Marginale Spalte

Vorbeugung leicht gemacht

Inhalt

Juli 2017

 

Predictive Maintenance reduziert Anlagenstillstände und spart so Zeit und Geld.

Unvorhergesehener Maschinenstillstand ist der Albtraum jedes Fertigungsleiters. Insbesondere bei Großanlagen, die rund um die Uhr produzieren, wie Minen, Gießereien oder Gummimischwerke, ist jede Stunde, die eine Maschine nicht läuft, mit extrem hohen Kosten verbunden. Vorausschauende Wartung reduziert teure Anlagenstillstände in der Praxis zuverlässig.

Das Dienstleistungspaket ODiN (Online Diagnostics Network) von Bosch Rexroth nutzt das Zusammenspiel von Sensorik, Cloud-basierten Anwendungen und Machine-Learning-Methoden, um die Betriebszustände modellbasiert zu überwachen und vorausschauend Wartungsmaßnahmen auszuführen. Dafür ermittelt ein Machine-Learning-Algorithmus in einer Einlernzeit einen normalen Gesundheitszustand aus einer Vielzahl von Sensorsignalen wie beispielsweise Druck, Durchfluss, Vibration, Temperatur und Ölqualität, je nach zu überwachender Anlagenbaugruppe.

Nach der Einlernphase ermittelt ODiN mit dem datenbasierten Modell kontinuierlich einen Health-Index der überwachten Anlagenbaugruppe. Bricht ein einzelner Messwert kurzzeitig aus dem Toleranzband aus, führt das nicht unbedingt zu einer (Fehl-)Warnung, da Verschleiß selten mit einem Signal erfasst werden kann. Verschlechtert sich der Health-Index, weil sich die Daten mehrerer Sensoren innerhalb der definierten Grenzen verändern, da das Verhalten der Maschine sich verändert hat, warnt das System vor einem Problem. Der erzeugte Health-Index zeigt nicht nur den Zustand des eigentlich überwachten Aggregats an, sondern auch schleichende Veränderungen der vor- und nachgelagerten Mechanik oder Hydraulik. Wenn Bewegungen über die Zeit länger dauern oder mehr Kraft erfordern, ist das ein Hinweis auf einen Verschleiß in der Mechanik oder Hydraulik.

Dass Verschleißdiagnose eine komplexe Aufgabe ist, zeigt ein Beispieldatensatz: Ein Fehler wird statistisch gesehen per Zufall nur mit einer Wahrscheinlichkeit von 13 Prozent entdeckt. Ein Experte, der die Anlage mit traditionellen Mitteln ständig überwacht, erkennt ihn zu 43 Prozent. Das System jedoch hat eine Fehlererkennungsrate von über 95 Prozent. Entweder kann die Software den Fehler bereits genau identifizieren oder sie unterstützt Wartungstechniker bei der Fehlersuche durch eine Lokalisierung des Fehlers auf eine Baugruppe.

Predictive Maintenance Magnifier

Predictive Maintenance