Suchen

Predictive Maintenance Machine-Learning-Projekt mit Fraunhofer IAO gestartet

Redakteur: Jürgen Schreier

Vorausschauende Wartung - der wirtschaftlich relevanteste Anwendungsfall von maschinellem Lernen - steht im Mittelpunkt eines neuen Projekts. Das Besondere daran: Von Anfang an ist ein Anwenderunternehmen mit dabei. Dort werden an einer Testanlage Sensorwerte erfasst, zu denen sich weitere externe Daten gesellen.

Firmen zum Thema

Digitalisierung und Daten werden immer mehr zum vierten Produktionsfaktor.
Digitalisierung und Daten werden immer mehr zum vierten Produktionsfaktor.
(Bild: gemeinfrei / Unsplash)

Gemeinsam mit dem Fraunhofer Institut (IAO im Mittelstand 4.0-Kompetenzzentrum Stuttgart) starten die  bimanu Cloud Solutions GmbH sowie die beiden Anlagen- und Maschinenbauer Wichelhaus & Co. Maschinenfabrik und  Rhein-Nadel Automation GmbH  (RNA) ein Projekt für einen der wirtschaftlich relevantesten Anwendungsfälle von maschinellem Lernen: Es geht um Predictive Maintenance, also die vorausschauende Wartung.

Datenintegrationsplattform um ML-Funktionalitäten erweitert

Wenngleich zu dem Anwendungsfall bereits viel Literatur existiert und bereits diverse Beispiele beschrieben wurden, sticht dieses Projekt aufgrund mehrerer Nutzenaspekte heraus. Es beginnt damit, dass von Beginn an als Referenzunternehmen ein Anwenderunternehmen involviert ist. Die Entwicklung des neuen Anwendungsfeldes erfolgt für eine existierende Unternehmenssoftware.

Bildergalerie

Die Datenintegrationsplattform von bimanu wird um diverse Funktionalitäten des Machine Learnings erweitert, wodurch weitreichende Potentiale durch (Re-)Kombination von Daten und Lösungen schnell erschlossen werden. Da die zugrundeliegenden Technologien cloud-basiert sind, bringen sie entsprechende Skalierbarkeit mit, wodurch dank des reinen "as-a-Service"-Modells eine einfache Anwendung ermöglicht wird. Anbieterseitig müssen wegen der vorangehenden Punkte besondere Herausforderungen IT-architektonischer Natur gelöst werden. Eine durchgängig stabile IoT-Architektur muss mit skalierenden Methoden des maschinellen Lernens angereichert werden.

Ziele des Projekts

Themen wie Predictive Maintenance oder der Einsatz von Künstlicher Intelligenz im Produktionsalltag bieten weitreichende Möglichkeiten, Fehler oder möglichen Verschleiß frühzeitig zu erkennen. Grundlage dafür ist jedoch, dass eine Datenhistorie über die jeweiligen Maschinen existiert. Es müssen genügend Daten vorhanden sein, um z.B. entsprechende Machine-Learning-Algorithmen nutzen zu können.

Im ersten Schritt des Projekts erfolgt die klare Erarbeitung des Anwendungsfalls. Dazu kommt eine Testanlage zum Einsatz, um die erforderliche Datenhistorie aufzubauen. Die Maschine wird dabei mit verschiedenen Sensoren bestückt, die jeweils unterschiedliche Messwerte aufzeichnen, u.a. Schwingungen, Temperatur, und Druck. Zusätzlich sorgt die IoT Connect Box, eine mobile Datenerfassung für die Erfassung von weiteren Sensorwerten für eine realistische Abbildung der Produktion.

Produzierende Unternehmen werden neben modernen Anlagen auch ältere Anlagen im Bestand haben. Diese können mithilfe des IoT-Retrofit (Einsatz der IoT Connect Box) ebenfalls abgebildet werden, was insgesamt zu besseren Ergebnissen bei der Anwendung von Machine Learning führt.

Neben der operativen Zustandsüberwachung und der regelmäßigen und permanenten Erfassung der Maschinendaten, die als Voraussetzung für den Aufbau einer Datenhistorie dienen, sollen in dem Projekt mögliche Schablonenansätze untersucht werden, wie eine vorausschauende Wartung mithilfe von Machine-Learning- Algorithmen auf Basis der erhobenen Sensordaten innerhalb der eingesetzten Cloud- Plattform erfolgen kann.

Hierbei wird nicht nur auf die Sensordaten der Testanlage zurückgegriffen, sondern es kommen weitere externe Sensoren wie Licht-, Sound-oder Vibrationssensoren zum Einsatz. Auch die Einbindung von offenen Daten wie Wetterinformationen spielt eine große Rolle, um mögliche negative Einflussfaktoren zu identifizieren, bevor es zu einer möglichen Ausfallzeit der Maschine kommt.

Aufbau der Anlage ist modular

Die Anlage ist für den Dauerbetrieb ausgelegt und somit in der Lage, permanent Daten zu generieren. Der Aufbau ist gemäß heutigen, modernen Anlagenkonzepten modular, einzelne Stationen sind austauschbar. Technisch können auch autonome Fahrwagen angedockt werden. Die Testanlage ist der Dreh- und Angelpunkt des Projekts. Auf Basis dieser Maschine wird eine Datenhistorie innerhalb der bimanu-Cloud-Plattform geschaffen, die für die weitere Umsetzung elementar ist. Projekt Standort ist das Technologiezentrum der Wichelhaus-Gruppe in Solingen. Zudem ist die Anlage über eine Fernwartung erreich- und bedienbar.

Im Prozessablauf der Anlage können z.B. folgende Simulationen für die Vorbereitung der Machine Learning Modelle realisiert werden:

  • 1.) Druckluftverlust: Simuliert eine Leckage und führt zu einer Serviceanforderung.
  • 2.) Spindeltemperatur: Simuliert einen Lagerschaden und führt zu einer Service - und Materialanforderung.
  • 3.) Stromverbraucherhöhung: Simuliert einen Motorschaden und führt zu einer Service- und Materialanforderung.
  • 4.) Sensorausfall: Simuliert einen Sensordefekt und führt zum Anlagenstillstand und zu einer Service - und Materialanforderung.

Möglichkeiten für die produzierende Unternehmen

Die Projektteilnehmer wollen dazu beitragen, dass produzierende mittelständische Unternehmen mit dieser Digitalisierungslösung Vorreiter sein können, wenn es um die Erweiterung ihrer Geschäftsmodelle geht. Ziel ist es, von den theoretischen Ansätzen hin zu praxisnahen Machine-Learning- und BigData-Projekten zu kommen, um das Wissen transparent im Netzwerk zu verteilen und zum gemeinsamen Austausch anzuregen.

Michael Jungschläger, Geschäftsführer der bimanu Cloud Solutions GmbH: „Dieses Projekt gemeinsam mit unseren Partnern durchzuführen ist für uns etwas ganz Besonderes. Wir sind dankbar, eine solche Möglichkeit zu erhalten. Es zeigt sich immer mehr, wie wichtig es ist in Kooperationen zu denken, um eine gemeinsame Expertise aufbauen zu können. Jeder spricht von Digitalisierung und dass Daten der vierte Produktionsfaktor sind. Das ist alles richtig, aber es fehlt die praktische Umsetzung. Jetzt muss einfach mal gezeigt werden, welche Vorteile die Datenerfassung den Unternehmen bietet und welche Vorteile aus den Daten gezogen werden können. In regelmäßigen Abständen werden die Ergebnisse der Öffentlichkeit zugänglich gemacht, damit alle produzierenden Unternehmen davon profitieren können. Geplant ist auch für Interessierte Vorort-Besichtigungstermine der Anlage anzubieten, auch eigene Testfälle der Unternehmen sind denkbar.“

Die Projektpartner

Fraunhofer IAO im Mittelstand-4.0-Kompetenzzentrum Stuttgart
Das in Stuttgart ansässige Fraunhofer Institut ist der federführende Treiber des Projekts. Die Schwerpunkte des Instituts liegen hauptsächlich in den Ingenieurwissenschaften, sowie in der Informatik. Das Projekt wird vom Forschungsbereich "Digital Business" betreut. Hauptaufgabe des Fraunhofer Instituts wird es sein, bei der Umsetzung der Machine Learning Algorithmen betreuend zur Seite zu stehen.

bimanu Cloud Solutions GmbH
Die bimanu Cloud Solutions GmbH unterstützt kleine und mittelständische Unternehmen beim Auffinden, Heben und Veredeln Ihrer Datenschätze. Für das Projekt kommt die eigenentwickelte Software - bimanu Cloud zum Einsatz, eine automatisierte Integrations- und Analyseplattform zur Harmonisierung von unterschiedlichen Datenbereichen wie z.B. kaufmännischen Unternehmensdaten, technischen Informationen wie der Sensorik oder Offene Daten.

Wichelhaus & Co Maschinenfabrik
Als Engineering- und Konstruktionsspezialist, bietet die Wichelhaus-Gruppe mittelständischen Kunden und Konzernen ihre langjährige Lösungskompetenz, zur Realisierung von komplexen Automatisierungsaufgaben an. Wichelhaus stellt im Rahmen des Projekts die Testanlage für die Erfassung der Maschinendaten im Technologiezentrum der Wichelhaus Gruppe in Solingen zur Verfügung.

Rhein-Nadel-Automation (RNA)
Die Rhein-Nadel-Automation aus Aachen stellt Ihre IoT ConnectBox zur Verfügung. Mit der IoT ConnectBox lassen sich auf einfachste Weise auch ältere nicht-internetfähige Maschinen und Produkte digitalisieren, um ihre Zustandsinformationen in Echtzeit zu erfassen.

(ID:46696793)