nach oben
Meine Merkliste
Ihre Merklisteneinträge speichern
Wenn Sie weitere Inhalte zu Ihrer Merkliste hinzufügen möchten, melden Sie sich bitte an. Wenn Sie noch kein Benutzerkonto haben, registrieren Sie sich bitte im Hanser Kundencenter.

» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.
Ihre Merklisten
Wenn Sie Ihre Merklisten bei Ihrem nächsten Besuch wieder verwenden möchten, melden Sie sich bitte an oder registrieren Sie sich im Hanser Kundencenter.
» Sie haben schon ein Benutzerkonto? Melden Sie sich bitte hier an.
» Noch kein Benutzerkonto? Registrieren Sie sich bitte hier.

« Zurück

Ihre Vorteile im Überblick

  • Ein Login für alle Hanser Fachportale
  • Individuelle Startseite und damit schneller Zugriff auf bevorzugte Inhalte
  • Exklusiver Zugriff auf ausgewählte Inhalte
  • Persönliche Merklisten über alle Hanser Fachportale
  • Zentrale Verwaltung Ihrer persönlichen Daten und Newsletter-Abonnements

Jetzt registrieren
Merken Gemerkt
23.10.2019

Intelligente Zustandsüberwachung des Werkzeugverschleißes – Fallbeispiele aus der Instandhaltung (Teil 3)

Künstliche Intelligenz, Maschinendaten, Algorithmen, Effizienz, Geschäftsmodelle

Die Digitalisierung der Produktion umfasst auch die Aspekte der Wartung und Instandhaltung einzelner Komponenten. Die Fähigkeit, deren Restlebensdauer vorhersagen zu können, reduziert die Gefahr eines unabsehbaren Maschinenausfalls. Dieser Artikel stellt eine Reihenfolge zur schrittweisen Digitalisierung von Instandhaltungsprozessen vor.

Im Rahmen der Digitalisierung der Produktion ist auch die Wartung und Instandhaltung als wichtiger Teil der Wertschöpfungskette zu betrachten. So können durch die Überwachung einzelner Komponenten frühzeitig Anomalien in deren Funktionsweise erkannt werden. In speziellen Fällen kann mithilfe von maschinellem Lernen eine Vorhersage zur Restlebensdauer getroffen werden. Ein Maschinenausfall ist dann im Voraus absehbar und es können frühzeitig geeignete Maßnahmen getroffen werden, wie etwa das Bestellen eines teuren Ersatzteils oder ein Austausch der kritischen Komponente während der nächsten Wartungsschicht. Dieser Artikel stellt eine Reihenfolge zur schrittweisen Digitalisierung von Instandhaltungsprozessen vor. Die praktische Umsetzung einer intelligenten Zustandsüberwachung wird an zwei Fallbeispielen verdeutlicht. Der Artikel ist der dritte Teil der Artikelserie ›Potenziale der Analyse von Maschinendaten‹ des Instituts für Produktionsmanagement an der TU Darmstadt.

Digitales Potenzial der Instandhaltung

Im Zuge der Digitalisierung der Instandhaltung können mehrere Digitalisierungsstufen hinsichtlich ihres Einführungsaufwands und Nutzens unterschieden werden (Bild 1).

Bild 1: Digitales Potenzial der Instandhaltung bezogen auf Aufwand und Nutzen (© PTW)

Im ersten Schritt empfehlen wir, die Digitalisierung der Dokumentation wartungs- und maschinenbezogener Dokumente anzustreben. Dies gilt sowohl für die Abläufe routinemäßiger Instandhaltung durch den Maschinenbediener (etwa im Rahmen von Total Productive Maintenance) als auch im Fall ungeplanter, sehr eiliger Aktivitäten nach Maschinenausfall. In beiden Fällen kann die digitale Bereitstellung von Anweisungen, Ersatzteillisten oder Zeichnungen, beispielsweise auf mobilen Endgeräten, Suchzeiten vermeiden und die Qualität und Nachvollziehbarkeit durchgeführter Aktivitäten verbessern. Bezogen auf den Aufwand ist dies die einfachste Form der Digitalisierung [1].

Der nächste Schritt, den bereits viele Unternehmen im Zusammenhang mit der Einführung des OEE-Ansatzes gegangen sind (OEE steht für Overall Equipment Effectiveness), ist die Erfassung von Produktivzeit oder Stückzahl und Stillstandsgründen. Das digitale Erfassen von Stillstandsgründen erfolgt in vielen Fällen durch den Maschinenbediener, der einzelne Stillstandszeiten den in der Maschinensteuerung hinterlegten Gründen zuordnet. Damit sein eine Auswertung und Priorisierung von Verlusten und das Einleiten von Gegenmaßnahmen möglich. Durch Sensorik und Buskoppler können darüber hinaus Maschinenzustände wie Maschine AN/AUS , Rüsten oder Bearbeitung oder die gefertigte Produktionsmenge automatisch erfasst und weiterverarbeitet werden. Dies lässt sich auch bei älteren Bestandsmaschinen mit niedrigem Aufwand umsetzen. Beispielsweise wurde bei einem Bandsägevollautomat der Energieverbrauch induktiv erfasst, um anhand des aktuellen Energieverbrauchs drei Zustände zu identifizieren: Der Status Kein Verbrauch zeigt an, dass die Maschine ausgeschaltet ist. Ein geringer Verbrauch (beispielweise 900 Watt) beschreibt, dass sich die Maschine im Ruhezustand bei aktivierter Hydraulik befindet. Wohingegen ein Verbrauch jenseits der 2000 Watt zeigt, dass sich die Bandsäge im Bearbeitungsprozess befindet. Diese Informationen werden anschließend zur Ermittlung der OEE verwendet [1]. Mit Blick auf die präventive Instandhaltung können digital erfasste Zeiten und Mengen für den automatischen Anstoß von zeit- oder mengenabhängigen Instandhaltungsaktivitäten genutzt werden.

In Stufe drei werden Signale an kritischen Punkten in der Maschine erfasst, um mithilfe einer Grenzwertbetrachtung den Zustand einzelner Komponenten zu überwachen. Für die erfassten Signale werden Normalwerte bestimmt, die meist auf den Erfahrungswerten eines ungestörten Betriebs resultieren. Anschließend wird ein Toleranzband (etwa ±20 Prozent) definiert, in dem sich das Signal bewegen darf, ohne dass ein Alarm ausgelöst wird. Verlässt das Signal dieses Band, stoppt die Maschine automatisch und/oder das Bedienpersonal wird informiert. Eine typische Anwendung ist hier die Überwachung des Spindelstroms für geeignete Werkzeuge. Neben der Auswahl der »richtigen« Signale liegt die Herausforderung hierbei vor allem darin, »saubere« Daten zu erhalten; das heißt, ein Datensatz ist zur Weiterverarbeitung bereits gefiltert oder umgewandelt [1].

Im Beispiel der Säge ist es von Interesse zu erkennen, ob das Sägeband zu stark verschlissen ist. Da eine Korrelation zwischen Energieverbrauch und Verschleiß des Sägebands naheliegend ist, wird der Energieverbrauch des Vorschubmotors erfasst. Hierfür sind lediglich diejenigen Sensorsignale relevant, die während des Werkzeugeingriffs aufgezeichnet werden. Die Signale, die während des Zurückfahrens des Sägeblatts für den nächsten Schnitt aufgezeichnet werden, brauchen nicht gespeichert zu werden. Ein Problem besteht bei diesem Vorgehen auch in der Verknüpfung der Daten mit Ereignissen. Zwar weist ein erhöhter Energieverbrauch auf eine Abnormalität hin. Die Ursache kann aber neben einem verschlissenen Sägeband ebenso ein defektes Lager oder ein Defekt im Elektromotor selber sein. In diesem Fall sind also zusätzliche Sensorsignale notwendig, um mögliche Ursachen eingrenzen zu können [1].

Intelligente Zustandserkennung

Im Rahmen der zustandsabhängigen Instandhaltung bildet die präventive Instandhaltung die nächste Stufe der Digitalisierung durch eine intelligente Zustandserkennung. Hierbei wird eine Zustandsprognose getroffen, die in Form der sogenannten Restlebensdauer (englisch: Rest of useful life – RUL) einen Indikator für die verbleibende Nutzungszeit bis zum Komponenten- oder Maschinenausfall bereitstellt [2]. Anhand der Kenntnisse über den Abnutzungszustand einer Maschinenkomponente und ihren bisherigen Abnutzungsverlauf kann so rechtzeitig auf einen absehbaren Ausfall reagiert werden. Die Grundlage für die Prognose sind historische Daten von Schadensverläufen, welche eine Verknüpfung aus Daten zum Zustand einer Maschinenkomponente und Prozessdaten (etwa Sensorsignale aus der Anlage) darstellen [3]. Mithilfe dieser Zuordnung von Daten kann ein statistischer Zusammenhang zwischen Sensordaten und Abnutzungsgrad herstellt werden. Dies erfolgt beispielsweise mithilfe eines neuronalen Netzes [4]. Aktuelle Messdaten können anschließend mit dem angelernten Modell verglichen werden und das Modell gibt eine Einschätzung über den physikalischen Zustand aus. Zusätzlich prognostiziert das Modell, wann es zu einem kritischen Ausfall des Systems kommt, indem es auf Erfahrungswerte aus den historischen Datenreihen zurückgreift. Die so ermittelte RUL kann zur Planung und Durchführung der Instandhaltungstätigkeiten genutzt werden, sodass die Stillstandzeiten minimiert werden [5, Seite 29].

Fallbeispiele zur Umsetzung der intelligenten Zustandserkennung

Anhand zweier Fallbeispiele wird nun vorgestellt, wie eine präventive Instandhaltung auf der Basis einer intelligenten Zustandserkennung umgesetzt werden kann.

Erstes Fallbeispiel: Bandsäge

Das erste Beispiel beschreibt die präventive Instandhaltung des Sägebands an einer Bandsäge. Es wird dazu ein Retrofit-Ansatz genutzt, bei dem eine ältere Maschine mit kostengünstiger externer Sensorik ausgerüstet wurde. Die Bandsäge wird mit Sensoren zur Erfassung unterschiedlicher Temperaturen, Energieverbräuchen und Vibrationen ausgerüstet. Diese Sensoren sind an ein Prozessleitsystem gekoppelt. Hier werden sie über den Kommunikationsstandard OPC-UA für das Netzwerk freigegeben. Zur Verarbeitung der Daten ist lediglich ein PC im Netzwerk erforderlich, auf dem die Simulationssoftware ›Matlab‹ läuft. Matlab ist für diesen Fall geeignet, da es eine Reihe von vorgefertigten Bibliotheken bietet, um einfache Prognosemodelle zu erstellen.

Um die Anlernphase des Modells zu verkürzen, wird ein Klassifikationsansatz gewählt. Das bedeutet, es werden zum Training des Systems nur zwei Zustände – nämlich Sägeband ist neu und Sägeband ist verschlissen – verwendet. Daraufhin werden aus den Sensordaten Datensätze mit neuen und verschlissenen Sägebändern erzeugt, um mithilfe beider Datensätze das System zu trainieren. Anschließend ist das trainierte System einerseits dazu in der Lage, aus den Sensordaten des laufenden Betriebs ein verschlissenes Sägeband zu erkennen. Es kann darüber hinaus einen Schadensverlauf, der zwischen den beiden Zuständen liegt, approximieren. Damit wird mit guter Genauigkeit eine Vorhersage des Verschleißverlaufs möglich. Im vorliegenden Beispiel kann das vollständige Versagen (Bruch des Sägebands) 50 Schnitte im Voraus vorhergesagt werden.

Die Einteilung der Daten in zwei Zustände erleichtert die Trainingsphase für das Modell, da keine Daten über komplette Lebenszyklen von Bauteilen erfasst werden müssen. Dies ist besonders praxisrelevant, da im Allgemeinen an der Maschine eine Unterscheidung i.O./n.i.O. leicht möglich ist, jedoch häufig keine metrischen Daten aus Messwerten vorliegen. Voraussetzung hierfür ist jedoch, dass die Sensorwerte im Schadensfall deutlich andere Werte liefern als im Normalfall. Ansonsten kommt es zu Ungenauigkeiten in der Vorhersage [5].

Zweites Fallbeispiel: Fräswerkzeuge

Das zweite Fallbeispiel befasst sich mit der Verschleißvorhersage von Fräswerkzeugen. Bei der konventionellen Verschleißüberwachung solcher Werkzeuge ergibt sich in der Praxis das Problem, dass das Werkzeug optisch vermessen werden muss. Hierfür muss das Werkzeug entnommen und jede einzelne Schneide vermessen werden. Dies ist während des laufenden Produktionsbetriebs nur schwer umsetzbar. Wünschenswert ist es daher, anhand eines Prognosemodells, das sich auf leichter verfügbare Daten stützt, den Verschleißzustand zu bestimmen.

Am Beispiel eines 5-Achs-Bearbeitungszentrums und einem Messerkopf mit zehn Schneiden wurde die Frage betrachtet, ob mithilfe der steuerungsseitig vorhandenen Datenquellen eine Aussage über den aktuellen Zustand der Werkzeugschneiden getroffen werden kann. Die eingesetzte Siemens-S7-Steuerung bietet keine Funktionalitäten für die Datenextraktion oder die Analyse großer Datenmengen an. Um Nachrüstungsaufwand zu vermeiden, kann jedoch die interne Wartungsfunktion zur Aufzeichnung der Versuchszyklen verwendet werden. Die Vorteile dieser Funktion sind die hohen Abtastraten von 2 ms und die Möglichkeit, Trigger zum Start und Ende der Aufzeichnung im G-Code zu setzen. Nachteile sind die niedrige Priorisierung der Aufzeichnung und die langen Speicherzeiten, die sich aus der niedrigen Rechenleistung der Steuerung ergeben. Damit ist eine dauerhafte Aufzeichnung im industriellen Betrieb nicht realisierbar, da eine Aufzeichnung nach Erreichen der Speicherkapazität abbricht und ein manuelles Übertragen der Daten notwendig ist. Trotzdem können die aus diesen Daten gewonnen Erkenntnisse im Falle stabiler Prozesse und hoher Stückzahlen auf den künftigen Prozessverlauf übertragbar sein.

Aus der Vielzahl der verfügbaren Prognoseinstrumente wurden unter anderem Entscheidungsbäume angewendet, da sie in allen Versuchen bei der verfügbaren begrenzten Datenbasis die beste Vorhersagegenauigkeit erreicht haben. So konnte unter Verwendung weniger Daten (hier Spindelströme und Prozessinformationen: vc, fZ, Werkzeug, Schneide, Zerspanvolumen, Werkstück) ein RMSE (Wurzel der mittleren Fehlerquadratsumme) von 2,5 erreicht werden. Der Werkzeugverschleißverlauf ist damit gut abgedeckt.

Die Umsetzung erfolgte mithilfe der frei verfügbaren Software ›Python‹, in der bereits die notwendigen Instrumente implementiert sind. Trotz der Potenziale und neuer Einsichten bleibt zu betonen, dass ein tiefgreifendes Verständnis des Bearbeitungsprozesses und die Mitarbeit von Prozessexperten für die Auswahl der richtigen Datenquellen [6] und die von Datenexperten für die Auswahl der richtigen Lernverfahren [7] unerlässlich sind.

Die unterschiedlichen Ansätze in den Fallbeispielen sind in Bild 2 visualisiert.

Bild 2: Gegenüberstellung der Fallbeispiele, eigene Darstellung nach [8] (© PTW)

Zusammenfassung und Hinweise zur Umsetzung

Die vorgestellten Beispiele zeigen das große Potenzial intelligenter Zustandsüberwachung in der Instandhaltung und im Werkzeugmanagement. Die Autoren empfehlen jedoch, zunächst die Möglichkeiten der klassischen Ansätze aus der Instandhaltung (beispielsweise TPM) oder der Stabilisierung von Fertigungsprozessen auszuschöpfen. Wo diese nicht mehr ausreichen, sollte der nächste Schritt in Richtung Digitalisierung und künstlicher Intelligenz zielgerichtet erfolgen. Um einen priorisierten Einsatz knapper Ressourcen zu gewährleisten, empfiehlt sich zuvor die Durchführung einer Wertstromanalyse 4.0 zur Identifikation der wichtigsten Probleme [10].

Die Erfahrung aus den dargestellten Beispielen zeigt auch, dass die Hardwarekosten (insbesondere der Nachrüstung) nur einen Bruchteil der gesamten Projektkosten ausmachen. Software und ihre Konfiguration sowie die Mitarbeiterzeit (ob von intern oder extern) machen den größten Kostenblock aus. Klar sollte auch sein, dass ein disziplinübergreifender Ansatz notwendig ist, der das Wissen von Maschinenbedienern und Instandhaltern mit den Kompetenzen aus IT und Datenanalyse verbindet. Oftmals fehlt es Unternehmen jedoch an hierfür notwendigen Kompetenzen. Um diese Kompetenzen in einem ersten Schritt aufzubauen, bieten unter anderem die Mittelstand-4.0-Kompetenzzentren des BMWi zahlreiche kostenfreie Möglichkeiten des Einstiegs und der Orientierung. Eines dieser Zentren ist am PTW angesiedelt [9].

Literatur

  • [1] PTW. Mittelstand 4.0 Kompetenzzentrum [online]. Smart Maintenance Workshop, 2018. Verfügbar unter: www.mit40.de
  • [2] A. Busse, J. Metternich und E. Abele. Evaluating the Benefits of Predictive Maintenance in Production: A Holistic Approach for Cost-Benefit-Analysis. In: R. Schmitt und G. Schuh, Hg. Advances in Production Research. Cham: Springer International Publishing, 2019, S. 690-704. ISBN 978-3-030-03450-4.
  • [3] A.K.S. Jardine, D. Lin und D. Banjevic. A review on machinery diagnostics and prognostics implementing condition-based maintenance [online]. Mechanical Systems and Signal Processing, 2006, 20(7), 1483-1510. ISSN 08883270. Verfügbar unter: doi:10.1016/j.ymssp.2005.09.012
  • [4] J.Z. Sikorska, M. Hodkiewicz und L. Ma. Prognostic modelling options for remaining useful life estimation by industry [online]. Mechanical Systems and Signal Processing, 2011, 25(5), 1803-1836. ISSN 08883270. Verfügbar unter: doi:10.1016/j.ymssp.2010.11.018
  • [5] A. Busse, J. Lauer und J. Metternich. Nutzenorientierter Einsatz digitaler Systeme zur Prozessüberwachung. Implementierungsansatz zur Umsetzung "digitaler Services" in der Instandhaltung mit Hilfe maschinellen Lernens. PRODUCTIVITY Management, 2018, 23(1), 28-31.
  • [6] P. Stanula, A. Ziegenbein und J. Metternich. Machine learning algorithms in production: A guideline for efficient data source selection [online]. Procedia CIRP, 2018, 78, 261-266. ISSN 22128271. Verfügbar unter: doi:10.1016/j.procir.2018.08.177
  • [7] A. Ziegenbein, A., P. Stanula, J. Metternich und E. Abele. Machine Learning Algorithms in Machining: A Guideline for Efficient Algorithm Selection. In: R. Schmitt und G. Schuh, Hg. Advances in Production Research. Cham: Springer International Publishing, 2019, S. 288-299. ISBN 978-3-030-03450-4.
  • [8] J. Metternich, M. Weigold, P. Stanula und A. Ziegenbein. Vernetzung und Digitalisierung für die innovative Datenanalyse (Teil 1). WB Werkstatt + Betrieb, 2019(09), 169-171.
  • [9] PTW. Mittelstand 4.0 Kompetenzzentrum [online]. Verfügbar unter: www.mit40.de
  • [10] VDMA. Leitfaden Industrie 4.0 trifft Lean: VDMA, 2018. ISBN 978-3-8163-0721-1.

Die Autoren dieses Beitrags

Prof. Dr.-Ing. Matthias Weigold leitet seit 2019 gemeinsam mit Prof. Abele und Prof. Metternich das Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen (PTW) der TU Darmstadt. m.weigold@ptw.tu-darmstadt.de

Prof. Dr.-Ing. Joachim Metternich ist Institutsleiter des PTW Darmstadt. j.metternich@ptw.tu-darmstadt.de

Sebastian Bardy, M.Sc., ist wissenschaftlicher Mitarbeiter am PTW Darmstadt. s.bardy@ptw.tu-darmstadt.de

Amina Ziegenbein, M.Sc., ist wissenschaftliche Mitarbeiterin am PTW Darmstadt. a.ziegenbein@ptw.tu-darmstadt.de

Patrick Stanula, M.Sc. (MiP)

Ein weiterer Artikel folgt, Artikel 1 und 2 sind bereits erschienen.

In dieser Artikelserie wird anhand von Beispielen aus Forschung und Praxis das erfolgreiche Vorgehen bei der Implementierung von KI in der Produktion aufgezeigt.

  • Im 1. Teil wurden Anwendungsfelder der KI in der Produktion und ihr Beitrag zur Effizienzsteigerung aufgezeigt.
  • Im 2. Teil wurde aufgezeigt, wie sich die Herausforderungen bei Datenerfassung und Datentransport in bestehenden Produktionsumgebungen meistern lassen.
  • Im 4. Teil wird ein Anwendungsfall zur ganzheitlichen Fabriksteuerung mittels innovativer Datenanalyse am Beispiel der ETA-Fabrik der TU Darmstadt vorgestellt (Greenfield-Ansatz).

Unternehmensinformation

TU Darmstadt (PTW) Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen

Otto-Berndt-Str. 2
DE 64287 Darmstadt

Basics