Konkrete Schritte Richtung Predictive Maintenance für Maschinenhersteller (inkl. Webcast-Video)
Aufgrund von Covid-19 wurde auf die physische Durchführung der Embedded Computing Conference 2020 verzichtet. Das Referat über Konkrete Schritte Richtung Predictive Maintenance für Maschinenhersteller von Andreas Michel, Leiter flexiot, wurde deshalb virtuell durchgeführt. Dabei geht es um Predictive Maintenance am Praxisbeispiel vom Teilchenbeschleuniger der Ionplus. Es werden konkrete Konzepte und Schritte gezeigt, welche zu Zeiteinsparungen bei der Diagnose von Servicefällen und bei der Inbetriebnahme führen.
Voraussetzungen für Predictive Maintenance
Zuerst muss der Business Case verstanden werden, um herauszufinden, ob das Problem überhaupt mit Daten lösbar ist. Zudem muss eruiert werden, ob die Daten, sowohl physisch aber auch rechtlich verfügbar sind.
Predictive Maintenance ist als Endziel sinnvoll, aber es braucht Vorarbeit, welche jedoch selbst schon einen grossen Mehrwert einbringen kann.
CASE Study: Ionplus
Ionplus stellt kleine Teilchenbeschleuniger her, welche mit der C-14 Methode zur Radiokarbondatierungen genutzt werden. Der Teilchenbeschleuniger wird mit einer Maschinensteuerung über ASP.NET gesteuert und hat ein Web Human Machine Interface zur Überwachung von Sensoren und zur Steuerung der Maschine.
Das Problem
Bei der Inbetriebnahme und beim Support der Geräte müssen Fehler schnell gefunden werden. Im folgenden Beispiel wurde bei der Messung eines Referenzmaterials ein falscher Wert gemessen. Die Ursachenfindung gestaltete sich als aufwendig, da die Maschine ziemlich komplex ist und die Fehlerquellen vielfältig sein können. Zum Beispiel können die falschen Werte durch Verunreinigungen im System, ein Problem mit den Pumpen, ein undichter Dichtungsring, falsche Maschineneinstellungen und vieles mehr verursacht werden. Dies führt dazu, dass die Fehlerdiagnose schwierig ist und kann aufwändige Tests seitens Kunden zur Folge haben.
Die Massnahme
Als Massnahme werden die Betriebsdaten von der Maschienensteuerung in eine Influx Datenbank exportiert. Diese Datenbank eignet sich besonders für die zeitbasierte Datenerfassung, da die Messpunkte alle einen Zeitstempel bekommen. An diese Datenbank wurde dann das Visualisierungstool Grafana angehängt, welches direkt die Daten aus der Influx Datenbank darstellen kann. In einem ersten Schritt braucht es somit keine komplexe Machine Learning-basierte Analysetools, sondern kann vom Menschen visuell analysiert werden. Menschen sind sehr geschickt Anomalien in Daten zu erkennen, wie level shift, trends, spikes und ähnliches.
In unserem Beispiel sieht man in orange die gemessenen Anzahl von C14 Atome. Dieser Wert steigt plötzlich an, siehe roter Kreis. In blau wurde der Druckverlauf dargestellt. Man kann beobachten, dass der Druck abnimmt, kurz bevor die Falschmessungen gemacht werden. Daraus konnte gefolgert werden, dass durch den niedrigeren Druck nicht nur das Atom C14 sondern auch ein Molkül C13 mit Wasserstoff gemessen wurde, was zum erhöhten Messwert führt. Durch weitere Analyse konnte schlussendlich der Fehler auf den zu tiefen Speisedruck nach einer Installation einer neuen Gasversorgung geführt werden.
Schlussfolgerungen
Für Predictive Maintenance kann es schon genügen, die Betriebsdaten sinnvoll aufzuzeichnen und dann darzustellen, da der Mensch extrem gut Anomalien feststellen kann. Bei einer kleiner Anzahl von Maschinen und vielen Spezialfällen bei den Problemen lohnt es sich nicht immer, eine Machine Learning-Pipeline dran zu hängen. Bei grösseren Anzahl von Maschienen und/oder grossen Datenmengen kann hingegen durch Maschine Learning die Analyse automatisiert werden.
Wie man auf folgender Grafik sieht, ist die eigentliche Machine Learning Komponente für die industrielle Anwendung relativ klein. Damit Machine Learning überhaupt zum Tragen kommt, braucht es eine Sammlung von qualitativ guter Daten, saubere Datenaufbereitung, Verifikation, Infrastruktur, usw. Für Predictive Maintenance kann es jedoch schon genügen, diese Rahmenbedingungen zu erfüllen, um erste Trends und Anomalien im System frühzeitig zu entdecken.
Key Takeaways
- Mach die Daten zentral verfügbar und nutze Visualisierungs-Applikationen
- Umsetzungsstrategie: On-Prem zu Cloud
- Starte mit On-Prem bei Data Compliance Hindernissen
- Schritte zu Cloud durch duales Setup: bei Kunden mit Cloud-Akzeptanz → Cloud, sonst On-Prem
- Schritte zu Cloud durch hybrides Setup: Unterscheidung nicht-sensitive Daten (e.g. Betriebsdaten) → Cloud und sensitive Daten (e.g. Produktionsdaten) → On-Prem
- Bereit für weitere Automatisierungen (Patternerkennung und abgeleitete Actions wie Notifications, etc.)
- Einfache Einbindung von ML-Services On-Prem (container-basiert) oder Cloud
- Zahlreiche Trainingsdaten bereits gesammelt
Der Kurzvortrag von Andreas Michel haben wir Ihnen auch als Video aufgezeichnet:
Ist Predictive Maintenance bei Ihnen im Unternehmen ein Thema? Melden Sie sich bei Interesse.
Kommentare