Roboter erobern zunehmend die Shop-Floors in den Fabriken. Sie entlasten Mitarbeiter von wiederholenden Bewegungsabläufen oder schweren Lasten. Oder sie sind schneller. Den Betreiber schmerzt es dann umso mehr, wenn die Maschine plötzlich ausfällt und die Fertigung ins Stocken gerät. Eine Gegenmaßnahme besteht in der ständigen Überwachung des ›Gesundheitszustandes‹ einer Maschine oder eines Systems: dem Condition Monitoring. Vielen Maschinenbauern erscheint diese Methode zu komplex und zu teuer, wie Automatisierungsspezialist Lenze erläutert. Das jedoch müsse nicht sein – wenn man es richtig anpacke.

ANZEIGE

Immer wieder werden Condition Monitoring und Predictive Maintenance synonym verwendet. Dabei sind dies zwei unterschiedliche Konzepte. Predictive Maintenance ist die Vorhersage von Ereignissen oder zumindest der Wahrscheinlichkeit von Ereignissen: beispielsweise, wann die Wahrscheinlichkeit dafür, dass ein Getriebedefekt in den nächsten 20 Betriebsstunden auftritt, auf über 95 Prozent steigt. Mit einer solchen Prognose könnte man den Austausch des Getriebes rechtzeitig planen.

Condition Monitoring dagegen ist eine Vorstufe. Hier geht es nicht um die Frage, wann das Getriebe ausfällt, sondern zunächst einmal darum, zu erkennen, dass sich der Zustand verschlechtert. Während Condition Monitoring fragt »Wie weit ist dieser Veränderungsprozess fortgeschritten?«, eventuell auch »Wie schnell ist die bisherige Entwicklung?«, versucht Predictive Maintenance zu extrapolieren: »Wie setzt sich die Entwicklung in der Zukunft fort?«; und schließlich: »Wann wird ein kritischer Zustand erreicht?«

Tiefes Verständnis als Basis

Leider ist es in der Regel nicht möglich, den Zustand oder die ›Gesundheit‹ einer Maschine oder einzelnen Komponente direkt zu messen. Condition Monitoring stützt sich daher auf Interpretation vorhandener Daten, um daraus eine aussagekräftige Beschreibung des aktuellen Zustands abzuleiten. Es bedarf eines tiefen Verständnisses von Maschinen und Prozessen, um aus ›nackten‹ Messwerten gehaltvolle Informationen zu generieren. Dieses Wissen ist bei OEMs, die einerseits ihre Maschinen kennen, andererseits die Prozesse der Anwender verstehen, bereits vorhanden. Analysen auf Basis von Machine Learning (ML) und künstlicher Intelligenz (KI) können sie dabei unterstützen, etwa Anomalien schneller aufzuspüren. Nun gilt es, dieses Know-how in eine anwendbare Lösung umzusetzen. »Die größte Herausforderung besteht sicher darin, die Verfahren und richtigen Modelle zu finden. In der Praxis bewerten Maschinenbediener oder Service-Mitarbeiter den Zustand einer Maschine anhand von interpretierten Sensorwerten und ganz viel Erfahrungswissen«, erläutert Klaas Nebuhr, Mitglied der Geschäftsleitung Encoway, einer Tochter der Lenze-Gruppe. Dabei sei das Ergebnis immer ein vermuteter Zustand, die Qualität der Aussage habe viel mit der Erfahrung des Mitarbeiters zu tun.

Modell- oder datenbasiert

ANZEIGE

Um zu einer anwendbaren Lösung zu kommen, gibt es zwei unterschiedliche Ansätze. Der erste ist modellbasiert – ihm liegt eine angenommene mathematische Beschreibung der Maschine zugrunde, aus der sich bestimmte Sollwerte ergeben, die den Normalzustand darstellen. Die Differenz zu den gemessenen Istwerten ermöglicht eine Aussage über den Gesundheitszustand der Maschine. Werden bestimmte Toleranzen überschritten, lässt sich dies als Störung interpretieren, die in einem Dashboard eine Warnung auslöst. »Heute gibt es eine Vielzahl von Ansätzen, um zu Modellen zu kommen. Die Kunst besteht darin, das optimale Verfahren zu bestimmen und geeignete Modelle zu bilden.«

Der andere Ansatz ist datenbasiert. Ein Algorithmus lernt zunächst das Verhalten des Systems und wie sich die gemessenen Parameter gegenseitig beeinflussen. Dies können bei einem Roboter beispielsweise Geschwindigkeit, Beschleunigung, Drehmoment, Position oder Stromaufnahme eines Antriebs sein. Die im laufenden Betrieb gemessenen Werte werden mit dieser erlernten Beschreibung verglichen, um Abweichungen zu definieren.

Für OEMs interessant ist, dass diese Ansätze auf bereits vorliegende Messwerte zurückgreifen und keine zusätzliche Sensorik nötig ist, um ›Gesundheitsdaten‹ zu erheben, so Lenze. Ein Antrieb, der anders klingt als im Normalzustand, muss nicht etwa mit einem zusätzlichen Sensor überwacht werden, der die Störung anhand eines veränderten Vibrationsprofils erkennt. Denn bereits beim Zusammenspiel von Stromaufnahme, Beschleunigung und Drehmoment werden Abweichungen sichtbar, die auf einen verschlechterten Zustand hinweisen. Wenn es also gelingt, die benötigten Informationen aus bereits vorhandenen Datenquellen zu erschließen, muss der Mehrwert, der durch das Condition Monitoring gewonnen wird, nicht mit höheren Hardware-Kosten erkauft werden.

Beispiel Zweiachs-Roboter

Wie diese Dateninterpretation in der Praxis funktioniert, veranschaulicht Lenze anhand eines Zweiachs-Roboters, der lose Werkstücke aufnimmt und neu positioniert. Der Hub wird hier über einen Spindelantrieb realisiert, die Querbewegung mittels Riemenantrieb.

Für den Spindelantrieb lässt sich ein mathematisches Modell skizzieren, das unter anderem Stromaufnahme, Drehmoment und Beschleunigung beschreibt. Bei immer gleich schweren Werkstücken sollten diese Werte immer gleich bleiben. Ein möglicher Defekt, etwa an den Kugellagern, führt zu einer höheren Reibung an der Spindel. Die gemessenen Werte zeigen in diesem Fall eine Abweichung, die im Showcase durch ein höheres Gewicht simuliert werden. Die Interpretation der ungewöhnlichen Istwerte führt also zu dem Schluss, dass ein Problem am Spindelantrieb vorliegt, und der Anwender muss darüber informiert werden.

Auf der zweiten Achse kann ein alternder Zahnriemen dafür sorgen, dass die Gurtspannung nachlässt. Aufgrund der so erhöhten Schwingung wird das gesamte System belastet und etwa die Positioniergenauigkeit beeinflusst. Auch hier würde das Condition Monitoring, das zuvor die Zusammenhänge zwischen Antriebsgeschwindigkeit, Beschleunigung und Position gelernt hat, eine Abweichung erkennen und Alarm schlagen.

Die beiden Condition-Monitoring-Ansätze unterscheiden sich nicht nur konzeptionell. Auch die Frage, wie das Auswerten der Daten erfolgt, ist unterschiedlich. Die modellbasierte Auswertung erfolgt normalerweise in der Steuerung, denn es werden keine hohen Rechenleistungen benötigt, und alle relevanten Daten liegen hier bereits vor. Für die datenbasierte Auswertung kommen dagegen ML- und KI-Analysen in Betracht – entweder in einem Edge-Server auf dem Shop-Floor oder als Cloud-Anwendung.

Lenze als Anbieter eines umfangreichen Automatisierungsportfolios liefert nicht nur Antriebe und die passende Programmierumgebung ›Fast Toolbox‹, die ein einfaches Erstellen der Steuerung erlaubt. Das Unternehmen liefert auch vorgetestete Algorithmen für verschiedene Anwendungen, die ein schnelles Entwickeln von Condition-Monitoring-Lösungen erlauben. Zudem unterstützt der Hersteller Maschinenbauer dabei, ihre Geschäftsmodelle für Condition-Monitoring-Services gemeinsam zu entwickeln. Denn oft ist nur das Ziel klar – etwa die OEE (Overall Equipment Effectiveness) zu steigern und ungeplante Stillstandszeiten zu verringern – jedoch nicht, welche konkreten Fragen den Weg dorthin begleiten. Hier kann Lenze mit seiner Erfahrung Maschinenbauern helfen, die Informationsschätze zu heben, die sich aus der Interpretation von Daten auf Basis ihres Prozess-Know-hows und Maschinenwissens gewinnen lassen.

Auch bei der Hardware gibt man dem OEM Wahlfreiheit, so das Unternehmen. Dazu zählt eine Reihe unterschiedlich dimensionierter SPSen für das modellbasierte Condition Monitoring.

Edge oder Cloud?

Die datenbasierte Auswertung kann ebenfalls lokal erfolgen, wenn der flexible Cabinet Controller c750 zum Einsatz kommt. Dieser hybride Rechner, der sowohl klassische SPS-Funktionen als auch eine Windows-10-Plattform vereint und damit einen zusätzlichen Industrie-PC im Schaltschrank überflüssig macht, bietet genügend Rechenleistung für einfache ML- und KI-Anwendungen, so der Hersteller. Für Anwendungen, bei denen sehr komplexe Modelle gerechnet oder mehrere Maschinen miteinander verglichen werden sollten, steht mit dem Lenze-IIoT-Gateway x500 auch der Weg in die Cloud offen.

Nutzt der Anwender bereits eine Plattform, etwa Microsoft Azure oder Amazon Web Services, kann er seine Maschinendaten dort auswerten lassen. Er kann aber auch auf die X4-Solutions des Automatisierungsspezialisten zurückgreifen. Die schlüsselfertige Lösung integriert umfangreiche Funktionen für OEM und Anwender rund um die Maschine, so der Anbieter. Zunächst werden hier die gesammelten Maschinendaten in der Cloud protokolliert und in Datenclustern gespeichert. Sie sind für zahlreiche Auswertungen, wie etwa Condition Monitoring, vorhanden.

Die Lösung unterstützt den Anwender dabei, die Auswertung in selbst konfigurierten Dashboards zu visualisieren. Diese sind optional auch auf mobilen Geräten abrufbar. Über die Cloud-Solution lassen sich Live-Überwachung und Alarme einrichten. Beim Showcase wird durch eine Maschinensimulation der digitale Zwilling abgebildet und die problembehaftete Komponente wird farblich hervorgehoben.

Zu den weiteren Web-Services gehört X4 Remote. Dieser ermöglicht neben der Fernüberwachung auch Fernwartung. Ein weiteres Feature ist das cloudbasierende Asset-Management, welches das Verwalten von Maschinen, den Zugriff auf Dokumentationen oder die Ersatzteilbestellung vereinfacht.

Wie eine gute Suppe

Für ein effizientes Condition Monitoring einer Roboter-Applikation oder einer sonstigen Maschine wird also nicht zwingend zusätzliche Sensorik benötigt, die die Kosten in die Höhe treiben würde. Stattdessen arbeiten quasi die Devices der Maschine als Sensoren. Dann gilt es, diese Daten richtig zu interpretieren und zu aussagekräftigen Informationen zu veredeln.

Die Grundlage liefert die Verknüpfung von OT, IT und Methoden der Datenanalyse. Der entscheidende Faktor ist der OEM und sein Maschinen- und Prozesswissen, das es ihm ermöglicht, sich zum Data Scientist seiner Maschinen zu entwickeln, wie der Automatisierungsspezialist hervorhebt. Ein Anbieter wie Lenze, der in allen beteiligten Feldern – Hardware, Software, Vernetzung und Cloud-Applikationen – aktiv sei, könne seinen Partnern dabei wertvolle Unterstützung geben.

»Ein Condition-Monitoring-Projekt ist wie eine gute Suppe. Es braucht verschiedene Zutaten und diese müssen miteinander harmonieren«, erläutert Nebuhr. Wenn man ein solches Projekt end-to-end denkt, seien viele Disziplinen notwendig, um zu einer erfolgreichen Lösung zu kommen: Man brauche Automatisierungsexperten, Data Scientists, Systemintegrationen, Cloud-Kompetenz, UX-Spezialisten und vieles mehr. »Die Lenze-Gruppe verfügt über all diese Kompetenzen – für den Kunden ein enormer Vorteil, da wir projektbezogen ein Team mit dem notwendigen Skillset zusammenstellen können. Bei einem Projekt beginnen wir im Grunde mit einem Business Case für den Kunden.« Welche Ziele verbindet er mit einem solchen Projekt? Über welche Investitionsmittel verfügt er? Ab wann sollen sich die Investitionen amortisiert haben? Welche technischen, legalen oder organisatorischen Rahmenbedingen gibt es? »Kommt es zu einer Projektumsetzung, dann gehen wir gemeinsam mit dem Kunden agil vor. So stellen wir sicher, das Beste aus den Investitionen herauszuholen.«

Interview

»Die OEE verbessern«

KLAAS NEBUHR, Mitglied der Geschäftsleitung von Encoway und Chief Marketing Officer Lenze.Digital spricht mit Redakteurin Marie Christin Wiens über Condition Monitoring, die Rolle von KI und Cloud-Lösungen.

Herr Nebuhr, auch wenn Condition Monitoring kein neues Thema ist: Welche neuen Möglichkeiten ergeben sich denn dafür durch Industrie 4.0?

Condition Monitoring ist in der Tat keine neue Technologie mehr. Bestehende Lösungen laufen beispielsweise direkt auf der Steuerung. Allerdings können wir heute dank konnektierter Maschinen Modelle nutzen, die auf mehr Daten und enormer Rechenleistung basieren. Somit kommen mehr Verfahren zum Einsatz. Vor allem lernende Verfahren liefern hier erstaunliche Ergebnisse.

Früher bewertete der Experte Maschinendaten und Geräusche auf mögliche Fehlfunktionen oder Verschleiß. Werden wir künftig auf Experten verzichten oder Ihr Wissen nur zum Teachen der Systeme oder einer KI nutzen?

Verfahren, wie maschinelles Lernen, sind nur für bestimmte Problemklassen überhaupt geeignet. Sicherlich können Modelle immer nur Zusammen mit den Experten gebildet werden. Unter den richtigen Rahmenbedingungen können dann aber Modelle entstehen, die Aussagen mit höherer Qualität bilden, als es der Experte hätte tun können. Es ist unwahrscheinlich, davon auszugehen, dass Condition Monitoring Experten überflüssig macht. Vielmehr ist die Situation heute so, dass weltweit gar nicht genug Experten verfügbar wären.

Was würden Sie als die wichtigsten Voraussetzungen für ein Condition-Monitoring-System in Zeiten von Industrie 4.0 sehen?

Zunächst einmal, so simpel, wie es klingt, eine Maschine, die sicher mit dem Internet verbunden ist. Es ist davon auszugehen, dass heute weltweit nur circa acht Prozent der Maschinen ans Internet angebunden sind. Die zweite, essenzielle Voraussetzung ist, einen kompetenten Partner zu haben, der einen auf der ganzen Strecke von OT bis IT unterstützen kann und das Geschäftsmodell des Maschinenbauers oder -betreibers kennt. Letzten Endes ist Condition Monitoring, wie jedes Software-System, kein Selbstzweck. Vielmehr ist gutes Condition Monitoring ein wichtiger Baustein, die OEE einer Maschine und damit die Profitabilität eines Unternehmens zu verbessern.

Welche Alternativen gibt es, wenn man irgendwo auf dem platten Land kein UMTS und nur schlechte Internetanbindung hat – und so die Anbindung an eine Cloud und die Übertragung größerer Datenraten flachfallen?

Die Frage ist, wie viel Rechenleistung und sekundär Daten benötigt werden, um zu guten Aussagen zu kommen. Auch wenn eine gute Anbindung vorhanden ist, sind viele Anwender noch unsicher im Umgang mit Cloud-Anwendungen. Der Gedanke eines cloudbasierten MES-Systems wirkt auch heute noch befremdlich. Der eigentliche Zustand einer Maschine lässt sich in der Regel mit wenigen Bytes beschreiben. Die Ermittlung dieser Information ist es, die so viele Daten verschlingt. Man kann also in vielen Fällen bereits mit der Verdichtung von Daten auf dem Shop-Floor, also dem Edge Computing, die OEE verbessern.

Welche Rolle spielt künstliche Intelligenz bei Ihren Lösungen für Condition Monitoring?

Maschinelles Lernen als Verfahren ist nicht neu. An der Technologie hat sich in den letzten 25 Jahren nichts grundlegend geändert. Und es gab schon einmal eine Phase, da hat man geglaubt, dass KI die Lösung für alles ist und der Mensch sich selbst abschafft. Dann kam die große Ernüchterung. Maschinelles Lernen ist nur für bestimmte Problemklassen ein adäquates Mittel. Dank der Rechenleistung und Daten, auf die wir heute zurückgreifen können, sind die Ergebnisse dann aber sehr beeindruckend. Aber KI ist mehr als maschinelles Lernen. Auch die Verfahren, die im Konfigurationskern der Encoway angewendet werden, entstammen der KI-Forschung. Im Bereich Condition Monitoring nutzen wir maschinelles Lernen besonders dann, wenn es darum geht, Informationen zu gewinnen, die nicht direkt durch Sensordaten repräsentiert sind oder für die es schwer oder gar nicht möglich ist, explizite Modelle zu bilden.