Aufrufe
vor 2 Wochen

Industrielle Automation 4/2019

  • Text
  • Automation
  • Industrielle
Industrielle Automation 4/2019

Daten verbinden

Daten verbinden Maschinelle Fehler in der Fertigung vermeiden und das Potenzial von Big Data und Analytics nutzen Ungeplante Maschinenausfälle sind in der Regel mit hohen Kosten verbunden. Mithilfe neuer Methoden des maschinellen Lernens und der künstlichen Intelligenz können jedoch die von Sensoren erfassten Maschinendaten verarbeitet und so analysiert werden, dass derartige Ereignisse vermieden werden können. Wie Sie Ihre Daten bestmöglich nutzen, erfahren Sie in folgendem Beitrag. Viele Hersteller aus dem Bereich der Fertigungsindustrie haben in den vergangenen Jahren viel Zeit und Geld in die Überprüfung jedes einzelnen Prozesses in ihrer Produktion investiert. Hier wurden ständig neue Ideen, Prozesse und Arbeitsweisen getestet, um die Qualität zu steigern, die Zykluszeiten zu verbessern und die Produktionskosten zu senken. Aber während die meisten Verbesserungen durch Ansätze wie Six Sigma und Lean Manufacturing schrittweise erfolgt sind, verhält es sich beim Übergang zur Industrie 4.0 anders. Die Entwicklung hin zur Smart Factory und die zunehmende Verwendung von Daten bietet Herstellern die Möglichkeit, einen grundlegenden Wandel in der Art und Weise zu vollziehen, wie sie ihre Betriebsumgebung verwalten. Peter Portner ist Managing Director DACH bei Senseye in Southampton, Großbritannien Luftfahrtindustrie erfolgreich eingesetzt und finden zunehmend auch in der Prozessund Fertigungsindustrie Anwendung. Mit ihrer Hilfe können Maschinendefekte frühzeitig erkannt und Ausfälle vermieden werden. Voraussetzung dafür sind IoT-fähige Sensoren und Maschinen, die in der Lage sind, ihre eigenen physikalischen Messwerte zu erfassen und zu dokumentieren. Doch die gesammelten Daten sind nur so gut wie ihre Analyse, die beispielsweise über Plattformen wie Siemens MindSphere oder das OSIsoft Pi-System erfolgen kann. Hinzu kommt die Fragestellung vieler Hersteller, Unternehmenseigene Algorithmen unterstützen die automatisierte und skalierbare, vorausschauende Instandhaltung Dieser Paradigmenwechsel, der eine stärkere Zusammenarbeit zwischen Betrieb und IT- Abteilung erfordert, wurde durch die Integration der Produktionsanlagen in Industrie- 4.0-fähige Konzepte ermöglicht. Intelligente Fabriken, in denen Daten-, Analyse-, Automatisierungs- und Cloud-Technologien Hand in Hand arbeiten, nehmen zu und ermöglichen es, Produktionsprozesse effizienter, agiler und reaktionsschneller zu gestalten. Daten und Analysen für Hersteller nutzbar machen Methoden der vorausschauenden Wartung (Predictive Maintenance) werden bereits seit vielen Jahren in der Verteidigungs- und wie sie sich eine Datenanalyse zu nutzen machen können und wie daraus operative Verbesserungen abgeleitet werden können. Daten zielführend nutzen durch Machine-Learning-Algorithmen Die Herausforderungen, die mit der Digitalisierung einhergehen, sind häufig mit dem Executive Level eines Unternehmens verankert. Chief Information Officer (CIO) und Chief Technology Officer (CTO) haben die Aufgabe, auf Basis einer Datenanalyse umsetzbare Erkenntnisse zu gewinnen und 32 INDUSTRIELLE AUTOMATION 4/2019

SENSORIK UND MESSTECHNIK den Fortschritt einer digitalisierten Fertigung voranzutreiben. Eine Möglichkeit liegt hier in der Automatisierung der Maschinenund Prozesskommunikation und in der Nutzung der gewonnenen Daten für Maßnahmen des Predictive Maintenance. Lernfähige Software ist hierbei das A und O und in der Lage Parameter wie Vibration, Druck, Temperatur und Drehmoment einer Anlage zu analysieren und Maschinenzustände automatisch zu beurteilen. Als Grundlage dienen Machine-Learning-Algorithmen, die generisch genug sind, um auf jeder Maschine eines beliebigen Herstellers angewandt zu werden. Je mehr Daten den Algorithmen zur Verfügung stehen, desto genauer können Vorhersagen getroffen werden. Der Lernerfolg des Systems steigt hierbei exponentiell. Vorausschauende Wartung durch künstliche Intelligenz Für Hersteller ist die exakte Datensammlung und eine aussagekräftige Trendanalyse unabdingbar, um Maschinenausfälle und damit unnötige Kosten durch einen Produktionsstillstand zu vermeiden. Denn jede Minute, in der für eine Fertigung essentielle Maschinen offline sind, kann schnell hohe finanzielle Belastungen mit sich bringen. Anbieter von Lösungen aus dem Bereich Predictive Maintenance können Hersteller also unterstützen, ihre Wartungskosten um bis zu 40 % zu senken. Ein Unternehmen, das sich auf die kontinuierliche Zustandsüberwachung und vorausschauende Instandhaltung spezialisiert hat, ist Senseye. Das gleichnamige IoT-Software-Tool Senseye lässt sich nahtlos in jede IT-Umgebung integrieren, sodass Mitarbeiter in Fertigung und Produktion stets den Prozess und die Anlagendaten im Blick haben. Schlüsseldaten sammeln Je nach Kenngröße einer Maschine kommen unterschiedliche Sensoren und Messwerterfassungssysteme zum Einsatz. Beschleunigungssensoren beispielsweise überwachen Vibrationen einer Maschine und liefern wichtige Daten für eine zuverlässige Zustandsüberwachung, ebenso die Überwachung des Drehmoments. Verändern sich Druck oder Durchfluss von Flüssigkeiten, Gasen und thermischen Energieströmen in Prozesskreisläufen, deutet dies auf Defekte in der Regeltechnik, in Leitungen, Schaltern o. ä. hin. Auch die in einer speicherprogrammierbaren Steuerung (SPS) gesammelten Informationen lassen Rückschlüsse auf bevorstehende Anlagenfehler zu. Aus der Summe der Daten ermittelt Senseye den Zustand einer Maschine bzw. Anlage und meldet diesen an den Maschinenbetreiber. Automatische Berechnung des Maschinenzustandes Die in Senseye hinterlegten Algorithmen für maschinelles Lernen sind nun in der Lage, eine genaue Diagnose-, Prognose- Mit Senseye bieten wir der Industrie die neuesten Technologien im Bereich des maschinellen Lernens und der künstlichen Intelligenz, um hohe Datenmengen aus Industrie-4.0- Anwendungen zu verarbeiten, zu analysieren und bereitzustellen. Peter Portner, Senseye und Zustandsberechnung für jeden hinterlegten Maschinentyp zu ermitteln. Proprietäre maschinenunabhängige Algorithmen charakterisieren und lernen von Maschinenfehlern und können die Restnutzungsdauer für jede Maschine automatisch und ohne maßgeschneiderte Modellentwicklung bereitstellen. Die Visualisierung der Daten über stationäre PCs oder mobile Endgeräte ermöglicht damit jedem Betreiber frühzeitig Maßnahmen bei Wartung und Instandhaltung in die Wege zu leiten und so einen wesentlichen Beitrag für eine effiziente Produktion zu leisten. Bei Senseye handelt es sich um eine „Software as a Service“ (SaaS). In Kooperationsprojekten, z. B. mit Siemens, arbeitet das Unternehmen an globalen Industrie-4.0- und Smart-Industrie-Konzepten. So können z. B. Anwender von Siemens MindSphere die Vorteile des skalierbaren PdM schnell nutzen und das Potenzial voll ausschöpfen. Bilder: Aufmacher iStock, Einklinker Senseye www.senseye.io/de WSCAD SUITE X NEXT GENERATION ELECTRICAL CAD 35.000 zufriedeneAnwender, CAE-Gesamtlösung für Elektrotechnik, Schaltschrankaufbau, P&ID und Fluidtechnik, Gebäudeautomation undElektroinstallation Inklusive Augmented Reality APP und 1,3 Millionen Artikeldaten auf www.wscaduniverse.com Rufen Sie uns an -kostenlose Beratung unter +49 (0)81313627-98 Demoversion testen www.wscad.com Besuchen Sie uns auf den EngineeringAutomation Foren2019 Infos und Termine unter www.wscad.com/eaf

AUSGABE