Automationgastkommentar
MathWorks Predictive Maintenance: Messdaten können Ausfallverluste verhindern
Die Predictive Maintenance Toolbox von MathWorks unterstützt Ingenieure bei der Implementierung von Algorithmen zur vorrausschauenden Wartung: Neben der künstlichen Intelligenz gilt die vorrausschauende Wartung als eine der Schlüsseltechnologien der Industrie 4.0. Laut einer PAC-Studie (Pierre Audoin Consultants) sind 83 % der europäischen Hersteller- und Transportunternehmen bereit, in Predictive Maintenance zu investieren. Doch es ist nicht ganz einfach, diese Technik effizient und produktiv einzusetzen. Philipp Wallner, Industrial Automation & Machinery Industry Manager bei MathWorks, erklärt, wie diese Herausforderungen gemeistert werden können. Ansichten von Philipp Wallner, Industrial Automation & Machinery Industry Manager bei MathWorks
Philipp Wallner, Industrial Automation & Machinery Industry Manager bei MathWorks.
Der zunehmende Einsatz von Sensortechnik und künstlicher Intelligenz in der Industrie erzeugt eine erhebliche Menge an Daten, die bei der richtigen Analyse wichtige Einsichten zum Zustand von Maschinen und Prozessen liefern kann. Trotzdem wird in vielen Industriebereichen immer noch auf eine reaktive Wartung gesetzt. Ist eine Störung oder ein Fehler aber erst einmal aufgetreten, kann es zu langen Ausfallzeiten kommen, bis das Problem analysiert und behoben ist. Engmaschige Instandhaltungspläne, im Zuge derer (Verschleiß-) Teile zeit- oder zustandsbasiert vorbeugend ausgetauscht werden, sind aber auch nicht die ideale Lösung. Weil es zu einer unnötigen Kostenbelastung führt, wenn Maschinen präventiv gewartet werden, die noch funktionstüchtig wären.
Im Gegensatz dazu richtet sich ein vorausschauender Wartungsplan nicht nach einem bestimmten Zeitplan. Er wird von Algorithmen bestimmt, die Daten von Sensoren sammeln und auswerten. Es sind also die Algorithmen, die den Erfolg von Predictive Maintenance ausmachen.
Von den Daten zur „Estimated RUL“
Sensoren können u. a. die Temperatur, den Druck, die Stromspannung, die Geräuschentwicklung oder Vibration in einer Maschine oder Anlage messen. Es kann wichtig sein, nicht nur Daten der Maschinen selbst, sondern ebenso Umgebungsdaten wie etwa die Luftfeuchtigkeit, zu sammeln. Diese Daten werden von verschiedenen Statistik- und Signalverarbeitungsalgorithmen verarbeitet und genutzt, um den Status der Maschinen einzuschätzen.
Dabei werden mithilfe von Daten-Clustering und Klassifizierung sowie anderen auf Machine Learning basierenden Techniken zum Vergleich Marker für Störfälle herangezogen. In einem modellbasierten Ansatz können diese Daten auch genutzt werden, um prädiktive Modelle des Systemverhaltens für die Zustandsüberwachung zu erstellen. Das Modell kann dann verwendet werden, um Veränderungen im Zustand der Anlage zu verfolgen und deren Restnutzungsdauer oder „Remaining Useful Life“ (RUL) vorherzusagen. Die Wartung und der Austausch von Teilen finden erst dann statt, wenn es notwendig ist. Darüber hinaus kann auch der Produktionsprozess effizienter gestaltet werden, wenn alle Faktoren berücksichtigt werden.
Gut gerüstet, ist halb gewonnen
Für Predictive Maintenance bedarf es Fachwissens in Signalverarbeitung, maschinellem Lernen und ein Verständnis der Physik des zu wartenden Systems. Doch es ist sehr schwierig, Fachkräfte zu finden, die in allen drei Bereichen über ausreichendes Wissen für den Aufbau prädiktiver Modelle verfügen. Daher ist es durchaus sinnvoll, sich von geeigneten Tools Unterstützung zu holen.
MATLAB- und Simulink-Anwendungen bieten einen leichten und schnellen Einstieg und helfen Anwendern u. a. dabei, Daten interaktiv zu erschließen, die wichtigsten Variablen für ein Modell zu bestimmen, gängige prädiktive Modelle parallel zu trainieren oder mehrere Modelle zu bewerten und zu vergleichen.
Mit der Predictive Maintenance Toolbox können Ingenieure ihre Anwendung für die vorausschauende Wartung einfacher entwickeln und implementieren. Sie können große Mengen von Daten aus unterschiedlichen Quellen zusammenführen, analysieren und visualisieren und fortgeschrittene Machine-Learning-Algorithmen implementieren. Und sie können durch eine intelligente Wartung die Lebenszeit ihrer Maschinen besser im Blick behalten und teure Ausfälle verhindern.
Unterstützung beim Labeln von Daten
Ein anschauliches Beispiel für die Unterstützung bei Predictive-Maintenance-Aufgaben ist die Erstellung eines Klassifikationsmodells, das in der Lage ist, eine bestimmte Anzahl von Datenproben in unterschiedliche Kategorien einzuteilen. Ein Design ohne geeignete Tools bedeutet, viele Codes zu schreiben und durch wiederholte Tests zu ermitteln, welches Modell am besten funktioniert. Hier können Funktionen der Predictive Maintenance Toolbox die Arbeit wesentlich erleichtern und beschleunigen, etwa durch eine Unterstützung beim Labeln von Daten mithilfe der Ground Truth Labeler App oder durch automatische Code-Generierung. Zudem können Ingenieure auf Netzwerke wie GoogLeNet oder AlexNet zugreifen. Das gibt Ingenieuren die Freiheit, sich ganz auf den Workflow der Algorithmenentwicklung zu konzentrieren, ohne zwischen Tools und Umgebungen wechseln zu müssen.
Teilen: · · Zur Merkliste