Auch in der Automatisierungstechnik gelten Daten inzwischen als werthaltiger Rohstoff. Ein Problem dabei ist, dass diese Erkenntnis in der Branche im Zusammenhang mit den in der IT seit vielen Jahren etablierten Big-Data-Analysemethoden offensichtlich noch relativ neu ist. Zumindest wurden in der Vergangenheit nicht unbedingt gezielt qualitativ hochwertige Maschinen- und Anlagendaten gesammelt. Vielfach existieren noch nicht einmal geeignete Datenschnittstellen, sodass zunächst über ein Daten-Retrofit nachgedacht werden muss. In einigen Fällen sind lediglich nicht frei zugängliche Dateninterfaces vorhanden. Sie werden vom jeweiligen Hersteller aber nur für das Garantie- und Gewährleistungsanspruchs-Management oder spezielle Serviceangebote genutzt. Die Daten selbst stehen dem Betreiber nicht zur Verfügung. Einige Firmen bieten für ihre Maschinen auch optionale OPC-Server an, die dann an einer hochentwickelten Standardschnittstelle ein paar wenige aussagefähige Umgebungsdaten plus einen Betriebsstundenzähler zur Verfügung stellen. Vielfach amortisiert der mögliche Informationsgewinn aber noch nicht einmal die Investitions- und Betriebskosten.
Connectivity allein reicht nicht
Unzählige Anbieter konzentrieren sich zwar inzwischen auf die Integration vorhandener Automatisierungsschnittstellen in das Internet der Dinge (IoT), also auf „Connected Devices“. Sie sprechen in diesem Kontext sogar von beachtlichen Transparenzgewinnen, Predictive Maintenance, Condition Monitoring sowie außerordentlich vielfältigen Datennutzungsmöglichkeiten durch Cloud-Services, wie die künstliche Intelligenz, verkaufen aber bei genauer Betrachtung lediglich die Connectivity – also beispielsweise die Anbindung einer Maschinensteuerung per MQTT an die Clouds führender IT-Unternehmen. Teilweise wird als kostenpflichtiger Service des Steuerungsherstellers noch ein spezieller Server dazwischengeschaltet, der einige zusätzliche Rohdatenvisualisierungsmöglichkeiten in Form von Dashboards und einfachen Datenanalysen mit festen Regelwerken und einstellbaren Schwellwertabfragen für Alarmmeldungen bietet.
Einige wenige Unternehmen im Umfeld des Maschinen- und Anlagenbaus sind technisch schon deutlich weiter. Sie haben bereits Produkt- und Lösungsangebote, in denen nicht nur die Datenschnittstellen, sondern auch hochwertige KI-basierte Datenanalysen enthalten sind, um dem Anwender einen werthaltigen Informationsgewinn aus Rohdaten anzubieten. Ein großer Nachteil der am Markt angebotenen Lösungen dieser Kategorie ist die fehlende Offenheit. Es werden in der Regel nur die jeweiligen Automatisierungsbaugruppen eines Herstellers unterstützt, also beispielsweise Motoren und Frequenzumrichter des Herstellers X, die Pneumatik des Anbieters Y oder die Lager der Firma Z. Für den Betreiber einer hochwertigen Anlage rechnet sich die Investition in eine solche Lösung meistens nicht, wenn dadurch nur 10 bis 15 % der Baugruppen in ein Predictive-Maintenance-Wartungskonzept eingebunden werden. Die anderen 85 bis 90 % der Komponenten verursachen ja nach wie vor ungeplante Anlagenstillstandszeiten.
Eine weitere Prozesskette
Jeder Automatisierungstechniker kennt das Prinzip der Ablaufsteuerung (Open-loop Control). Im Zeitalter des IoT und selbstfahrender Autos ist noch eine weitere Prozesskette hinzugekommen, mit der man sich vertraut machen sollte. Wir nennen sie hier einfach einmal IoT-Anwendungsprozess. Am Anfang dieser vierstufigen Schrittkette, die in einer Automatisierungsanwendung als Endlosschleife abläuft, ist mindestens ein physischer Sensor zu finden. Er liefert die zur Aufgabenstellung passenden Rohdaten, zum Beispiel die Stromaufnahme oder Vibration einer Maschine. Der dann folgende Schritt ist eine Datenanalyse mit Methoden aus dem Big-Data-Bereich, beispielsweise dem Machine Learning. Dafür müssen die Sensordaten zuvor entsprechend aufbereitet und ein geeignetes mathematisches Modell für das Mapping der Eingangssignale auf die Ausgangsdaten zur Verfügung gestellt werden. Für eine solche KI-basierte Datenanalyse ist keine Cloud erforderlich, sie lässt sich inzwischen auch auf einem Mikrocontroller mit der Rechenleistung einer Low-Cost-SPS bewerkstelligen (Stichwort TinyML). Das Datenanalyseergebnis wird an einen Entscheidungsfindungsbaustein weitergegeben. In diesem Schritt könnte z. B. ein Softwaremodul anhand eines Regelwerks bestimmen, was zu tun ist (bei einer Predictive-Maintenance-Anwendung: Maschinengeschwindigkeit drosseln, Techniker verständigen). Der letzte Baustein in der Schrittkette setzt die Entscheidung um – beispielswiese durch eine Profinet-basierte Meldung an die Maschinensteuerung, damit sich die Maschinengeschwindigkeit reduziert und eine E-Mail an den Techniker, um ein bestimmtes Lager oder eine Ventilinsel auszutauschen.
Virtueller Sensor per MEMS
Da eine rotierende Maschine betriebsbedingt messbare Vibrationen erzeugt, lässt sich die hier vorgestellte IoT-Anwendungs-Schrittkette bereits mit einer einfachen Sensorik in der Praxis für Condition-Monitoring- und Predictive-Maintenance-Anwendungen einsetzen. Dabei werden die periodischen Maschinenschwingungen mit geeigneten Sensoren erfasst und zur eigentlichen Informationsgewinnung mit Hilfe einer an die jeweilige Aufgabe angepassten Datenanalyse ausgewertet. Der dadurch entstehende virtuelle Überwachungssensor bietet in der Regel einen tiefen Einblick in den Maschinenbetrieb und eine deutlich verbesserte Transparenz bezüglich des jeweiligen Maschinenzustands. Mit diesen Informationen lassen sich beispielsweise wirkungsvolle Betriebsoptimierungs- oder Wartungsentscheidungen treffen.
Als Datenquelle für einen solchen Überwachungssensor eignen sich besonders kapazitive MEMS-Inertialsensoren. MEMS steht für Mikro-Elektromechanisches System. Gemeint sind damit kleine Halbleitersensoren, die mit einem speziellen Herstellungsverfahren angefertigt werden und beispielsweise kleinste Lage- und Beschleunigungsänderungen erkennen können. Dafür wird auf einem Siliziumchip ein mikroskopisch kleines Feder-Masse-System realisiert. Durch eine Beschleunigungsänderung wird die Miniaturmasse für wenige Mikrometer ausgelenkt und dadurch eine messbare Kapazitätsveränderung verursacht, aus der letztendlich der Ausgangsmesswert des Sensors entsteht.
Durch das Internet der Dinge und den Masseneinsatz in Smartphones, ist MEMS-Sensortechnik zu einem relativ preiswerten Massenprodukt geworden. Diese Sensortechnik lässt sich für sehr viele unterschiedliche Aufgabenstellungen einsetzen. Dazu gehören Mikrofone, Zustandsüberwachungen an Bauwerken, Maschinen und Anlagen. Aber auch in der Navigation sowie für Stabilisierungs- und Ausrichtungssysteme werden MEMS-Sensoren genutzt. Gyroskope und ESP in Fahrzeugen wären ohne MEMS nicht massentauglich.
Anwendungsbeispiel
Maschinenüberwachungsassistent
Mit einem virtuellen Sensor und dem IoT-Anwendungsprozess lässt sich z. B. ein KI-basierter Assistent zur automatischen Maschinenüberwachung realisieren. Die vom Assistenten gewonnenen Informationen eignen sich zur Detailplanung einer zustandsbasierten Wartung, also einem geplanten Maschinenstillstand, um die erforderlichen Wartungsarbeiten durchzuführen. Im Beispiel mit dem MEMS-basierten Maschinensensor MLS/160A wird die Sensorbaugruppe einfach an einer beliebigen Maschine befestigt. Der zum Lieferumfang gehörende adaptive Datenanalysebaustein wird vor dem Assistenteneinsatz in einer Trainingsphase an das jeweilige Schwingungsbild der Maschine angepasst, um ein mathematisches Modell zu erzeugen, in dem zu jedem relevanten Schwingungsabbild der korrelierende Maschinenzustand enthalten ist.
Der MLS/160A nutzt für die MEMS-Sensordatenvorverarbeitung eine Diskrete Fourier-Transformation (DFT). Dabei werden die Messwerte einer Beschleunigungsachse jeweils eine Sekunde lang mit einer einstellbaren Frequenz abgetastet und in einem Zahlenarray zwischengespeichert. Dieses Array wird anschließend durch eine DFT-Funktion vom Zeit- in den Frequenzbereich umgewandelt. Vor der eigentlichen Datenanalyse werden aus dem errechneten DFT-Spektrum die Top-n-Amplituden-Frequenz-Wertepaare bezüglich der Amplituden-Maximalwerte extrahiert und nach Anwendung einiger weiterer Rechenmethoden in einem neuen Datenobjekt gespeichert. Dieses dient dann als Eingabe für einen Machine-Learning-Algorithmus, um anhand des in der Trainingsphase erzeugten Modells und des gemessenen Schwingungsbilds den jeweiligen Maschinenzustand zu bestimmen. Das Ergebnis dieser Datenanalyse ist jeweils ein Maschinenzustandskennzeichen pro Sekunde. Daraus lassen sich zum Beispiel virtuelle Betriebsstundenzähler (separate Zeitmessungen für einzelne Maschinenzustände) oder bestimmte Ereigniszähler realisieren.
Wenige Zehn-Euro Materialkosten
Vereinfacht betrachtet bedeutet Big Data eigentlich nur, Daten zusammenzufassen und daraus per künstlicher Intelligenz wertvolle Erkenntnisse zu gewinnen. Die Automatisierungstechnikanbieter sollten zur Sicherung der Wettbewerbsfähigkeit schnellst möglich Produkte und Lösungen mit KI-basierter Datenintelligenz direkt in der Feldebene, also ohne Cloud und die damit verbundenen Mehrkosten und Probleme, auf den Markt bringen. Der Anwendernutzen muss allerdings die Kosten amortisieren und darüber hinaus einen quantifizierbaren Mehrwert bieten. Die durch eine lokale KI verursachten Materialmehrkosten sind inzwischen kein Hinderungsgrund. Sie betragen für einen MEMS-Inertialsensor inklusive Mikrocontroller für die Datenanalyse plus eine BLE/NB-IoT/Wi-Fi-Kommunikationsschnittstelle nur wenige Zehn-Euro. Die Verbindung ins Internet wird von einer solchen Lösung nur noch für die Informationsweitergabe und zum Software- bzw. Modell-Update genutzt. (ge)
Weitere Details zur Lösung
Kontakt:
SSV Software Systems GmbH
Dünenweg 5
D-30419 Hannover
Tel: +49(0)511 / 40 000-0
sales@ssv-embedded.de
www.ssv-embedded.de
