um aus „nackten“ Messwerten gehaltvolle Informationen zu generieren. Dieses Wissen ist bei OEMs, die ihre Maschinen kennen und die Prozesse der Anwender verstehen, bereits vorhanden. Analysen auf Basis von Machine Learning (ML) und Künstlicher Intelligenz (KI) können das Aufspüren von Anomalien unterstützen. Um daraus tragfähige Anwendungen zu schaffen, gibt es zwei unterschiedliche Ansätze. Der erste ist modellbasiert. Ihm liegt eine angenommene mathematische Beschreibung der Maschine zugrunde, aus der sich bestimmte Soll-Werte ergeben, die den Normalzustand beschreiben. Überschreiten die gemessenen Werte Klaas Nebuhr, Head of digital Portfolio bei Lenze Digital in Bremen

estimmte Toleranzen, kann dies als Störung interpretiert werden, die in einem Condition-Monitoring-Dashboard eine Warnung auslöst. GESCHÄFTSMODELLE GEMEINSAM ENTWICKELN Der andere Ansatz ist datenbasiert. Ein Algorithmus lernt zunächst das Verhalten des Systems und die gegenseitige Beeinflussung der gemessenen Parameter. Dies können bei einer Verpackungsmaschine beispielsweise Geschwindigkeit, Beschleunigung, Drehmoment, Position oder Stromaufnahme eines Antriebs sein. Die im laufenden Betrieb gemessenen Werte werden mit dieser erlernten Beschreibung verglichen, um Abweichungen zu definieren. Beide Ansätze greifen auf bereits vorliegenden Messwerte zurück und bedürfen keiner zusätzlichen Sensorik. Denn bereits beim Zusammenspiel von Stromaufnahme, Beschleunigung und Drehmoment werden Abweichungen sichtbar, die auf einen verschlechterten Zustand hinweisen. Wie diese Dateninterpretation in der Praxis funktioniert, lässt sich anhand einer Verpackungsmaschine veranschaulichen, in der Hubbewegungen über einen Spindelantrieb generiert werden. Für den Spindelantrieb lässt sich ein mathematisches Modell skizzieren, das unter anderem Stromaufnahme, Drehmoment und Beschleunigung beschreibt. Bei immer gleich schweren Werkstücken sollten diese Werte immer gleichbleiben. Ein möglicher Defekt, etwa an den Kugellagern, führt zu einer höheren Reibung an der Spindel. Die gemessenen Werte zeigen in diesem Fall eine Abweichung. Die Interpretation der ungewöhnlichen Ist-Werte führt zu dem Schluss, dass ein Problem am Spindelantrieb vorliegt, und der Anwender muss darüber informiert werden. Lenze als Anbieter eines umfangreichen Automatisierungsportfolios liefert nicht nur Antriebe und die passende Programmierumgebung, sondern auch vorgetestete Algorithmen für verschiedene Anwendungen, die eine schnelle Entwicklung von Condition-Monitoring-Lösungen erlauben. Zudem unterstützt der Hersteller Maschinenbauer dabei, ihre nutzensteigernden Geschäftsmodelle für Condition-Monitoring-Services gemeinsam zu entwickeln. Lenze kann mit seiner Erfahrung Maschinenbauern helfen, die Informationsschätze zu heben, die sich aus der Interpretation von Daten auf Basis ihres Prozess-Know-hows und Maschinenwissens gewinnen lassen. EDGE-BASED UND CLOUD-LÖSUNGEN Die datenbasierte Auswertung kann lokal erfolgen, etwa wenn der flexible Cabinet Controller c750 zum Einsatz kommt. Dieser hybride Rechner, der klassische SPS-Funktionen als auch eine Windows-10-Plattform vereint und damit einen zusätzlichen Industrie-PC im Schaltschrank überflüssig macht, bietet genügend Rechenleistung für einfache ML- und KI-Anwendungen. Für Anwendungen, bei denen sehr komplexe Modelle gerechnet oder mehrere Maschinen miteinander verglichen werden sollten, steht mit dem Lenze- IIoT- Gateway x500 auch der Weg in die Cloud offen. Auch hier ist der Anwender frei in seiner Entscheidung. Nutzt er bereits eine Plattform, etwa Microsoft Azure oder Amazon Web Services, kann er seine Maschinendaten dort auswerten lassen. Er kann aber auch auf die X4- Solutions von Lenze zurückgreifen. Der Vorteil dieser schlüsselfertigen Lösung liegt in der Integration umfangreicher Funktionen für OEM und Anwender. Die Lösung unterstützt dabei, die Auswertung in selbst konfigurierten Dashboards zu visualisieren, Alarme einrichten und Live- Überwachung ermöglichen. Beim Showcase wird durch eine Maschinensimulation der digitale Zwilling abgebildet und die problembehaftete Komponente wird farblich hervorgehoben. Fotos: Lenze www.lenze.com Lokale Datenauswertung: Hybride Rechner, die SPS-Funktionen und Windows-10-Plattform kombinieren, bieten genügend Rechenleistung für einfache ML- und KI-Anwendungen DIE IDEE „Für ein effizientes Condition Monitoring ist eine zusätzliche Sensorik nicht zwingend notwendig. Die Devices der Maschine können als Sensoren dienen. Der entscheidende Faktor ist der OEM und sein Maschinenund Prozesswissen, das es ihm ermöglicht, sich zum Data Scientist seiner Maschinen zu entwickeln. Ein Anbieter wie Lenze, der in allen beteiligten Feldern – Hardware, Software, Vernetzung und Cloud- Applikationen– aktiv ist, kann seinen Partnern dabei wertvolle Unterstützung geben.“ Klaas Nebuhr, Head of digital Portfolio bei Lenze Digital www.antriebstechnik.de antriebstechnik 2021/01-02 33