Gibt es eine Mensch-Maschine-Schnittstelle für die vorausschauende Wartung?

Heute setzen Unternehmen in vielen Schwerindustrien wie der Fertigungsindustrie, der Energieerzeugung, der Öl- und Gasindustrie, der erneuerbaren Energien, der Metall-, Chemie- und Bergbauindustrie auf vorausschauende Instandhaltungstechniken (PdM) in ihren globalen, millionenschweren Betrieben, um die Kosten und Ausfallzeiten zu reduzieren, die mit unerwarteten kritischen Maschinenausfällen und -schäden verbunden sind.

In vielerlei Hinsicht lässt sich die Arzt-Patienten-Beziehung gut mit der Beziehung zwischen Techniker und Maschine vergleichen, wenn es darum geht, die Bedeutung eines beobachteten Zustands zu verstehen. Stellen Sie sich vor, die Körpertemperatur eines Patienten ist erhöht. Dies kann verschiedene Ursachen haben – manche sind harmlos (z. B. starke körperliche Anstrengung), andere deuten auf eine Erkrankung hin (z. B. Fieber), die behandelt werden sollte.

Sobald eine erhöhte Körpertemperatur festgestellt wurde, ist es sinnvoll, weitere Faktoren zu berücksichtigen, um eine eindeutige Prognose zu stellen. In diesem Fall ist die Körpertemperatur ein gutes Frühwarnsignal für die Überwachung des menschlichen Körpers. Frühwarnsignale eignen sich auch gut für die zustandsorientierte Instandhaltung (PdM) von Industriemaschinen. Doch bevor wir darauf eingehen, betrachten wir zunächst den Kontext des Problems.

Industrie 4.0 und die Entwicklung der vorausschauenden Instandhaltung

Industrie 4.0, auch bekannt als „intelligente Fabrik“, gewinnt zunehmend an Bedeutung, begleitet von massiven Investitionen in cyber-physische Systeme, Cloud Computing und das Internet der Dinge. Weltweit steigt die Nachfrage nach industriellen Automatisierungssystemen, da produzierende Unternehmen nach Möglichkeiten suchen, Produktionskosten zu senken und gleichzeitig die Qualität zu verbessern. Diese Nachfrage treibt auch erhebliche Investitionen in industrielle Automatisierungssoftware und insbesondere in KI-gestützte prädiktive Analysen an – ein Markt, der laut Research and Markets $ .

In vielen Fällen wird die vorausschauende Instandhaltung, die auf prädiktiver Analytik basiert, jedoch immer noch periodisch von Technikern durchgeführt, die von Maschine zu Maschine gehen und manuell Zustandsmessungen vornehmen. Beispielsweise kann ein Techniker Vibrationsmessungen an einer Maschine durchführen, um eine Verschlechterung des Lagerzustands festzustellen. Diese Methode ist zwar immer noch besser als die herkömmliche vorbeugende Instandhaltung, doch genau wie sich die industrielle Automatisierung weiterentwickelt, entstehen auch neue Fortschritte in der prädiktiven Analytik und im Deep Learning, bei denen Daten kontinuierlich in Echtzeit erfasst und analysiert werden. Obwohl die vollautomatisierte vorausschauende Instandhaltung hinsichtlich der Effizienz ideal erscheint, birgt auch dieses Szenario eigene Herausforderungen.

Herausforderungen und Hindernisse bei der automatisierten vorausschauenden Wartung

Unternehmen, die auf automatisierte vorausschauende Wartung setzen, nutzen IoT Lösungen, die riesige Datenmengen erfassen und mithilfe von Schwellenwertverfahren oder maschinellem Lernen Anomalien erkennen. Die Herausforderung besteht darin, dass die flächendeckende Implementierung dieser Datenerfassungssysteme eine Datenflut erzeugt, die es schwierig macht, daraus handlungsrelevante Erkenntnisse für eine sinnvolle vorausschauende Wartung zu gewinnen. Dieses Problem ist allen Situationen inhärent, in denen Big Data eine große Rolle spielt. Künstliche Intelligenz wird zunehmend zur Lösung des Big-Data-Problems eingesetzt, doch selbst lernende KI-Algorithmen benötigen Kontext und Anweisungen, um aussagekräftige Erkenntnisse zu generieren.

Werden Anomalien durch automatisierte vorausschauende Wartung erkannt – selbst in Kombination mit IoT Lösungen, die maschinelles Lernen nutzen –, ist es oft schwierig, Ursache und Bedeutung der Anomalie zu verstehen, da die Messwerte nicht von einem Experten erfasst wurden. Die Erkennung von Anomalien mit herkömmlichen manuellen Zustandsüberwachungsmethoden half dem Techniker hingegen, eine präzise Prognose zu stellen. IoT Lösungen zielen darauf ab, die Kommunikation zwischen Maschinen und Fachkräften zu verbessern. Durch die automatisierte vorausschauende Wartung geht jedoch ein Teil der engen Beziehung zwischen Techniker und Maschine verloren, was das Verständnis von aus der Ferne erkannten Anomalien erheblich erschwert.

„Frühwarnsignale“ als praktikable Lösung

Ein Lösungsansatz für diese Herausforderungen, der nicht auf manuelle Diagnoseverfahren zurückgreift und die Vorteile der Automatisierung nutzt, besteht darin, sich auf eine begrenzte Anzahl von Frühindikatoren zu konzentrieren und nach Anomalien zu suchen, die auf Probleme mit dem Maschinenzustand hinweisen. Der Sinn von Frühindikatoren liegt darin, zunächst das Gesamtbild anhand klarer, leicht verständlicher Signale zu betrachten, die uns darauf aufmerksam machen , dass etwas nicht stimmt. Versuchen wir hingegen, alle verfügbaren Daten gleichzeitig zu verarbeiten, ertrinken wir in einer Flut von Fehlalarmen über geringfügige Anomalien, die keiner Beachtung bedürfen.

Sobald eine Anomalie anhand eines Frühsignals identifiziert und als aussagekräftige Anomalie leicht verständlich ist, können zusätzliche Erkenntnisse und Daten aus anderen gesammelten Signalen analysiert werden, um die Ferndiagnose und die Ursachenforschung zu erleichtern.

Frühsignale sind dann am effektivsten, wenn sie für Menschen leicht verständlich sind und sofort unsere Intuition ansprechen (wie beispielsweise die Körpertemperatur eines Patienten). Sind diese Signale über Sinne wie Hören, Sehen oder Tasten wahrnehmbar, lässt sich die Bedeutung von Anomalien viel einfacher und schneller beurteilen – gerade für Menschen, die ohnehin schon mit Informationen aus automatisierten Systemen überlastet sind.

Die Rolle des Schalls in der automatisierten PdM

Für die zustandsorientierte Instandhaltung (PdM) von Industriemaschinen gibt es viele Arten von Frühsignalen, die für Menschen leicht verständlich sind. Bisher basierte PdM primär auf dem direkten Kontakt (Maschinenübergänge mit Sensoren) und erkannte Anomalien anhand von Frühsignalen wie Vibration, Temperatur und Stromverbrauch. Vibration ist beispielsweise ein gutes Frühsignal. Bei der automatisierten PdM hängt sie jedoch viel stärker vom Standort des Sensors ab. Um eine große und komplexe Maschine vollständig zu erfassen, sind daher mehrere Sensoren erforderlich. Dies trägt wiederum zur Datenflut bei.

Bei der zustandsorientierten Instandhaltung (PdM) von Maschinen ist der Schall ein hervorragendes Frühwarnsignal zur Erkennung von Anomalien, da er für Menschen leicht verständlich ist – selbst wenn sie sich nicht in unmittelbarer Nähe der Maschine befinden. Eine Schallanomalie kann nach ihrer Identifizierung ihrer Quelle zugeordnet werden. Daher ist die Überwachung der Maschine selbst mit nur einem Sensor deutlich besser, und das Signal repräsentiert den normalen oder abnormalen Zustand der gesamten Maschine.

Schall als Frühwarnsignal für die zustandsorientierte Instandhaltung (PdM) ermöglicht die Erkennung und Klassifizierung einer Vielzahl mechanischer Phänomene, oft schneller als andere Messmethoden. Dies liegt an der einfachen Tatsache, dass sich bewegende Teile – ob fest, flüssig oder gasförmig – ein charakteristisches Schallmuster erzeugen. Verändert sich etwas an dieser Bewegung, selbst nur geringfügig, ändert sich auch das erzeugte Schallmuster. Nehmen wir beispielsweise ein mechanisches Lager, das extremer dynamischer Belastung ausgesetzt ist. Sobald der erste Riss auftritt, erzeugt das Lager ein charakteristisches Ultraschallmuster, das auf das bevorstehende Problem hinweist.

Abschluss

Mit dem Aufkommen neuer Technologien wird sich die automatisierte präventive Instandhaltung (PdM) weiterentwickeln. Die Herausforderungen, aus Daten Erkenntnisse zu gewinnen und Mensch und Maschine für optimale Diagnosen zu vernetzen, bleiben jedoch bestehen. Wie bei allen Big-Data-Problemen ist es am besten, sich zunächst auf kleine Mengen verständlicher Daten zu konzentrieren und den Analyseumfang von dort aus zu erweitern. Der Schlüssel zur Optimierung der automatisierten PdM liegt darin, mit Frühindikatoren – also Dingen, die Menschen sofort erkennen – zu beginnen. Schall ist ein solcher Frühindikator, der maßgeblich und messbar zur Bewältigung dieser Herausforderungen beiträgt.

Dieser Artikel erschien ursprünglich auf I IoT World und wurde von Amnon Shenfeld , einem studierten Softwareingenieur und erfahrenen Softwareentwickler mit Leidenschaft für die Entwicklung innovativer Softwareanwendungen. Amnon ist derzeit CEO und Mitgründer von 3DSignals , einem Unternehmen, das Pionierarbeit im Bereich der schallbasierten vorausschauenden Wartung für Industrie- und Produktionsanlagen geleistet hat.