Aufrufe
vor 3 Monaten

antriebstechnik 4/2021

  • Text
  • Sensoren
  • Kraftstufe
  • Sieb
  • Siemens
  • Testverfahren
  • Anwender
  • Hohen
  • Einsatz
  • Unternehmen
  • Antriebstechnik
antriebstechnik 4/2021

SPECIAL: HANNOVER MESSE

SPECIAL: HANNOVER MESSE 2021 DIGITAL EDITION CONDITION MONITORING MASCHINENEFFIZIENZ AUS DER CLOUD Ein effektives Condition Monitoring braucht ein effektives Beurteilen großer Datenmengen. Das ist die große Stärke von Künstlichen Intelligenzen und maschinellem Lernen. Deshalb bieten Unternehmen aus der IT-Branche leistungsfähige Systeme zur Vorhersage von Wartungsintervallen an. DIE IDEE Beim spanischen Unternehmen CEPSA mit Sitz in Madrid dreht sich alles um Energie. Unter anderem veredelt es Erdöl, importiert und vertreibt Erdgas und stellt Elektrizität aus nachhaltiger Erzeugung bereit. Das Unternehmen verfügt über einen stattlichen Maschinenpark, der ständig gewartet werden muss. Eine davon ist eine Strömungsturbine, bei der sowohl die Wartung als auch die Effizienz Optimierungsbedarf hatten. Bei Wartungsintervallen einer solchen komplexen Maschine stellt sich immer die Frage nach einer ausgewogenen Bemessung des Zeitraums. Ist das Intervall zu lange, fallen Verschleiß oder kleinere Defekte zu spät auf, mit der Folge, dass ein größerer Schaden entsteht. Dieses Risiko besteht bei kurzen Intervallen zwar nicht, aber dafür belasten diese unnötig das Budget. Um dieses Dilemma zu lösen, hat CEPSA sich für eine intelligente Cloud-Lösung von Amazon Web Services (AWS) entschieden, mit der die permanente Überwachung des Betriebszustands möglich ist. Hier kontrollieren über 175 Sensoren den Status der Strömungsturbine und melden diese Daten an das Condition Monitoring weiter. Mittels Amazon Lookout for Equipment können Verantwortliche Abnormalitäten 45 Tage vor ihrem Eintreffen erkennen. Dabei erfasst das Condition Monitoring relevante physikalische Größen, etwa Schwingungen, Temperatur, Bewegung beziehungsweise Neigung und erstellt auf Basis dieser Informationen Prognosen, die kontinuierlich aktualisiert werden. „Mit Amazon Lookout for Equipment oder Amazon Monitron können Kunden abnormes Anlagenverhalten erkennen und rechtzeitig potenzielle Ausfälle identifizieren sowie ihre Maschineneffizienz optimieren. Und obwohl die Dienste auf Machine Learning Modellen basieren, benötigen unsere Kunden keine Expertise, um sie nutzen zu können. Diese Arbeit nehmen wir den Kunden ab.“ KÜNSTLICHE INTELLIGENZ UND MASCHINELLES LERNEN Eine Prognose zum Maschinenzustand kann Condition Monitoring nur mithilfe von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) abgeben. Bei AWS kommen dabei mehrere Services zum Einsatz. Die Basis bildet Amazon SageMaker. Dabei handelt es sich um einen vollständig verwalteten Dienst, der die schnelle Erstel- Jan Metzner, Amazon Web Services Senior Specialist SA, Manufacturing Jan Metzner, Amazon Web Services Senior Specialist SA, Manufacturing 52 antriebstechnik 2021/04 www.antriebstechnik.de

SPECIAL: HANNOVER MESSE 2021 DIGITAL EDITION lung, das Training und die Bereitstellung von Modellen für das maschinelle Lernen ermöglicht. Er dient somit als ML-Basis. Amazon Lookout for Equipment wurde explizit für die Überwachung von Industrieanlagen und Maschinen wie Pumpen, Kompressoren, Motoren und Turbinen aber auch von Wärmetauschern, Kesseln oder Gleichrichtern konzipiert. Der Dienst erkennt abnormes Anlagenverhalten, identifiziert potenzielle Ausfälle rechtzeitig und hilft dabei, Prognosemodelle für die Wartung zu erstellen und Anlagenprozesse zu optimieren. Dabei erfordert er keine umfangreichen ML-Kenntnisse. Er nimmt in einer Initialphase die im Betrieb der Maschine anfallenden, von Sensoren gelieferten Daten auf und transferiert sie in einen Amazon Simple Storage Service (S3) Bucket. Pro benutzerdefiniertem ML-Modell sind bis zu 300 Sensoren möglich. Amazon Lookout for Equipment erzeugt das jeweils beste Modell, um die normalen Betriebsbedingungen der Maschine zu lernen. Der Lernprozess gliedert sich dabei in vier Schritte (siehe Grafik). Zuerst wird ein Dataset geschaffen, indem historische Daten für die Eingabe formatiert und anschließend in einen S3 Bucket übertragen werden. Daraus werden die Daten ausgewählt, die relevant für eine Prognose sind. Nach diesem Schritt werden – soweit vorhanden – Informationen über vergangene Defekte eingepflegt. Nun geht es in die Trainingsphase des ML-Modells. Nach einer anschließenden Feinabstimmung kann das Modell für die Echtzeitüberwachung der Maschine eingesetzt werden. Für die Lernphase benötigt man Daten, die in einem Zeitraum von ungefähr sechs Monaten gesammelt wurden. Danach kann das Modell eigenständig Prognosen zu Wartungsintervallen oder etwaigen Ausfällen oder Fehlern stellen. Amazon Lookout for Equipment nutzt ein Dataset aus Sensordaten, die der Kunde selbst erzeugt hat. Zum Beispiel umfassen sie bei einer Pumpe die Leistung und das Verhalten des Motors, des Lagers und des Laufrads. Normalerweise bedeutet eine hohe Umdrehung zugleich eine hohe Pumpleistung. Erkennen Sensoren bei einer hohen Umdrehung eine geringere Leistung, liegt ein abnormes Verhalten der Maschine vor, das wahrscheinlich nach einiger Zeit zum Versagen der Pumpe führen wird. Jedem Bereich der Maschine wird in diesem Beispiel eine CSV- Datei zugeordnet, in der die Sensordaten mit einem Zeitstempel abgelegt sind. Damit die Daten für Amazon Lookout for Equipment Sinn ergeben, müssen sie zunächst in einem Datenschema erklärt werden. Zulässig sind nur numerische Daten. Amazon bietet Sensoren und ein Gateway an, mit denen auch Legacy-Maschinen ausgerüstet werden können einer maximalen Kantenlänge von neun Zentimetern und einem Gewicht von 95 g etwas größer. Ob Legacy-Maschinen oder bereits mit Sensoren ausgerüstete Geräte: Condition Monitoring ist in vielen Anwendungsfällen direkt aus der Cloud möglich und sinnvoll. Die Investition senkt den Verschleiß und sorgt so für einen nachhaltigen und Budgetschonenden Betrieb. Fotos: AWS www.aws.com CONDITION MONITORING FÜR ALTGERÄTE Voraussetzung ist, dass die Maschinen über entsprechende Schnittstellen verfügen. Aber auch wenn das nicht der Fall ist, kann Condition Monitoring angewendet werden. AWS bietet hierzu Amazon Monitron, ein End-to-End-System, das ebenfalls maschinelles Lernen einsetzt. Es besteht aus vier Komponenten: Die an der Maschine außen angebrachten Sensoren messen die Vibration und die Temperatur. Über Bluetooth Low Energy (BLE) übermitteln sie die entsprechenden Daten an ein Gateway-Gerät, das sie dann über WLAN sicher an den Amazon Monitron Service weiterleitet. Jedes davon kann automatisch über „Over-the-Air“ (OTA) aktualisiert werden, so dass kein weiterer Eingriff seitens der Produktionsverantwortlichen notwendig ist. Amazon Monitron analysiert die Daten mittels ML auf abnormale Maschinenmuster. Eine App dient zur Einrichtung der Geräte und zur Anzeige von Meldungen und warnt automatisch vor potenziellen Ausfällen. Dabei muss das System nicht erst langwierig angelernt werden, es ist binnen Minuten startbereit. Durch die nachrüstbaren Sensoren eignet es sich besonders für „Retrofit“ Use Cases, bei denen ältere Maschinen an ein Condition Monitoring angeschlossen werden. Sensoren und das Gateway sind dabei recht platzsparend. Ein Sensor wiegt lediglich 54 g und misst an seiner längsten Kante knapp über fünf Zentimeter. Das Gateway ist mit www.antriebstechnik.de antriebstechnik 2021/04 53

Aktuelle Ausgabe

Aktuelle Ausgabe