Instandhaltung. Jakob Krause, Sebastian Cech. TU Dresden - Fakultät Informatik

Größe: px

Ab Seite anzeigen:

Download "Instandhaltung. Jakob Krause, Sebastian Cech. TU Dresden - Fakultät Informatik"

Elizabeth Frank
vor 8 Jahren
Abrufe

1 Ein Prototyp zur zustandsorientierten Instandhaltung Jakob Krause, Sebastian Cech TU Dresden - Fakultät Informatik

2 Gliederung 1. Motivation 2. Der Prognoseprozess 3. Die Frameworkarchitektur 4. Implementierung des Prototypen 5. Zusammenfassung und Ausblick 2/23

3 Motivation Maschine Beanspruchungen: Biologisch Chemisch Physikalisch Mechanisch Wirkungen: Verschleiß Verformung Ermüdung Korrosion Brüche Verschmutzung usw. Maschinenausfälle 3/23

4 Motivation Folgen von Maschinenausfällen: Stillstandzeiten in der Produktion Überschreitung von Lieferfristen Entstehung von Kosten Konventioneller Lösungsansatz: Präventive Instandhaltung unabhängig vom realen Zustand der Maschinen (periodische Wartung) Probleme: Unnötige Instandsetzung (zu früh) Maschinenausfälle (zu spät) Daraus resultierende Kosten 4/23

Präventive Instandhaltung unabhängig vom realen Zustand der Maschinen (periodische

5 Motivation Lösungsansatz: Zustandsorientierte Instandhaltung Maschinen/Prozess Modellierung und Prognose des Maschinen-Verhaltens Planung von Wartungsarbeiten Prozessdaten Erwartete Ausfallzeit Wartung 5/23

Prognose des Maschinen-Verhaltens Planung von

6 Gliederung 1. Motivation 2. Der Prognoseprozess 3. Die Frameworkarchitektur 4. Implementierung des Prototypen 5. Zusammenfassung und Ausblick 6/23

7 Der Prognoseprozess Prozessdaten Prozessanalyse Ausfallzeitbestimmung Ausfallzeitpunkt Indikatoren Prog. Modelle Statische und dynamische Modellierung Modelle Prognose Modellierung 7/23

8 Der Prognoseprozess 1. Prozessanalyse Analyse des Maschinenprozesses durch Spezialisten Aufdeckung von Zusammenhängen in den Prozessgrößen Identifizierung von Zuverlässigkeits-Indikatoren* Bestimmung von Grenzwerten für Zuverlässigkeits-Indikatoren 2. Statische und dynamische Modellierung Erstellung von statischen Modellen (Zusammenhang zwischen Ein- und Ausgangsgrößen eines Systems) Erstellung von dynamischen Modellen (Verhalten eines Indikators über die Zeit) Validierung der Modelle *Indikatoren: Prozessdaten die den Alterungsprozess (Zuverlässigkeit) von Maschinen widerspiegeln 8/23

Zuverlässigkeits-Indikatoren* Bestimmung von Grenzwerten für Zuverlässigkeits-Indikatoren 2.

9 Der Prognoseprozess 3. Prognose Modellierung Erstellung von Prognosemodellen basierend auf dynamischen Modellen Erstellung der Prognose Validierung der Prognosemodelle 4. Ausfallzeitbestimmung Identifizierung von Zustandswechseln (Bereichen in denen die Prognose festgelegte Zuverlässigkeits- Grenzwerte überschreitet) 9/23

Modellen Erstellung der Prognose Validierung der Prognosemodelle 4.

10 Der Prognoseprozess Probleme: Starke Unterschiede in den Eigenschaften der Prozessdaten Dynamische Änderung der Prozessdaten-Eigenschaften Stetig zunehmende Datenmenge Zusammengefasst: Lösung: Forderung nach flexibler Anpassung des Modellierungsprozesses an die Prozessdaten-Charakteristika Framework für zustandsorientierte Instandhaltung 10/23

Datenmenge Zusammengefasst: Lösung: Forderung nach flexibler Anpassung des

11 Gliederung 1. Motivation 2. Der Prognoseprozess 3. Die Frameworkarchitektur 4. Implementierung des Prototypen 5. Zusammenfassung und Ausblick 11/23

12 Die Frameworkarchitektur Aufbau: Realisierung des Model-Frameworks in Schichten: Statische Modellierung Dynamische Modellierung Prognose Modellierung Konsolidierung Anbindungsmöglichkeit auf jeder Schicht zur Datenakquise (DA) Persistierung relevanter Daten im Analytic Warehouse (operationale Datenbank) Anbindung an ERP Systeme zur bedarfsorientierten Wartung Service Orientierte Architektur (Heterogenität unterschiedlicher Systeme) 12/23

Datenakquise (DA) Persistierung relevanter Daten im Analytic Warehouse (operationale Datenbank) Anbindung an

13 Die Frameworkarchitektur Die Frameworkarchitektur 13/23

14 Gliederung 1. Motivation 2. Der Prognoseprozess 3. Die Frameworkarchitektur 4. Implementierung des Prototypen 5. Zusammenfassung und Ausblick 14/23

15 Implementierung des Prototypen Technische Basis: SPS OPC Server SAP PostgreSQL SIMATIC S7 SIMATIC NET xmii Datenbank Prozessdaten Steuerinformationen Drehmaschine Modellfabrik (Fischertechnik) Benutzeroberfläche Applikations- Server (Tomcat) 15/23

Prozessdaten Steuerinformationen Drehmaschine Modellfabrik

16 Implementierung des Prototypen Modellbildungs- und Prognose- Algorithmen im Modelframework: (Anpassung von Modellen an Zeitreihen ih und deren Prognose) Repräsentation als WebServices mit einheitlicher Schnittstelle Vorteile: Flexible Erweiterung des Frameworks um neue Algorithmen und externe Werkzeuge (z.b.: X12-ARIMA) Verteilte Bearbeitung und Verwaltung des Prognosevorgangs Derzeitiger Vorrat: ARIMA Polynom Prognose Maximum-Likelihood Variate Differenzen Lineare Kalman Prog. Yule-Walker Kalman Filter Methode kl. Quadrate 16/23

neue Algorithmen und externe Werkzeuge (z.b.

17 Implementierung des Prototypen Einbettung des Prototypes in die Frameworkarchitektur 17/23

18 Implementierung des Prototypen Benutzeroberfläche: Modulare Eclipse RCP Anwendung Realisierung von: Mechanismen zum Datenzugriff Mechanismen zur Visualisierung Unterstützende Modellbildungsalgorithmen Zwei Sichten System Integrator Operator 18/23

Datenzugriff Mechanismen zur Visualisierung Unterstützende

19 Implementierung des Prototypen Die Benutzeroberfläche 19/23

20 Gliederung 1. Motivation 2. Der Prognoseprozess 3. Die Frameworkarchitektur 4. Implementierung des Prototypen 5. Zusammenfassung und Ausblick 20/23

21 Zusammenfassung und Ausblick Zustandsorientierte Instandhaltung: Kostengünstigere und effizientere Instandhaltung möglich Unterstützung der allwissenden Fabrik Prototyp: Modellierung von ausgewählten Indikatoren (z.b. Leistungsverbrauch) Prognostizieren des Ausfallzeitpunktes Periodische Modellaktualisierung 21/23

22 Zusammenfassung und Ausblick Ausblick: Flexible Anbindung an ERP-Systeme Technische Anbindung sowie Modellierung weiterer Indikatoren Integration weiterer angepasster Modellierungsalgorithmen g Test der Architektur in realer Produktionsumgebung 22/23

23 ENDE Vielen Dank für Ihre Aufmerksamkeit! Jakob Krause: Sebastian Cech: tu-dresden.dede Das zu Grunde liegende Projekt wird finanziert von SAP Research

Ähnliche Dokumente

Neue Ansätze für Predictive Maintenance

Neue Ansätze für Predictive Maintenance Thomas Wagner Jakob Krause 2009 4 24 1. Einleitung Gliederung 2. Einführung in de die Thematik Kontextsensitive tse st e Prognosen 3. Anwendungsbeispiel Filteranlage