antriebstechnik 3/2017

Schluss mit ungeplantem

Schluss mit ungeplantem Maschinenstillstand ODiN Predictive Maintenance verarbeitet Sensordaten mittels Machine Learning Die Vorhersagegenauigkeit von Fehlern lässt sich von bisher maximal 43 % auf über 95 % erhöhen. Möglich wird dies durch Machine-Learning-Methoden, die die Anlagenverfügbarkeit deutlich steigern. Mit dem Dienstleistungspaket Online Diagnostics Network (ODiN) verknüpft ein Unternehmen aus Bayern sein Wissen im Bereich hydraulische und elektrische Antriebe mit Sensorik, Cloud-basierten Anwendungen und Machine-Learning-Methoden, um Wartungsmaßnahmen zu ermöglichen, bevor es zum Stillstand kommt. Vor allem bei kontinuierlich produzierenden Großanlagen wie Minen, Gießereien, Gummimischwerken, Papier- und Zuckerfabriken oder Stahlwerken ist ein Maschinenstillstand mit sehr hohen Kosten verbunden. So summieren sich z. B. die Kosten für einen Stillstand eines zentralen Förderbands einer Eisenerzmine schnell auf einen fünfstelligen Euro-Betrag pro Stunde. Muss gar die komplette Anlage heruntergefahren werden, kann es nach einer Reparatur mehrere Schichten dauern, bis die Produktion wieder auf vollen Touren läuft. Damit überschreiten die Stillstandskosten schnell die Millionengrenze. Dr. Tapio Torikka ist Senior Data Scientist bei der Bosch Rexroth AG in Lohr Zu den Ausfallkosten kommen Eil-Aufschläge bei den Reparaturen hinzu. Betreibern bleibt im Notfall nichts anderes übrig, als für die am schnellsten verfügbaren Ersatzteile und Monteure nahezu jeden Preis zu zahlen. Dieses wirtschaftliche Risiko verringern Betreiber bislang vor allem dadurch, dass sie in den fest eingeplanten Wartungspausen kritische Bauteile vorsorglich und damit viel häufiger wechseln als notwendig. Bosch Rexroth hat mit ODiN Predictive Maintenance ein Dienstleistungspaket entwickelt, mit dem genau solcher Maschinenstillstand verhindert werden kann. Wechsel zu Machine Learning Die Zustandsüberwachung aller kritischen Antriebs-Komponenten ist der erste Schritt in Richtung vorausschauende Wartung. Dabei werden im klassischen Ansatz zunächst Baugruppen wie Hydraulikpumpen mit Sensoren ausgerüstet. Anhand der Bedienungsanleitungen und von Erfahrungswerten basierend auf langjähriger Erfahrung in der Antriebstechnik definiert die Instandhaltung obere und untere Grenzwerte für diese Signale. Über- oder unterschreiten die Messwerte diese Schwellen, wird eine Warnung erzeugt. Allerdings sind solche einmalig festgelegten Grenzwerte in der Praxis oft nicht aussagekräftig. Bei einem dynamischen Betrieb führen sie zu vielen Fehlwarnungen, häufig mit der Folge, dass die Instandhaltung die Warnungen nach einiger Zeit nicht mehr ernst nimmt. ODiN Predictive Maintenance nutzt Machine-Learning-Methoden, um aus den 32 antriebstechnik 3/2017

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