Gibt es eine Mensch-Maschine-Schnittstelle für Predictive Maintenance?
Heutzutage wenden Unternehmen in vielen Schwerindustrien wie Fertigung, Energieerzeugung, Öl und Gas, erneuerbare Energien, Metalle, Chemie und Bergbau Techniken der vorausschauenden Wartung (PdM) auf ihre weltweiten Betriebe im Wert von mehreren Millionen Dollar an, um die damit verbundenen Kosten und Ausfallzeiten zu reduzieren unerwarteter kritischer Maschinenausfall und -schäden.
In vielerlei Hinsicht ist eine Beziehung zwischen Arzt und Patient eine gute Analogie zur Beziehung zwischen Techniker und Maschine, wenn es darum geht, die Bedeutung eines beobachteten Zustands zu verstehen. Stellen Sie sich vor, die Körpertemperatur eines Patienten ist höher als normal. Dies kann verschiedene Ursachen haben – einige sind normal (z. B. anstrengendes Training) und andere weisen auf eine Krankheit hin (z. B. Fieber), die behandelt werden sollte.
Sobald die erhöhte Körpertemperatur erkannt wird, ist es sinnvoll, weitere Faktoren zu berücksichtigen, um eine klare Prognose zu erhalten. In diesem Fall ist die Körpertemperatur das, was ich als gutes „Leitsignal“ für die Überwachung des menschlichen Körpers bezeichne. Voreilende Signale sind auch eine gute Lösung für PdM in Industriemaschinen, aber bevor wir dazu kommen, lassen Sie uns einen Schritt zurücktreten und das Problem im Kontext betrachten.
Industrie 4.0 und die Entwicklung der vorausschauenden Wartung
Industrie 4.0 oder die sogenannte „intelligente Fabrik“ beginnt mit massiven geplanten Investitionen in cyber-physische Systeme, Cloud Computing und das Internet der Dinge zu reifen. Heutzutage steigt die weltweite Nachfrage nach industriellen Automatisierungssystemen, da produzierende Unternehmen nach Möglichkeiten suchen, die Produktionskosten zu senken und gleichzeitig die Qualität zu verbessern. Diese Nachfrage treibt auch große Investitionen in industrielle Automatisierungssoftware und insbesondere in KI-gestützte prädiktive Analysen voran, ein Markt, der laut Research and Markets $ .
Allerdings wird Predictive Maintenance, das aus der vorausschauenden Analyse hervorgeht, in vielen Fällen immer noch regelmäßig durchgeführt, indem Techniker von Maschine zu Maschine gehen und manuelle Zustandsproben entnehmen. Beispielsweise kann ein Techniker Vibrationsmessungen an einer Maschine durchführen, um eine Verschlechterung des Lagerzustands festzustellen. Diese Methode ist immer noch besser als die alte Art der vorbeugenden Wartung, aber genau wie sich die industrielle Automatisierung selbst weiterentwickelt, entstehen auch neue Fortschritte in den Bereichen Predictive Analytics und Deep Learning, bei denen Daten kontinuierlich in Echtzeit gesammelt und analysiert werden. Auch wenn vollautomatisiertes PdM im Hinblick auf die Effizienz ideal erscheint, ist dieses Szenario nicht ohne eigene Herausforderungen.
Herausforderungen und Hindernisse bei automatisierter Predictive Maintenance
Unternehmen, die automatisierte vorausschauende Wartung einführen, nutzen IoT IoT Lösungen, die riesige Datenmengen protokollieren und Schwellenwertmethoden oder maschinelles Lernen anwenden, um Anomalien zu identifizieren. Die Herausforderung besteht darin, dass es nach der maßstabsgetreuen Implementierung dieser Datenerfassungssysteme zu einem Daten-Tsunami kommt, der es schwierig macht, umsetzbare Erkenntnisse für ein aussagekräftiges PdM zu gewinnen. Dies ist das Problem, das allen Situationen innewohnt, in denen „Big Data“ vorherrscht. KI wird zunehmend zur Lösung des Big-Data-Problems eingesetzt, aber selbst solche lernenden KI-Algorithmen sind auf Kontext und Anleitung angewiesen, um aussagekräftige Erkenntnisse zu gewinnen.
Wenn Anomalien durch automatisierte vorausschauende Wartung erkannt werden – selbst wenn sie durch bestimmte I- IoT -Lösungen ergänzt werden, die maschinelles Lernen nutzen –, ist es immer noch schwer, die Ursache und Bedeutung der Anomalie zu verstehen, da die Proben nicht von einem Experten gesammelt wurden. Das Erkennen von Anomalien mit herkömmlichen manuellen Zustandsüberwachungstechniken half dem Techniker tatsächlich dabei, eine spezifische Prognose zu erstellen. I IoT Lösungen zielen darauf ab, den Kommunikationsfluss zwischen Maschinen und Fachleuten zu verbessern. Beim automatisierten PdM wird jedoch ein Teil der engen Beziehung zwischen Techniker und Maschine unterbrochen, was das Verständnis entfernt erkannter Anomalien sehr schwierig macht.
„Leitsignale“ als tragfähige Lösung
Eine vorgeschlagene Lösung für diese Herausforderungen, die nicht auf manuelle Diagnosen zurückgreift und die Vorteile der Automatisierung nutzt, besteht darin, sich auf eine begrenzte Anzahl von „Leitsignalen“ zu konzentrieren und gleichzeitig nach Anomalien zu suchen, die auf Probleme mit dem Zustand der Maschine hinweisen. Bei Leitsignalen geht es darum, zunächst das große Ganze zu betrachten, mit klaren Signalen, die wir leicht verstehen und die uns darauf aufmerksam machen, dass etwas nicht stimmt. Wenn wir umgekehrt versuchen, alle verfügbaren Daten auf einmal zu erfassen, ertrinken wir in einem Meer falsch positiver Warnungen über kleinere Anomalien, die keiner Aufmerksamkeit bedürfen.
Sobald eine Anomalie mit einem Leitsignal identifiziert und leicht als bedeutungsvolle Anomalie verstanden wird, können zusätzliche Erkenntnisse und Daten aus anderen erfassten Signalen analysiert werden, um Ferndiagnosen und Ursachenprozesse zu erleichtern.
Leitsignale sind am besten, wenn sie etwas sind, das der Mensch leicht versteht und sofort unsere Intuition auslöst (wie die Körpertemperatur eines Patienten). Wenn diese Signale für den Menschen über Sinne wie Hören, Sehen oder Berühren erkennbar sind, ist der Prozess der Validierung der Bedeutung von Anomalien viel einfacher und schneller für Menschen, die bereits einer kognitiven Überlastung durch Informationen aus automatisierten Systemen ausgesetzt sind.
Die Rolle von Schall im automatisierten PdM
Für das PdM von Industriemaschinen gibt es viele Arten von Leitsignalen, die der Mensch leicht verstehen kann. Auch hier ist PdM bisher hauptsächlich kontaktbasiert (das Gehen von Maschine zu Maschine mit einem Sensor) und erkennt Anomalien anhand von Leitsignalen wie Vibration, Temperatur und Stromverbrauch. Vibrationen sind beispielsweise ein gutes Leitsignal, im Fall von automatisiertem PdM hängen sie jedoch viel stärker von der Position des Sensors ab. Um eine große und komplexe Maschine vollständig abzudecken, sind daher mehrere Sensoren erforderlich. Dies wiederum trägt zum Problem der Datenflut bei.
Im Fall von Maschinen-PdM ist der Ton ein hervorragendes Leitsignal zur Erkennung von Anomalien, da er für Menschen leicht zu verstehen ist – auch wenn er sich nicht physisch in der Nähe der Maschine befindet. Eine Anomalie im Schall kann nach der Identifizierung auf ihre Quelle lokalisiert werden. Daher ist die Abdeckung der Maschine selbst mit einem einzelnen Sensor viel besser und das Signal repräsentiert den normalen oder abnormalen Zustand der gesamten Maschine.
Schall als Leitsignal für automatisiertes PdM ermöglicht die Erkennung und Klassifizierung einer Vielzahl mechanischer Phänomene, oft früher als andere Erfassungsmethoden. Dies liegt einfach an der Tatsache, dass sich bewegende Teile – ob fest, flüssig oder gasförmig – ein einzigartiges Klangmuster erzeugen, und wenn sich in dieser Bewegung etwas ändert, und sei es auch nur geringfügig, ändert sich auch der erzeugte Klang. Nehmen wir zum Beispiel ein mechanisches Lager, das extremen dynamischen Belastungen ausgesetzt ist. Wenn der erste Riss auftritt, erzeugt das Lager ein einzigartiges Ultraschallmuster, das auf das bevorstehende Problem hinweist.
Abschluss
Mit der Markteinführung neuer Technologien wird sich das automatisierte PdM weiterentwickeln. Aber die Herausforderungen, Erkenntnisse aus Daten zu gewinnen und Menschen und Maschinen für die beste Diagnose miteinander zu verbinden, werden sich nie ändern. Wie bei allen Big-Data-Problemen ist es die beste Lösung, sich auf kleine Mengen verständlicher Daten zu konzentrieren und von dort aus den Analyseumfang zu erweitern. Der Schlüssel zur Optimierung des automatisierten PdM liegt darin, mit Leitsignalen zu beginnen – jenen Dingen, die Menschen sofort erkennen – und Ton ist ein logisches Signal, das dabei hilft, diese Herausforderungen auf signifikante und messbare Weise anzugehen.
Dieser Artikel wurde ursprünglich bei I IoT World Amnon Shenfeld verfasst , einem ausgebildeten Softwareentwickler und erfahrenen, praxisorientierten Softwareentwickler, der sich leidenschaftlich für die Entwicklung bahnbrechender Softwareanwendungen einsetzt. Amnon ist derzeit CEO und Mitbegründer von 3DSignals , einem Unternehmen, das Pionierarbeit bei der Anwendung geräuschbasierter vorausschauender Wartung für Industrie- und Fertigungsanlagen geleistet hat.
