Cyber-physische Systeme für die prädiktive Instandhaltung
Erhebung statischer und dynamischer Informationen im Produktionssystem

Patrick Strauß, André Barthelmey und Jochen Deuse

Für ein vollumfängliches und stets aktuelles Abbild wandlungsfähiger Produktionsanlagen sind neben den Sensor- und Prozessdaten Strukturinformationen erforderlich. Daher verbinden die Autoren ein Low Cost-Sensorsystem zur Datenakquise im Produktionsumfeld mit einer Architektur zur automatisierten Erstellung und Pflege technischer Anlagendokumentation. Die Wirksamkeit und Relevanz des Gesamtsystems wird anhand des Anwendungsbeispiels einer elektrischen Hängebahn im Automobilbau gezeigt.

Eines der größten Industrie 4.0-Potenziale zur Produktivitätssteigerung wird der Instandhaltung zugeschrieben. Getrieben durch zunehmende Anlagenkomplexität und -vernetzung werden das Ausfallrisiko und die Ausfallkosten mit drei- bis fünfmal höheren Folgekosten angesetzt [1]. Um die angestrebten Produktionsziele von kundenindividuellen und maßgeschneiderten Qualitätsprodukten mit kurzen Lieferzeiten zu erfüllen, muss die Produktion wandlungsfähig, skalierbar und zudem hoch verfügbar und zuverlässig sein. Um dies zu erreichen, werden Produktionsanlagen mit Sensoren und Aktoren ausgestattet und zu cyber-physischen Produktionssystemen verknüpft [2,3]. 

Die wesentlichen Befähiger sind insbesondere neue kostengünstige Sensoren, Speichermöglichkeiten, eingebettete Systeme, neue Möglichkeiten der Datenanalyse, Big-Data-Technologien sowie IoT-Standards (Internet-of-Things) und Cloud Dienste [4,5,6]. Mit ihnen ist es möglich, Anlagen kostengünstig zu cyber-physischen Systemen aufzuwerten und an eine IoT-Cloud anzubinden. Dort können die Daten mithilfe von Methoden des Predictive Modellings analysiert und Prognosemodelle erstellt werden [7,8]. 

Eine zunehmende Herausforderung bei der Evaluierung und dem Deployment der Data Mining-Modelle ist die Wandlungsfähigkeit der Produktion. Für die Gewährleistung aussagekräftiger Vorhersagen, muss stets ein aktuelles Produktionsanlagen-Abbild vorliegen. Während bisherige Ansätze lediglich Sensor- und Prozessdaten berücksichtigen, will dieser Ansatz Handlungsempfehlungen u. a. zur Integration notwendiger Strukturinformationen der Anlagenkomponenten geben. Ziel ist der Aufbau eines ganzheitlichen, prädiktiven Instandhaltungssystems für wandlungsfähige Produktionsanlagen. 


Aktuelle statische Informationen 

Bei der Übergabe und Inbetriebnahme von Maschinen und Anlagen ist der Hersteller nach der Maschinenrichtlinie verpflichtet, eine vollständige und normgerechte Dokumentation beizufügen. Technische Änderungen – infolge von Produktänderungen oder technischer Innovation – werden jedoch kaum nachgepflegt. Daher wurde die dezentrale Erfassung und Verwaltung statischer Informationen zur aktuellen Konfiguration einer Anlage, mit dem Ziel einer intelligenten Erstellung und Nutzung technischer Dokumentation, innerhalb des Verbundforschungsprojektes Cyber System Connector (CSC) umgesetzt [9]. Der im Projekt entwickelte Connector erweitert jede physische Systemkomponente zu einem cyber-physischen System und ermöglicht den automatisierten Aufbau eines virtuellen Anlagenabbilds. 


Bild 1: Architektur des prädiktiven Instandhaltungssystems

Das virtuelle Abbild der Einzelkomponenten liegt im Datenaustauschformat AutomationML (AML) vor. AML kann sowohl komplexe Strukturen einer Produktionsanlage oder Dokumentationsmodule layoutunabhängig in XML modellieren, als auch externe Daten (bspw. CAD-Modelle) mit der virtuellen Anlagentopologie verknüpfen [10]. Das virtuelle Abbild in AML dient der Erfassung aller Daten des Produktentstehungsprozesses und des redaktionellen Prozesses sowie der dezentralen Speicherung auf der Komponente selbst [11]. Die stete Aktualisierung des virtuellen Abbildes nach technischen Veränderungen wird durch die Kommunikation der hierarchisch angeordneten cyber-physischen Systeme innerhalb einer ereignisgesteuerten Architektur möglich [12]. Durch eine Prozessengine erfolgt die Integration oder Aufspaltung der virtuellen Teilabbilder nach der aktuellen Konfiguration der Anlage dezentral auf den übergeordneten Connectoren. 


Dynamische Informationen

Verschleiß und Ausfälle kündigen sich häufig durch Vorzeichen an, die mithilfe von Sensoren wahrgenommen werden können [13]. Dabei sind insbesondere geringfügige Verhaltensänderungen, wie bpsw. ein Anstieg von Temperaturen oder Stromverbräuchen im Fokus [14]. Um prädiktive Instandhaltung zu ermöglichen, sind diese Daten über den aktuellen Zustand der Maschine und deren Betrieb notwendig. Dafür müssen konventionelle mechanische Komponenten bzw. Maschinen mit entsprechender Sensorik ausgestattet sein. Mithilfe von Big Data und Data Mining-Verfahren können der Verschleißzustand der Maschinen überwacht und Zusammenhänge zwischen Ausfällen und Sensor- und Prozessdaten analysiert werden, um ungeplante Ausfälle zu vermeiden und Instandhaltungsmaßnahmen zu optimieren [1].

Besondere Relevanz besteht für Altanlagen, die nicht auf die Anforderungen wandlungsfähiger Produktion ausgelegt und aufgrund ihres fortgeschrittenen Verschleißzustands und veralteter Technik störanfälliger sind. Die notwendigen Sensoren oder Schnittstellen zum Auslesen dieser stehen hier nicht zur Verfügung. Jedoch sind u. a. im Consumer-Markt heute neue und preisgünstige Technologien entwickelt worden. Beispiele für diese Entwicklung sind Sensoren in MEMS-Technik (Micro-Electro-Mechanical System) sowie kostengünstige eingebettete Systeme, die sich im Consumer-Markt großer Beliebtheit erfreuen und zunehmend auch Anwendung im industriellen Bereich finden [7]. 

Mithilfe dieser Entwicklung ist es nun wirtschaftlich, auch ältere Maschinen kostengünstig nachzurüsten (retrofit). So kann bspw. der Raspberry Pi mit MEMS-Sensoren zur Datenaufnahmen erweitert werden. Diese Daten können vor Ort vorverarbeitet und an eine entsprechende IoT-Plattform über bspw. den Kommunikationsstandard MQTT (Message Queue Telemetry Transport) zur Datenspeicherung und
-auswertung übertragen werden [14].


Konzept für ein ganzheitliches prädiktives Instandhaltungssystem

Zur Implementierung des prädiktiven Instandhaltungssystems werden das Low Cost-Sensorsystem zur Datenakquise im Produktionsumfeld und die Architektur zur automatisierten Erstellung und Pflege technischer Anlagendokumentation innerhalb einer Cloud integriert (Bild 1). Beide Ansätze basieren auf eingebetteten Systemen und sind dezentral auf Low Cost-Mikrokontrollern implementierbar. Hinsichtlich der Performance ist eine vollständige Integration der Echtzeit-Sensordaten in das virtuelle Abbild in AML im Feld nicht erstrebenswert. Stattdessen werden die Sensor- und Prozessdaten in das übergeordnete System über bspw. MQTT (Message Queue Telemetry Transport) oder AMQP kontinuierlich und in fast Echtzeit übertragen. In der Cloud werden die zwei Datentypen sowie Prozessdaten, wie in Abb. 1 zu sehen, zusammengeführt und anwendungsorientiert für den Benutzer kombiniert und verdichtet.


Bild 2: Konzept zur Integration statischer
mit dynamischen Informationen

Im Rahmen dieses prädiktiven Instandhaltung-Konzeptes sind für die statischen Informationen folgende drei Schnittstellen innerhalb der Cloud vorgesehen (Bild 2):

  • Eingangsdaten für das Data Mining
  • Validierung und Visualisierung der Ergebnisse 
  • Detailinformation und Handlungsanweisung des Benutzers 

Da sich Sensordaten je nach Laufzeit, Charge oder Hersteller einer Anlagenkomponente ändern, gilt es diese innerhalb des Prognose- oder Anomaliendetektionsmodells zu berücksichtigen. Da in AML ein reales Abbild der verwendeten Komponenten vorliegt, wird bei einer Änderung am System über AML eine Nachricht via MQTT an die Cloud mit den entsprechenden statischen Informationen gesendet. Durch das Anreichern der dynamischen Informa-
tionen mit den statischen Metainformationen ist es zum einen möglich, präzisere Prognosemodelle zu generieren oder je nach bspw. Lieferant eine automatisierte Auswahl von Anomalienalgorithmen zu wählen. Weiterhin werden die Data Mining-Modelle regelmäßig aktualisiert und je nach Anlagenkonfiguration neu antrainiert. Im Falle der Identifikation einer Anomalie oder eines erkannten Musters wird eine automatisierte Meldung an die Instandhaltung gesendet.

Die Ergebnisse des Prognosemodells sowie Live-Sensordaten werden anschließend visualisiert. Die Sensordaten werden dabei mit weiteren Daten aus der AML wie Laufzeit, verbaute Komponenten o. ä. angereichert. Mithilfe von AML findet darüber hinaus auf Basis der statischen Dokumentationsinhalte eine Validierung der Prognosen statt, da sie bei vollständiger Integration einer Fehlinterpretation der Sensorwerte vorbeugt. So wird bspw. bei einem Werkzeug- oder Komponentenwechsel diese Information im Gesamtsystem berücksichtigt, dem Instandhalter mitgeteilt und dadurch eine fehlerhafte Meldung vermieden.

Neben der Visualisierung wird die Instandhaltung im Falle einer sich anbahnenden Störung benachrichtigt. Neben Fehlerart und Fehlerort wird der Instandhalter in Form von konkreten Handlungsanweisungen und abgeschlossenen Dokumentationsformen, wie z. B. Wartungsanweisungen für die entsprechende Komponente, angeleitet. 


Anwendungsbeispiel: Elektrische Hängebahnim Automobilbau 

Förderanlagen sind ein elementarer Bestandteil in Produktionssystemen, in denen aufgrund von Verkettungen ungeplante Stillstandszeiten besonders kostenintensiv sind. Um eine möglichst hohe Verfügbarkeit zu garantieren, ist eine Überwachung der kritischen Parameter notwendig. Diese sind insbesondere der Verschleiß von Laufrädern sowie Verschiebungen an den Schienenübergängen und Elektromotoren. Mithilfe von bspw. Temperatur-, Beschleunigungs- und Stromsensoren können die Komponenten an den Anlagen überwacht und zu prädiktiver Instandhaltung befähigt werden. 

Da Hängebahnen bereits heute aufgrund von präventiven Maßnahmen einem steten Wandel unterliegen, sind zur Erstellung von validen Prognosemodellen neben den Sensordaten Metainformationen zur Anlagenkonfiguration notwendig. So unterscheidet sich bspw. das Schwingungsmuster eines Laufrades je nach Verschleißfortschritt und Hersteller. Ein weiteres Anwendungsszenario sind die Antriebsmotoren, die je nach Kombination von Motoren-
typen und Verschleißfortschritt Unterschiede im Stromsignal aufweisen. 


Bild 3: Anwendungsbeispiel Elektrohängebahn
(Quelle: press.bmwgroup.com)

Darüber hinaus validieren die statischen Dokumentationsinhalte die Prognosen und geben der Instandhaltung konkrete Handlungsanweisungen. Im Falle des Laufrads wird nach erfolgter Meldung der Austausch des Rads, mithilfe einer Wartungsanleitung aus dem AML auf einer geeigneten Benutzerschnittstelle, bspw. einem mobilen Endgerät, unterstützt. 


Ausblick

Die prädiktive Instandhaltung bildet eines der größten Kosteneinsparungspotenziale im Rahmen der Industrie 4.0. Die Herausforderungen in der Umsetzung sind jedoch hoch, da insbesondere die zunehmende Wandlungsfähigkeit der Produktionsanlagen eine stetige Anpassung der Prognosemodelle erfordert. Das vorgestellte ganzheitliche Konzept adressiert diese Problematik und gibt einen Vorschlag zur automatisierten Umsetzung mit dem Ziel, valide Prognosen zu ermöglichen, tiefgreifendere Informationen zur Verfügung zu stellen und Fehlermeldungen zu vermeiden. Das System bietet außerdem die Möglichkeit, dass Data Mining-Algorithmen oder Schwingungsmuster auf Komponentenebene von den Herstellern innerhalb der AML ausgeliefert, an die IoT-Plattform gesendet und in das Data Mining-Modell integriert werden. Dadurch bleibt das System stets aktuell und kann ohne Anlernphase implementiert werden.

Schlüsselwörter:

Prädiktive Instandhaltung, cyber-physische Systeme, Sensorik, virtuelles Abbild

Literatur:

[1] Acatech (Hrsg.): Smart Maintenance for Smart Factories – Mit intelligenter Instandhaltung die Industrie 4.0 vorantreiben, 2015
[2] Monostori et al.: Cyber-physical systems in manufacturing. CIRP Annals - Manufacturing Technology Volume 65, Issue 2, S. 621–641. 2016
[3] Deuse, J., Weisner, K., Hengstebeck, A., Busch, F.: Gestaltung von Produktionssystemen im Kontext von Industrie 4.0; In Botthof, A., Hartmann, E. eds Zukunft der Arbeit in Industrie 4.0, Springer-Verlag, S. 99-109. 2014
[4] Eickelmann M., Wiegand M., Konrad B., Deuse J.: Die Bedeutung von Data Mining im Kontext von Industrie 4.0. ZWF Jahrg. 110 (2015). 2015
[5] Olaf Sauer: Information techno-
logy for the factory of the future - state of the art and need for action, CIRP Seite 5 von 6 conference DET 2014, Stuttgart, ISBN: 978-3-8396-0697-1, S.34. 2014. 
[6] Kretschmer F., Borisov A., Pöschko R., Chemnitz M., Vick A.: Anwendungsszenarien für cloudbasierte Produktion im Rahmen des Forschungsprojekts pICASSO; In: wt-online 5-2016, Seite 308-313, 2016
[7] Wissenschaftliche Gesellschaft für Produktionstechnik Wgp e.v. (Hrsg.): WGP-Standpunkt Industrie 4.0, 2016
[8] Lüth: Funktionen und Herausforderungen von Cyber-Physical Systems, In: Heinze et al. Industrie 4.0 im internationalen Kontext: Kernkonzepte, Ergebnisse, Trends. Beuth Verlag, 2015.
[9] Barthelmey, A., Lenkenhoff, K., Schallow, J., Lemmerz, K., Deuse, J.,  Kuhlenkötter, B.: Technical documentation as a service – An approach for integrating editorial and engineering processes of machinery and plant engineers. Proceedings of the 6th CIRP conference Changeable, Agile, Reconfigurable and Virtual Production (CARV 2016), S.167–172. 2016
[10] Drath, R.: Datenaustausch in der Anlagenplanung mit AutomationML Integration von CAEX, PLCopen XML und Collada. Springer-Verlag. 2010
[11] Barthelmey A., Lemmerz, K., Lenkenhoff, K., Brambach, T., Nuding, W., Deuse, J., Kuhlenkötter, B. (2015): Technische Dokumentation in AutomationML. Einbindung der technischen Redaktion in den Produktentstehungsprozess von Maschinen und Anlagen. In: wt-online (Ausgabe 11/12-2015), S. 843-848. 2015