Aufrufe
vor 3 Jahren

Industrielle Automation 6/2016

  • Text
  • Epaper
  • Paper
  • Industrielle
  • Automation
  • Industrie
  • Unternehmen
  • Einsatz
  • Software
  • Maschinen
  • Halle
  • Anforderungen
  • Sensoren
Industrielle Automation 6/2016

SPS IPC DRIVES

SPS IPC DRIVES 2016 I MESSE Für eine höhere Anlagen-Effizienz Signal- und modellbasierte Verfahren unterstützen die intelligente Verarbeitung und Analyse von Prozessdaten Durch den steigenden Wettbewerbsund Kostendruck auf produzierenden Unternehmen des Maschinenbaus steigen auch die Anforderungen an die Instandhaltung. Automatisierungsgeräte und Anlagen sollen deshalb eine möglichst hohe Verfügbarkeit haben, gleichzeitig jedoch wirtschaftlich betrieben werden. Gefragt sind daher intelligente Lösungen, die die Daten, die sich aus Produktionsanlagen gewinnen lassen, automatisch verarbeiten und analysieren können. Eine solche Lösung stellen intelligente Condition Monitoring Systeme dar, die z. B. Anomalien im laufenden Prozess erkennen können. In einem Forschungsprojekt hat Weidmüller Verfahren zum Condition-Monitoring entwickelt, die relevante Veränderungen im Verhalten von einzelnen Automatisierungsgeräten (zum Beispiel Induktivlasten) bis hin zu Maschinen oder Arbeitsstationen erkennen und an den Anlagebetreiber kommunizieren können. Hier lassen sich signal- und modellbasierte Verfahren anwenden. Signalbasierte Überwachung von kritischen Komponenten Die signalbasierte Diagnose ist eine einfache und deshalb auch eine sehr verbreitete Diagnosemöglichkeit. Im Wesentlichen besteht die Fehlererkennung aus der Grenzwertüberwachung eines Signals. Der Grenzwert wird meist durch einen Experten der Anlage vorgegeben oder bezieht sich auf einen normierten Bereich der Signale. Ist z. B. die Überwachung einer Motortemperatur gewünscht, so muss diese durch einen entsprechenden Sensor an dem beobachteten Motor erfasst werden. Mit einer kontinuierlichen Betrachtung des Signalwertes kann bei einer Grenzwertüber- oder -unterschreitung ein mögliches Fehlverhalten festgestellt werden. Signalbasierte Diagnose ist für die Überwachung von einzelnen kritischen Komponenten gut geeignet. Da es sich um ein explizites Signal an einer überwachten Komponente handelt, ist damit auch die Fehlerlokalisierung gegeben. Kommunikationsfähige Automatisierungskomponenten, die sich in eine bestehende Anlage einbinden lassen, und die Vernetzung von Produktionssystemen unterstützen (Aufmacherbild), stellen eine flexible Möglichkeit dar dieses Konzept zu realisieren. Beispielweise lassen sich durch die Nutzung der kommunikationsfähigen Signalwandler Messwerte kontinuierlich überwachen, ohne die Nutzung zusätzlicher Komponenten. So können sie beispielsweise in Abhängigkeit von Prozesszuständen einen Alarm generieren, etwa bei einer Über- oder Unterschreitung von frei definierbaren Grenzwerten. Die Messung der Prozesswerte und ihre Aufbereitung rücken damit wesentlich näher mit den Engineering- Stromüberwachung von kritischen Komponenten mittels kommunikationsfähigem Signalwandler 62 INDUSTRIELLE AUTOMATION 6/2016

ein Fehlverhalten schließen. Unter einem Modell wird hier die Abstraktion der Realität auf die wesentlichen Eigenschaften eines Systems verstanden. Eine vollständige Modellierung besteht dabei aus einem Struktur- und einem Verhaltensmodell. Die Modellierung der Struktur wird in der Regel bereits während der 24V STROM- ÜBERWACHUNG MAXIMAL MODULARISIERT! JETZT NEU! „Vorbeugende Instandhaltungsstrategien lassen sich durch ein intelligentes Condition Monitoring realisieren.“ und Steuerungssystemen zusammen. Diagnosemöglichkeiten, die ansonsten nur komplexen Prozessgeräten vorbehalten sind, können auf alle Messungen in einer Applikation ausgeweitet werden. Ist bei der Fehlerdiagnose das Erkennen von dynamischen Übergängen oder die Zuordnung des Fehlers zu einem bestimmten Gerät oder Prozessschritt erforderlich, reicht die signalbasierte Diagnose einzelner Komponenten nicht mehr aus. Hierfür können modellbasierte Verfahren in Kombination mit Klassifikationsalgorithmen verwendet werden. Anomalieerkennung bietet hier die Möglichkeit, den Überwachungsaufwand zu reduzieren. Modellbasierte Anomalieerkennung zur Maschinenüberwachung Die Prozessführung und –überwachung in komplexen industriellen Automatisierungssystemen ist mit hohen Anforderungen an den Menschen verbunden. Große Mengen schnell veränderlicher Daten müssen in kurzer Zeit analysiert werden, um Prozessfehler oder Optimierungspotenzial zu erkennen. Es entsteht somit ein wachsender Bedarf nach intelligenten Condition Monitoring und Diagnose Ansätzen, die diesen Anforderungen gerecht werden. Ein solcher Ansatz ist die Anomalieerkennung. Eine Anomalie wird als unregelmäßiges oder abnormales Verhalten im Vergleich zu einem normalen Verhalten verstanden. In der heutigen industriellen Produktion kann eine Anomalie bei einer Anlage oder bei einer einzelnen Maschine den gesamten Prozess beeinflussen. Dadurch kann die Produktion stark beeinträchtigt werden. Bei der Anomalieerkennung haben sich modellbasierte Verfahren etabliert. Bild 2 veranschaulicht das Konzept der modellbasierten Anomalieerkennung. Bei diesem Verfahren wird das Normalverhalten der Produktionsanlage oder allgemein eines Systems durch ein Modell widergespiegelt. Eine Abweichung, zwischen dem beobachteten Verhalten an der Produktionsanlage und dem vorhergesagten Verhalten durch das Modell, lässt auf eine Anomalie bzw. auf Planung einer Anlage erstellt. Weitaus komplexer gestaltet sich die Modellierung des Verhaltens. Dies geschieht häufig manuell und erfordert ein hohes Maß an Erfahrung und genaue Kenntnisse über die Anlage. In großen Anlagen bestehen die Arbeitsabläufe häufig aus hunderten von Schritten. Diese müssen in hoher Detailgenauigkeit und unter Berücksichtigung physikalischer Randbedingungen bekannt sein. Zusätzlich ergibt sich bei der manuellen Modellerstellung die Problematik der Konsistenz zwischen Modell und realer Anlage: Umbauten und jegliche Änderungen an der Anlage müssen zwangsläufig auch händisch im Modell vorgenommen werden. Eine Möglichkeit diese fehleranfällige und aufwendige manuelle Adaption zu umgehen, liegt in der automatischen Erstellung eines Anlagenmodells. Aufwandsreduktion durch automatische Modellerstellung In der industriellen Produktion ist die manuelle Modellerstellung eine Aufgabe, die teilweise überhaupt nicht oder oft nur schwer, d. h. mit großem Aufwand bewerkstelligt werden kann. Die Gründe dafür sind die hohe Komplexität und Vernetzung heutiger Anlagen bzw. das mangelnde Knowhow und Expertenwissen. Deshalb bietet das automatische Lernen eines Modells eine geeignete Alternative zur manuellen Herleitung von Verhaltensmodellen für technische Anlagen. Der Hybrid Bottom- Up Timing Learning Algorithm (Hybutla) bietet eine automatische Modellgenerierung und ist für den Einsatz in der industriellen Produktion geeignet. Dieses Verfahren kompensiert die Nachteile der manuellen Modellerstellung. Der Hybutla ist ein Algorithmus für das automatische Lernen und Mico Pro® Besuchen Sie uns in Nürnberg, 22.–24.11.2016 HALLE 9 | STAND 325 murrelektronik.de

AUSGABE