Emerson nutzt Machine-Learning-Modelle für die Pneumatik

» Autoren: Dr. Michael Britzger, Senior Manager, IIoT Engineering & Innovation, und Nils Beckmann, Senior Manager Product Marketing IIoT, für Emerson Machine Automation

Die Energieversorgung in einem Unternehmen ist nicht nur entscheidend für eine reibungslose industrielle Produktion, sondern stellt auch einen erheblichen Kostenfaktor im produzierenden Gewerbe dar. Fertigungsunternehmen, aber auch Entwickler von Komponenten, bemühen sich daher verstärkt um die Optimierung ihrer Produktion und Produkte in Hinblick auf mehr Energieeffizienz.

In fertigungsorientierten und hybriden Industrien stellt die Erzeugung und Bereitstellung von Druckluft einen großen Kostenfaktor dar und trägt 20 – 30 % zu den Gesamtenergiekosten bei. Außerdem ist ein erheblicher Teil dieser Kosten unnötig, da fast ein Drittel bis ein Viertel des industriellen Druckluftverbrauchs durch Leckagen verursacht wird. Leckagen in der Druckluftzufuhr sind demnach ein bedeutender Kostenfaktor in der industriellen Produktion.

Die Gesamtanlageneffizienz mittels Machine-Learning-Algorithmen steigern

Die zunehmende Komplexität von industriellen Systemen erhöht die Anforderungen an eine Fehlererkennung von pneumatischen Anomalien, insbesondere in Bezug auf die Identifikation der jeweiligen Subsysteme oder konkreten Bauteile innerhalb einer Fertigung. Nicht nur eine frühzeitige Erkennung solcher Anomalien, sondern auch eine bestmögliche Lokalisierung innerhalb des Systems stellt somit einen wichtigen Faktor dar, um ungeplante Ausfallzeiten zu reduzieren und damit die Gesamteffizienz der Industrieanlage sicherzustellen und zu verbessern.

Generell wird durch die frühzeitige Erkennung und Identifizierung von Leckagen der Energieverbrauch gesenkt. Zudem werden der CO2-Fußabdruck und die Wartungskosten durch eine verbesserte Gesamtanlageneffizienz verringert.

Digitale Lösungen innerhalb von Industrieumgebungen haben dazu geführt, dass dort durch eine Vielzahl von Sensoren und Zustandsüberwachungen eine vertiefte Leistungsüberwachung, Ursachenanalyse und Prozessverbesserung ermöglicht wird. Dieser Prozess der digitalen Transformation ist nun auf der nächsten Stufe angelangt, bei der die Generierung und Aggregation von Daten nicht nur deskriptive und diagnostische Analysen ermöglicht, sondern auch die Vorhersage von Ereignissen und Fehlern durch die Anwendung intelligenter Algorithmen. Insbesondere die Einführung von überwachten und unüberwachten Machine-Learning-Algorithmen hat sich zu einem wichtigen Anwendungsbereich in industriellen Umgebungen entwickelt.

IIoT-Ingenieure von Emerson haben ein auf maschinellem Lernen (Machine Learning) basierendes Modell zur Vorhersage des Durchflusses entwickelt. Wenn geringfügige Abweichungen vom erwarteten Verhalten auftreten, kann das Modell die entsprechenden Anomalien – wie Leckagen – erkennen und ihre Lage innerhalb der Anlage genau bestimmen. Machine-Learning-Modelle können das Auftreten und den genauen Ort solcher Anomalien vorhersagen und bieten dadurch die Möglichkeit, Leckagen vollständig zu vermeiden und die Gesamtanlageneffizienz wesentlich zu verbessern.

Prädiktive Machine-Learning-Modelle: schon vorab informiert sein

Prädiktive Machine-Learning-Modelle sind möglicherweise auch für diejenigen noch neu, die mit der digitalen Transformation schon vertraut sind und vielleicht schon die Vorteile von Echtzeitüberwachung und -messung kennen. Beide Modelle unterstützen Betriebe bei der Kostensenkung und Prozessoptimierung, aber die Ergebnisse unterscheiden sich deutlich. Durch die Echtzeitüberwachung werden Anwender über einen Vorfall informiert und können unmittelbar darauf reagieren. Dadurch werden die Auswirkungen eines Problems minimiert. Vorhersagemodelle können hingegen Probleme gänzlich verhindern, indem sie Informationen dazu liefern, was geschehen wird. Statt erst kurz nach dem Vorfall benachrichtigt zu werden, erhalten Endanwender schon vorab Informationen, dass ein Problem in Kürze auftreten wird oder kann. Das versetzt sie in die Lage, ihre Abläufe zu optimieren und von reaktiven zu proaktiven Betriebsprozessen überzugehen.

Während Überwachungslösungen Einblicke in Echtzeit bieten, gehen Machine-Learning-Modelle darüber hinaus und bieten Einblicke in die Zukunft. Aus unzähligen Büchern und Filmen wissen wir genau, wie wichtig es ist, schon im Voraus zu wissen, was passieren wird, bevor es tatsächlich eintritt. Betriebe, die prädiktive Machine-Learning-Modelle zur präzisen Steuerung ihrer Abläufe nutzen, können damit eine kontinuierliche Anlagenverfügbarkeit erreichen, Qualitätsprobleme vermeiden und sogar Arbeitsunfälle verhindern.

In einer ideal vernetzten Welt melden intelligente Systeme Fehler schon, bevor sie auftreten, und leiten die erforderlichen Maßnahmen ein. Stellen Sie sich folgenden Prozess vor: Das System sagt eine Leckage und deren Entstehungsort voraus, bestellt dann die Komponente, deren Ausfall prognostiziert wird, und plant die Wartung in einem regelmäßigen Zeitfenster, bevor viel Luft entweichen kann – es gibt keine ungeplante Ausfallzeiten und keinen unnötigen Energieverbrauch mehr. Mithilfe von prädiktiven Machine-Learning-Modellen können derartig optimierte Abläufe Realität werden.

Machine-Learning-Modelle trainieren

Typische industrielle Anwendungen bieten diverse Herausforderungen für Machine-Learning-Modelle im Bereich der Pneumatik. Moderne Industrieanlagen und die Umgebungen, in denen sie eingesetzt werden, unterscheiden sich zum Teil stark. Die Temperaturen und die relative Viskosität der Luft unterscheiden sich von Anlage zu Anlage; das verhindert einfache, lineare Modelle. Die Konfiguration und Druckluftversorgung der einzelnen Systeme reichen von einigen wenigen bis zu mehreren hundert Komponenten. Da Leckagen lokale Ereignisse sind, müssen die Modelle sie den jeweiligen Komponenten zuordnen können. Zu dieser Vielfalt kommt hinzu, dass für viele Anwendungen nur eine begrenzte Menge an Trainingsdaten zur Verfügung steht. Die digitale Transformation von Industrieanlagen wird zukünftig ein umfangreiches Spektrum an Sensor- und Prozessdaten bieten. Aktuell sind jedoch nur wenige historische Daten vorhanden, da die meisten Maschinen noch mit wenigen oder keinen Sensoren ausgestattet sind. Glücklicherweise liefert bereits der Einsatz weniger Sensoren genügend Referenzdaten für das Trainieren eines Machine-Learning-Modells.

Kerngedanke digitaler Transformation

In den meisten Fällen geht es nicht darum, neue Algorithmen oder Technologien zu erfinden, sondern das Umfeld sowie die Anwendung zu verstehen und vorhandene technologische „Bausteine“ einzusetzen, die einen Mehrwert bieten. Aus Sicht der Pneumatik sind die wichtigsten Daten die zentrale Durchflussrate der Druckluft und die binären Steuersignale der Pneumatikventile aus den SPS-Steuerdaten der Anlage.

Was lernt ein Machine-Learning-Modell aus der zentralen Durchflussrate und den binären Steuersignalen über das Vorhandensein oder den Entstehungsort von Leckagen? Die Durchflussrate selbst sagt nichts weiter aus als die allgemein verbrauchte Luftmenge. Das Modell kann daraus aber den idealen Arbeitsablauf ableiten. Dabei ist es wichtig, dass die zentrale Durchflussrate gemessen wird, ohne dass tatsächliche oder potenzielle Leckagen vorhanden sind. Wenn der Luftstrom von diesem idealen Arbeitsablauf abweicht, deutet dies auf eine mögliche Leckage hin. Die Korrelation dieser Abweichung mit den binären Signalen des Ventilblocks zeigt dann genau, wo die Anomalie auftritt.

Bei unserem Anwendungsfall werden diese historischen Daten von einem intelligenten Sensor und einer SPS erfasst. Der Sensor ist in eine Wartungseinheit integriert, welche die Pneumatikanlage mit Druckluft versorgt. Während die Druckluft durchströmt, misst der Sensor den Gesamtluftstrom der Anlage und speichert historische Daten in einer Datenbank. Die SPS der Anlage schaltet die entsprechenden Ventile eines Ventilblocks, der mit der Kolben- und Stangenseite einer Reihe von Zylindern verbunden ist. Die binären Schaltsignale werden dann in derselben Datenbank gespeichert (Abbildungen 1–2).

Zusätzlich zu historischen Daten sind für ein erfolgreiches dynamisches Luftstrom-Vorhersagemodell Validierungsdaten erforderlich. Zur Erzeugung von Validierungsdaten werden über eine Drossel auf jeder Eingangsversorgungsseite der einzelnen Zylinder Leckagen ausgelöst. Dadurch werden künstliche Leckagen erzeugt; und die entsprechenden aufgezeichneten Daten helfen dabei, die vorhandenen Algorithmen zu validieren und zu verbessern, bevor die Lösungen bei einer Praxisanwendung eingesetzt werden.

Mittlerweile haben Modelle erfolgreich gelernt, den Luftstrom in industriellen Pneumatikanlagen vorherzusagen. Das Machine-Learning-Modell von Emerson erreichte beispielsweise eine Genauigkeit von mehr als 90 % bei der Vorhersage von Anomalien und Leckagen inklusive ihres Entstehungsorts innerhalb der Industrieanlage. Darüber hinaus konnte es statistisch signifikante Vorhersagen über schleichende Leckagen treffen, die sich auf das Verhalten der Gesamtanlage auswirkten.

Anomalien in Pneumatikanlagen erkennen – Leckagen vorhersagen

Für das Trainieren des Modells wurde eine installierte Anlage ohne überwachtes Lernen oder ähnliche Trainingsdaten verwendet. Für das Training wurde die Messung des Gesamtluftstroms ohne Leckagen verwendet. Diese Daten wurden mit den entsprechenden Schaltsignalen korreliert und machten damit die Systemdynamik zugänglich. Auf der Grundlage der ohne Leckagen erfassten Daten erreichte das trainierte Vorhersagemodell in Bezug auf die Gesamtluftstrom-Vorhersagegenauigkeit einen mittleren absoluten prozentualen Fehler von unter 7 % (Abbildung 3).

Während das Vorhersagemodell für den Luftstrom der erste Schritt war, bestand der komplexere zweite Schritt darin, das Verhalten des Systems mithilfe der entsprechenden Ventilschaltsignale zu verstehen, um schleichende Leckagen vorhersagen zu können. Bedeutende Anomalien wie ein defekter Pneumatikschlauch sind nicht sehr schwer zu erkennen und zu lokalisieren, da sie in der Regel Geräusche verursachen oder den Produktionsprozess unterbrechen. Schleichende Leckagen treten eher geräuschlos auf und sind nicht ohne Weiteres zu erkennen. Diese Leckagen können lange Zeit unbemerkt bleiben und die Zykluszeit schleichend verlangsamen, sich negativ auf die Produktqualität auswirken und die Energiekosten erhöhen. Durch die Erkennung schleichender Leckagen können Machine-Learning-Modelle dazu beitragen, die Anlageneffizienz langfristig zu verbessern.

Das entwickelte und kontinuierlich verbesserte Luftstrom-Vorhersagemodell diente als Referenz für das Pneumatiksystem, wobei die empirische Nullverteilung jeder Zylinderseite als zylinderspezifischer Referenzwert diente. Beim Auftreten einer Leckage war der gemessene Wert größer oder kleiner als der Referenzwert. Anhand dieser Abweichung konnte der defekte Zylinder oder das defekte Ventil und die entsprechende Kolben- oder Stangenseite der Komponente identifiziert werden.

Für die Signifikanzprüfung wurden an der Kolben- und Stangenseite jedes Zylinders manuell Leckagen erzeugt. Das Diagramm zeigt, dass der gemessene Wert abnahm und erheblich vom Referenzwert abwich, als auf der Kolbeneingangsseite von Zylinder 3 eine Leckage ausgelöst wurde (Abbildung 4).

Dieses Diagramm zeigt die volle Bedeutung des Vorhersagemodells (Abbildung 5). In zwölf Durchläufen wurden für jeden Zylinder sowohl auf der Kolben- als auch auf der Stangenseite Leckagen ausgelöst, und die Ergebniswerte wichen erheblich von den Referenzdaten ohne Leckagen ab, was auf die genaue Lage der ausgelösten Leckagen hinwies.

Nächster Grad digitaler Transformation: proaktive statt reaktive Anlagen

KI-basierte Zustandsüberwachung und -vorhersage sind die Werkzeuge der Zukunft für optimierte Produktionssysteme und Energienutzung in der Industrie. Dank der Innovationen führender Lösungsanbieter für die digitale Transformation und der Entwicklung standardisierter Toolsets sowie Bibliotheken werden diese hochentwickelten Analysewerkzeuge immer einfacher zugänglich. Die Lösungen helfen Betrieben dabei, Kosten zu senken und ungeplante Stillstände zu vermeiden, wodurch sie sich schnell bezahlt machen.

Machine-Learning-Modelle tragen dazu bei, Anomalien in Pneumatikanlagen zu erkennen, bevor sie einen Prozess verlangsamen oder Schlimmeres verursachen. Diese fortschrittlichen Lösungen verhelfen Betrieben zu mehr Energieeffizienz, geringeren Kohlendioxidemissionen und Energiekosten sowie optimierter Ressourcennutzung aufgrund der Zustandsüberwachung und -vorhersage. Durch die Integration von Machine-Learning-Modellen ist die Anlage der Zukunft proaktiv statt reaktiv. Dieser Grad der digitalen Transformation hat das Potenzial, die betrieblichen Abläufe nicht nur zu verbessern, sondern vollumfänglich zu optimieren; und er versetzt Betriebe in die Lage, ihre eigene Zukunft nicht nur zu erkennen, sondern auch zu steuern. (sc)

Kontakt:
Emerson Automation Solutions Aventics GmbH
Ulmer Straße 4
30880 Laatzen
Tel.: +49 511 2136–0
Mail: info.aventics@emerson.com
Website: www.emerson.com