Ausgangslage

Im Moment wird in der Industrie sehr häufig die «reaktive Wartung» eingesetzt. Das heisst, ein Austausch der Bauteile findet erst dann statt, wenn es zu einem Fehler oder einem Ausfall der Maschine gekommen ist.
Das Problem dabei ist, dass es bei einer Produktionsmaschine ggf. zu einem Ausfall der gesamten Produktion kommt. Dadurch entstehen weitere Kosten für die Standzeit.
Ebenfalls wird bei der reaktiven Wartung oft eine proaktive Auswechslung von kritischen Elementen durchgeführt, obwohl deren Lebensdauer noch nicht ausgeschöpft ist.

Idee

Ein condition-monitoring könnte kritische Maschinenelemente mit Sensoren überwachen und die Daten aufzeichnen.
Basierend auf den Daten kann eine Fehlererkennung durchgeführt werden und bereits bei kleinsten Anzeichen eines Fehlerfalls kann reagiert werden. So können beispielsweise bereits Ersatzteile bestellt und ein Servicetechniker aufgeboten werden sobald eine Maschine Probleme ankündigt.

Damit kann das Unternehmen wertvolle Zeit einsparen. Es gibt keine Maschinenausfälle und Bauteile müssen erst am Ende ihrer Lebensdauer ausgetauscht werden.

Mit der zusätzlichen Integration von API’s sind Drittanbieter-Softwares, wie ERP-Systeme, Ticketing- oder Benachrichtigungsdienste, einfach zu integrieren und der Flexibilität sind kaum Grenzen gesetzt.

Unser Showcase

Wir haben als erstes eine Hardware-Plattform aufgebaut, um Messdaten auf der Maschinenseite generieren zu können. Die Auslesung dieser Messdaten erfolgt über OPC-UA  und wird hinterher in der Cloud persistiert.

Als Beispiel haben wir eine Motorsteuerung gebaut, bei welcher wir den Motorstrom, die Motortemperatur und die Vibration aufzeichnen. Neben Motor und Sensorik setzten wir für die Steuerung Bauteile ein, die in jedem Industrie-Schaltschrank zu finden sind. Dazu gehören ein Motorschutzschalter und ein Leistungsschütz mit Zusatzkontakten. Das Herzstück bildet die SPS, welche in diesem Fall aus einem Raspberry Pi mit installierter SoftSPS (CODESYS) besteht.

Die Verbindung zur Cloud ist mit verschlüsseltem MQTT realisiert. Auf der Maschinenseite wird das verschlüsselte OPC-UA-Protokoll eingesetzt.

Die Ablage der gesammelten Messdaten erfolgt in einer Zeitserien-Datenbank in der Cloud.
Das Anzeigen der Daten und der Alarmzustände funktioniert über ein Grafana-Dashboard.

Auf dem Dashboard sind folgende Informationen ersichtlich:

Weiterführend

Basierend auf den gesammelten Daten, könnten verschiedene Berechnungen zur Ermittlung der verbleibenden Lebensdauer dieser Bauteile durchgeführt werden.
Anhand dieser Informationen kann sichergestellt werden, dass der Austausch von Bauteilen nicht zu früh oder zu spät stattfindet.
Des Weiteren können mit Datenanalysen die Standzeiten von Maschinen reduziert und die Fertigungsprozesse optimiert werden.
Für diese Szenarien wäre der Einsatz von Machine-Learning denkbar.

Haben Sie Fragen?