Jedes Predictive-Maintenance-Projekt beginnt mit dem Erfassen von Maschineneigenschaften während des Normalbetriebs. Sie werden digitalisiert und an einen Rechner oder in die Cloud übermittelt. Im Falle von lokaler Datenverarbeitung spricht man von Edge-Computing, hier können lokale KI-Lösungen wie Intel Movidius zum Einsatz kommen. Dabei kann im Millisekundenbereich reagiert werden. Man nutzt bei Lern- und Verbesserungsprozessen keine Schwarmintelligenz und ist auf lokale Rechenleistung beschränkt. Eine Internetanbindung ist für Firmwareupdates und Fernmonitoring dennoch unabdingbar. Im Falle von Cloud-Computing steht ein unbegrenztes Angebot von Dienstleistern zur Datenanalyse zur Verfügung. Es ermöglicht den Vergleich mit allen im Feld betriebenen Anlagen sowie Rückschlüsse von Veränderungen einer Anlage auf die anderen. Rechenleistung und Speicherkapazität sind praktisch unbeschränkt und man kann flexibel den Algorithmus wechseln, z.B. von der statischen Datenanalyse auf maschinelles Lernen.
Platzierung des Sensors ist entscheidendes Kriterium
Egal ob lokal oder in der Cloud analysiert wird, gilt es zu klären, an welcher Stelle ein Schaden entstehen kann und wo sich dieser am besten detektieren lässt. Doch kann der Sensor hier auch angebracht werden? Ist die Stelle zugänglich und steht ausreichend Platz zur Verfügung? Gibt es viele oder laute Umgebungsgeräusche? Sind diese eher konstant oder unregelmässig?
Aus dem Ort der Anbringung ergibt sich oft bereits der Sensortyp: Bei einer Befestigung am Gerät oder der Maschine geht es um die Erfassung von Körperschall. Damit ist ein Schock- und Vibrationssensor oder ein Beschleunigungssensor das Mittel der Wahl. Bei einer Platzierung ausserhalb wird der Luftschall detektiert. Hierfür stehen MEMS-Mikrofonsensoren zur Verfügung, z.B. von STMicroelectronics und Infineon. Dabei gilt: Je höher die erfasste Frequenz, desto früher kann ein Schaden registriert werden. Im Ultraschall- Bereich ab 16 kHz lassen sich erste Anzeichen bereits Monate bevor der Schaden tatsächlich auftreten würde erfassen.
Bei einer Detektion im hörbaren Bereich unter 16 kHz sind es eventuell nur noch wenige Wochen bis zum Schadensfall. Ob das ausreicht, ist im Einzelfall zu prüfen: Wie gravierend kann der Schaden ausfallen? Wie lange dauert es, bis Ersatzteile beschafft und ein Servicetechniker verfügbar ist? Ist eine Unterbrechung der Maschine für Reparatur- oder Wartungsarbeiten jederzeit möglich? Für eine Leckprüfung bei Gasleitungen ist eine Erfassung im Ultraschall-Bereich unbedingt anzuraten. Erzeugt ein Leck hörbare Geräusche, ist es für eine vorausschauende Wartung zu spät.
Sensoren lassen sich kombinieren
Genügt eine Detektion im hörbaren Bereich, entscheidet die Art der Maschine bzw. des Maschinenteils, welchen Frequenzbereich der Sensor abdecken sollte: Je schneller die relevanten Teile rotieren, desto höhere Frequenzen sind zu erfassen. Bei sich sehr langsam bewegenden Teilen kann anstelle eines Mikrofonsensors ein Beschleunigungssensor bessere Ergebnisse liefern. Um die Trefferquote bei der Fehlerfindung zu erhöhen, lassen sich Mikrofon-, Beschleunigungs- sowie Schock- und Vibrationssensoren kombinieren und durch weitere Sensortypen, z.B. für Temperatur, Feuchtigkeit oder Druck ergänzen. Den höchsten Nutzen bieten sie, wenn die Sensoren untereinander vernetzt sind. Das erhöht jedoch die Kosten für die Sensoren und deren Verbindung, sorgt für mehr Daten und einen höheren Auswertungsaufwand. Das lohnt sich nur, wenn dem ein entsprechender potenzieller Schaden entgegensteht und bei sicherheitskritischen Systemen.
Neue Wireless-Technologien für die Datenübermittlung
Je nach Anwendungsfall müssen einzelne Sensoren ihre Messdaten zunächst an einen lokalen Datensammler übertragen. Dazu bieten sich Mikrocontroller mit integrierten Funkschnittstellen und AD-Wandler an, sogenannte Wireless-SoCs. Oftmals werden Funkstacks, bereits auf den Mikrocontroller zugeschnitten, kostenlos mitgeliefert, so dass nur noch die Anwendung umzusetzen ist.
Der Datensammler kann nun die Daten lokal auswerten und seine Gatewayfunktion nur für Softwareupdates oder gelegentliches Reporting nutzen. In dem Fall wäre LTE eine ausreichend schnelle Internetverbindung, die für viele Jahre eine gesicherte Infrastruktur aufweisen wird. Bei einer zeitkritischen Analyse der Daten in der Cloud, wo innerhalb weniger Millisekunden eine Rückmeldung nötig ist, wird sich 5G behaupten.
Die Anbindung der Sensoren zum Datensammler lässt sich nicht immer verkabelt realisieren; Funktechnik ist meist günstiger, flexibler und langlebiger. Mit einem nRF52840 von Nordic Semiconductor kann man zwischen Bluetooth Mesh, ZigBee oder Gazell auswählen, NFC erlaubt eine unkomplizierte Anbindung der Sensoren an den Datensammler. Über die integrierte USB-Schnittstelle lassen sich Sensoren via Laptop kalibrieren. Wer von vornerein weiss, dass er nur Bluetooth 5 oder Bluetooth Mesh nutzen wird, kann auch auf günstigere Varianten wie den nRF52810 ausweichen.
Für kleine Datenmengen eignen sich neue LTE-Kategorien
Bei Datensammlern, die nur geringe Datenmengen ins Internet übertragen, oder bei direkter Internetverbindung vom Sensor in die Cloud sind die neuen LTE-Kategorien NB1 und M1 (auch NB-IoT und LTE M1 bzw. LTEM) ideal. Beide unterstützt die nRF91-Familie von Nordic Semiconductor. Das hochintegrierte SiP (System in Package) kommt mit einem ARM-Cortex-M33-Mikrocontroller zur kundenspezifischen Programmierung der Anwendung, Sensoren und Aktoren. Es generiert aus den Messdaten bereits vor Ort Informationen, so dass nur eine deutlich geringere Datenmenge zu versenden ist. Das optimiert die Gesamtenergiebilanz und hält den Online- Datenverbrauch gering. Über 32 GPIOs lassen sich neben den Sensoren auch LEDs anschliessen, etwa als Warnhinweis vor Ort. Auch Tasten oder Schaltrelais lassen sich verbinden; so kann z.B. der Sensorpunkt bei Bedarf ganze Anlagen abschalten. Da die Messwerte der Sensoren zahlreiche Aufschlüsse zur Nutzung der Maschinen und Anlagen geben können, sollten sie vor unbefugten Zugriffen geschützt werden. Auch hierfür enthält der nRF91 eine Lösung: Der Host-Prozessor mit TrustZone nutzt in der CPU und im System eine vertrauenswürdige Ausführungsumgebung und trägt so zur Sicherheit von Applikationsdaten, Firmware und angeschlossener Peripherie bei. ARM CryptoCell gewährt sichere Speicherzugriffe, während TLS und SSL die Ende-zu- Ende-Verschlüsselung der Datenübertragung sicherstellen.
Erfolgsfaktor Datenanalyse – Aufwand für Wartungsarbeiten besser planbar N
un folgt die Datenanalyse: Was bedeutet es, wenn sich die Frequenz eines Wälzlagers geändert hat? Droht es kaputt zu gehen, wurde die Produktion umgestellt oder ist ein Störfaktor für die Änderung verantwortlich? Welche Abweichungen gehören noch zu den normalen Schwankungen? Und wie hoch ist die Wahrscheinlichkeit, dass ein Schaden eintritt, d.h. wann ist ein Eingreifen erforderlich?
Daraus entstehen spezifische Profile, die in der Software durch entsprechende Parameter und Schwellwerte hinterlegt sind. Möglicherweise sind nach dem ersten Praxistest Nachjustierungen nötig, ebenso bei Umstellungen der Produktion, Änderungen im Maschinenpark oder ähnlichem. Wer diese Punkte berücksichtigt, hat es geschafft: Nie wieder unerwartete Maschinenschäden, Ausfälle oder Bandstillstand durch unentdeckt alternde Anlagen. Der Aufwand für Wartungsarbeiten lässt sich besser vorausplanen und es brauchen nur noch tatsächlich benötigte Ersatzteile vorgehalten werden. Auch Maschinenbauer profitieren: Integrieren sie ein Predictive-Maintenance-System in ihre Produkte, bieten sie Kunden eine höhere Maschinenverfügbarkeit, zudem können sie die Auswertungen der Felderfahrungen für ihre Produktentwicklung nutzen.
Infoservice
Rutronik Elektronische Bauelemente AG
Brunnenstrasse 1, 8604 Volketswil
Tel. 044 947 37 37, Fax 044 947 37 47
