Page 56

HOB_1219

56 Maschinenkomponenten Wenn der Antrieb zum Sensor wird Predictive Maintenance und Prognosemodelle, die auf künstlicher Intelligenz basieren, genießen großes Interesse im Maschinenbau. Auf der SPS zeigte Lenze daher, wie sich Condition Monitoring realisieren lässt, das ohne zusätzliche Sensorik zahlreiche Informationen zum Gesundheitszustand von Maschinen und Anlagen liefert. Condition Monitoring und Predictive Maintenance werden immer wieder als synonyme Bezeichnungen verwendet – dabei sind es unterschiedliche Konzepte. Predictive Maintenance ist die Vorhersage von Ereignissen oder der Wahrscheinlichkeit von Ereignissen. Zum Beispiel, wenn die Wahrscheinlichkeit, dass in den nächsten 50 Betriebsstunden ein Getriebedefekt auftritt, auf über 90 Prozent steigt. Mit einer solchen Prognose könnte man den Austausch des Getriebes rechtzeitig planen, bevor die Anlage tatsächlich ausfällt. Condition Monitoring dagegen ist eine Vorstufe, die aus der Interpretation vorhandener Daten eine tiefergehende Beschreibung des aktuellen Zustands ermöglicht. Dazu bedarf es eines tiefen Verständnisses von Maschinen und Prozessen, um aus nackten Daten   12.2019 aussagekräftige Informationen zu generieren. Analysen auf Basis von Machine Learning (ML) und künstlicher Intelligenz (KI) können dazu beitragen, Anomalien schneller aufzuspüren. Keine zusätzliche Sensorik Für OEM ist der Umstand besonders interessant, dass ein Mehrwert, der sich durch das Condition Monitoring gewinnen lässt, nicht mit höheren Hardwarekosten erkauft werden muss: Es kommen keine zusätzlichen Sensoren zum Einsatz. Der Clou der Lösung besteht darin, den Mehrwert an Informationen aus bereits vorhandenen Datenquellen zu erschließen. Lenze liefert dazu vorgetestete Algorithmen für verschiedene Anwendungen und unterstützt Maschinenbauer dabei, ihr Prozess- Know-how und Maschinenwissen in ein t Ein effizientes Condition Monitoring basiert auf der Interpretation vorliegender Informationen; zusätzliche Sensorik wird nicht benötigt (Bild: Lenze) nutzensteigerndes Modell für Condition Monitoring umzusetzen. Beispiel Zweiachsroboter Auf der SPS demonstrierte der Automatisierungsanbieter das Prinzip anhand eines Show-Case mit zwei unterschiedlichen Ansätzen. Der eine ist modellbasiert: Hier werden die gemessenen Ist-Werte mit denen verglichen, die sich aus der angenommenen mathematischen Beschreibung der Maschine ergeben. Werden bestimmte Toleranzen überschritten, wird dies als Störung interpretiert. Der andere Ansatz ist datenbasiert. Ein Algorithmus lernt das Verhalten des Systems und die gegenseitige Beeinflussung von Parametern wie Geschwindigkeit, Beschleunigung, Drehmoment, Position und Stromaufnahme. Die realen Werte werden mit dieser erlernten Beschreibung verglichen, um Abweichungen zu definieren. Auf der Messe wurden dazu eine erhöhte Reibung an der Spindel sowie ein Verschleiß des Riemenantriebs simuliert. In beiden Fällen können über Strom- und Drehmomentwerte die Anomalien erkannt werden, sei es durch Erhöhung des absoluten Wertes oder durch Auffälligkeiten bei der Frequenzanalyse. In beiden Fällen auch schlägt das Condition Monitoring Alarm und zeigt die Ursachen auf einem Dashboard an. Steuerung oder Cloud? Die beiden Condition Monitoring-Ansätze unterscheiden sich nicht nur konzeptionell. Auch die Frage, wie die Auswertung der Daten erfolgt, ist verschieden. Die modellbasierte Auswertung erfolgt normalerweise in der Steuerung, da keine hohen Rechenleistungen benötigt werden. Für die datenbasierte


HOB_1219
To see the actual publication please follow the link above