Beruhen Ihre Wartungszyklen auf Erfahrung oder Bauchgefühl?

von | 16.10.2020

Mit Microsoft Azure Time Series Insights aus IoT-Maschinendaten gewinnen

Häufig werden in KMU prozessrelevante Daten und Maschinenparameter erfasst, diese jedoch nur bedingt zur Steuerung der Prozesse oder zur Planung von Instandhaltungsmaßnahmen herangezogen. Meist wird in diesen Betrieben auf eine korrektive, zeit- oder zustandsbasierte Instandhaltungsstrategie gesetzt. Oft handelt es sich bei zustandsbasierten Strategien nicht um ein datengestütztes Modell, sondern um das Ohr des Mitarbeiters, welcher seit 20 Jahren an der gleichen Maschine arbeitet. Dieser stellt fest, „Mensch die Anlage hört sich heute komisch an. So ein Geräusch hatte ich vor vier Jahren schon einmal, da war das Kugellager beschädigt und musste ausgetauscht werden“. Solche Methoden sind von Fachwissen und Erfahrung der Mitarbeiter abhängig, meist ungenau, führen zu hohen Instandhaltungskosten und einer niedrigen Anlagenverfügbarkeit. Daher ist es sinnvoll, wichtige Maschinenparameter digital zu sammeln und auszuwerten, um die Instandhaltungsstrategie auf den aktuellen Stand zu bringen.

Was ist die richtige Instandhaltungsstrategie?

Diese Frage lässt sich pauschal nicht beantworten. Je nach Art, Auslastung, Grad der Digitalisierung etc. muss im Einzelfall entschieden werden, was die geeignetste Strategie für das vorhandene Budget ist.  

Wie beschrieben stehen viele KMU gerade davor, die zustandsbasierte Instandhaltung aufgrund von IoT-Maschinendaten zu implementieren. Dies kann die Instandhaltungskosten bei überschaubarem Investitionsbedarf erheblich senken und die Anlagenverfügbarkeit steigern. Der erste große Schritt hierbei ist es, die relevanten Daten zu sammeln und zu visualisieren.

 

Die Hubster.S GmbH unterstützt Sie auf diesem Weg, von der Datengenerierung, -aggregation und -visualisierung bis hin zur Entwicklung komplexer Modelle zur Prognose von Maschinenzuständen mittels Machine Learning (ML) und Künstlicher Intelligenz (KI).

In obiger Abbildung ist der schematische Datenfluss eines Operational Insight Projektes skizziert. Zu Beginn werden Maschinendaten aus verschiedenen Quellen, wie der Maschinensteuerung, interner Sensorik oder externer Sensorik gesammelt. Diese können anschließend in Echtzeit aggregiert und je nach Wunsch in der Cloud oder lokal weiterverarbeitet werden. Im nächsten Schritt werden die Daten gesichert und in Echtzeit-Dashboards visualisiert. Hierzu eignet sich besonders Microsoft Power Bi sowie Time Series Insights in Microsoft Azure.  

Durch eine grafische Analyse lassen sich Anomalien und Abweichungen schnell und eindeutig erkennen. Weiter können Zusammenhänge bzw. Korrelationen zwischen einzelnen Parametern festgestellt werden. Auf Basis von technischen Spezifikationen oder Erfahrung der Mitarbeiter lassen sich Schwellenwerte definieren, ab welchen automatisch eine Warnung bzw. eine Aktion ausgelöst wird. Nachfolgend wird aufgezeigt, wie Microsoft Azure Time Series Insights genutzt werden kann.

 

Microsoft Azure Time Series Insights

In Azure Time Series Insights lassen sich die einzelnen Sensorwerte in Hierarchien darstellen. Dies führt zu einer übersichtlichen Anordnung, die einen schnellen und eindeutigen Vergleich, von z. B. Sensorwerten aus zwei Standorten, ermöglicht. In obiger Darstellung wird der Durchsatz und Stromverbrauch einer Pumpe analysiert, welche Bestandteil des Kühlsystems einer Anlage am Standort Grafenrheinfeld ist. 

Im nächsten Schritt werden beide Werte in einem Liniendiagramm mit gemeinsamen Achsen visualisiert. Hier fällt auf, dass der Durchsatz der Pumpe über die Zeit erheblich abgenommen hat und der Stromverbrauch relativ konstant ist. Trennt man nun die Y-Achse für Stromverbrauch und Durchsatz wird schnell deutlich, dass beim Stromverbrauch der Pumpe ein starker Anstieg vorliegt, welcher in vorheriger Darstellung nicht erkannt werden konnte. Da der Durchsatz stark zurückgegangen und die der Stromverbrauch der Pumpe stark gestiegen ist, kann vermutet werden, dass dies in einem Zusammenhang steht. Betrachtet man die Ergebnisse nun in einem scatter plot (Streudiagramm) zeigt sich dass eine negative Korrelation vorliegt.  

Anhand dieser Analyse kann das Wartungsteam mit fundierten Informationen zur Pumpe des Kühlsystems geschickt werden. Weiter lassen die Daten erste Rückschlusse auf die Ursache zu, so kann beispielsweise der Stromverbrauch aufgrund eines erhöhten Widerstands durch Verschmutzungen oder eines Lagerschadens erhöht und folglich der Durchsatz reduziert sein. 

Nachdem die Daten visuell analysiert wurden, ist der nächste logische Schritt die Daten mit statistischen Methoden tiefergehend zu untersuchen. Hierzu bietet Power Bi und Microsoft Azure weitreichende Möglichkeiten. In Microsoft Power Bi lassen sich mit dem Python und R Addin Skripte der jeweiligen Programme integrieren. In Microsoft Azure stehen hierzu diverse Plattformen für das Thema KI und ML zur Verfügung. 

In den folgenden Blockbeiträgen gehe ich näher auf die statistische Analyse mittels Python und R in Microsoft Power Bi ein. 

Microsoft Azure und Power Bi bieten noch deutlich mehr Funktionalitäten als Real-Time Dashboards und die Daten in eine Datenbank zu schreiben. Weitere Informationen erwarten Sie in zukünftigen Blogbeiträgen.

 

Bei Fragen und Anregungen stehe ich gerne für einen Austausch bereit.

Linus Trips HUBSTER.S

Peter Schmäling

Peter Schmäling ist Business Consultant bei den HUBSTER.S