Produktionsanlagen im Wandel intelligente Instandhaltung mit Industrie 4.0

Transkript

1 Produktionsanlagen im Wandel intelligente Instandhaltung mit Industrie 4.0 Markus Wabner, Fraunhofer IWU Martin Riedel, imc Meßsysteme GmbH Steffen Ihlenfeldt, Fraunhofer IWU Marko Friedemann, Fraunhofer IWU Stichworte: Industrie 4.0, Vorausschauende Instandhaltung, Condition Monitoring, Umformen, Cloud Über imain Im EU-Projekt imain, in Langform übersetzt ein neuartiges System zur Entscheidungsunterstützung für intelligente Wartung an Umformpressen, werden unter Beteiligung von Partnern aus Schweden, Slowenien, Spanien sowie Deutschland Konzepte und Algorithmen für die vorausschauende Instandhaltung von Industrieanlagen entwickelt. Zentrales Anliegen ist eine übergreifende Vernetzung von Anlagen und ihren instandhaltungsrelevanten Daten im Sinne der Industrie-4.0- Initiative. Besonderes Augenmerk gilt dabei der Möglichkeit, eine Vielzahl von Auswertealgorithmen nach Bedarf anwenden und daraus neue Informationen gewinnen zu können. Zusätzlich werden technische Konzepte und Lösungen erarbeitet, um die Daten und Informationen auf einer Wissensbasis für vergleichbare Anlagen zusammenzuführen, sie zwischen Betreibern, Technikern sowie Experten auszutauschen und damit neues Instandhaltungswissen zu erarbeiten. Eine solche Datenbasis kann kurzfristig Instandhaltungsmaßnahmen planbarer und wirtschaftlicher gestaltbar machen und wird langfristig zu einer signifikanten Verbesserung bei der Beurteilung der Restlebensdauer von Komponenten und Anlagen führen.

2 Bild 1: Vernetzung von Anlagen zur intelligenten Instandhaltung Von der vernetzen Anlage zur intelligenten Instandhaltung Um in der vorausschauenden Instandhaltung zutreffende und verlässliche Wartungsvorgaben zu erzeugen, werden viele verschiedene Informationen benötigt, die geeignet ausgewertet, abgeglichen und verknüpft werden müssen. Den Herausforderungen, die sich daraus ergeben, kann durch eine durchgängige Vernetzung und Datenintegration der Industriemaschinen hin zu intelligenten Systemen begegnet werden. Konkret wird im Projekt imain mit einer neuen Tiefe bei der eingebetteten Datenerfassung, der Entwicklung spezifischer Analysealgorithmen zur Lebensdauerabschätzung sowie der Entwicklung einer Plattform für Datenaustausch und Entscheidungsunterstützung, der emaintenance-cloud, ein interdisziplinärer Ansatz verfolgt. Damit werden die Grundlagen für eine neue Qualität in der industriellen Instandhaltung und die Möglichkeit zur Etablierung neuer Geschäftsmodelle im Service- und Wissensmanagementbereich geschaffen. Herausforderungen bei der vorausschauenden Instandhaltung Das Ziel der vorausschauenden Instandhaltung ist eine möglichst frühzeitige und dabei zuverlässige Beurteilung des Ausfallzeitpunktes bzw. der Restlebensdauer einer Komponente, Maschine oder Anlage. Auf Basis einer solchen Prognose

3 können Unternehmen genauer planen, wann Systeme gewartet oder Komponenten ausgetauscht werden müssen, und dies auch bestmöglich mit dem Produktionsplan abstimmen. Doch ein derartiger Blick in die Zukunft benötigt eine Unmenge an Informationen über die Schädigungshistorie, den aktuellen Zustand, das zukünftige Produktionsspektrum und den Zusammenhang zwischen Belastung und Schädigung. Insbesondere Letzteres ist eine bis heute kaum gelöste Herausforderung. Abhilfe kann hier nur mit einer statistisch relevanten Informationsbasis geschaffen werden, die Ausfalldaten einer großen Anzahl von Anlagen zusammenführt. Dies gilt insbesondere für den Bereich Umformpressen, bei denen durch entsprechende konstruktive Gestaltung eine sehr geringe Ausfallhäufigkeit erreicht werden muss, da Schäden hohe Kosten verursachen. Diese resultieren nicht nur aus den vergleichsweise sehr teuren und technisch aufwändigen Komponenten, sondern auch aus den Stillstandszeiten in der Produktion, wenn eine Maschine einer Pressenstraße ausfallen sollte. Aus diesen Gründen ist die Realisierung einer vorausschauenden Instandhaltung bei Umformmaschinen von besonders hoher Relevanz. Informationen und Vernetzung als Lösungsgrundlage Die Vernetzung und technische Integration von Anlagen und der sie betreffenden Daten und Informationen im Sinne von Industrie 4.0 stellt einen Lösungsansatz für die genannten Herausforderungen dar. Dabei bestehen die Aufgaben zunächst in der lokalen Aufnahme und Vorverarbeitung von Sensordaten und ihrer Zuordnung zu den betroffenen Komponenten sowie ihrer Bereitstellung in der emaintenance- Cloud. Dort können im Nachhinein spezifische und aufwändige Analysealgorithmen angewendet werden, um aus den Daten die Informationen zur Beurteilung der Restlebensdauer zu generieren. Dabei können unterschiedliche Partner ihre Expertise bereitstellen um aus den neu gewonnenen Informationen wartungsrelevantes Wissen abzuleiten und so Entscheidungen für Wartungsvorgänge zu unterstützen. Durch die Zusammenführung dieser Informationen von vielen Maschinen und Anlagen lässt sich eine vorausschauende Instandhaltung nicht nur technisch, sondern auch ökonomisch sinnvoll umsetzen.

4 Im EU-Projekt imain haben sich acht Partner aus vier europäischen Ländern unter Koordination des Fraunhofer-Institutes für Werkzeugmaschinen und Umformtechnik IWU das Ziel gesetzt, die hierfür notwendigen Konzepte und die informationstechnische Infrastruktur zu entwickeln und die Funktionalität an ausgewählten Use Cases zu demonstrieren. Eingebettetes Datenerfassungssystem Der interdisziplinäre Ansatz beim Streben nach weiterführenden Erkenntnissen zu Materialbelastung und Komponenten-Lebensdauer zeigt sich zunächst in einer breit aufgestellten Strategie bei Instrumentierung und eingebetteter Datenerfassung (ECEM Embedded Condition and Energy Monitoring). In Bezug auf erfasste physikalische Prozesse und Messgrößen, Sensoren und zusätzliche Anlagen- Prozessdaten, mit ihren unterschiedliche Datenraten, Formaten und Schnittstellen, wird ein Multi-Domain Ansatz verfolgt. Der besonderen Herausforderung von Umformmaschinen wird dabei durch das Einbeziehen möglichst vielfältiger Zustandsgrößen begegnet, um Ansätze für statistische Korrelationen und Data- Mining zu gewinnen. Diese neue Tiefe bei der Datenerfassung mit eingebetteten Systemen macht Maschinen und Anlagen transparent für die Instandhaltung. Die Überwachung der Belastungshistorie der Gestell-Konstruktion ist einer der besonderen Schwerpunkte im imain-pilotprojekt. Durch Messung von Kräften und Spannungen mittels Dehnmessstreifen (DMS) lassen sich tatsächliche Belastungszustände ermitteln und auswerten. Das ermöglicht unter anderem eine Langzeitanalyse der Dauerfestigkeit bzw. eine Abschätzung der Restlebensdauer bei einem gegebenen Produktionsspektrum. Über die realen Sensoren hinaus werden mittels eines vorberechneten Simulationsmodells in Echtzeit Daten für virtuelle Sensoren errechnet. Dies kann beispielsweise Aufschluss darüber geben, ob an schwer zugänglichen Positionen der Anlage Überlastsituationen auftreten. Neben der Überwachung der Gestell-Konstruktion wird eine Vielzahl weiterer Größen erfasst. Dazu zählt beispielsweise die Ermittlung der besonders verschleißrelevanten Verkantung des Pressen-Schlittens durch Lagesensoren und zusätzliche Messung der resultierenden Temperaturerhöhung an den durch die Reibung belasteten Führungsschienen. Parallel dazu werden Prozessdaten der Maschinensteuerung (SPS) miterfasst, die unter anderem die ID-Nummer des Werkzeugs zum aktuellen

5 Werkstück liefert. So kann nicht nur der lückenlos erfasste, kumulierte Stress, den die Maschine erfährt, Auskunft über Ermüdung und Ausfallprognosen geben. Zusätzlich kann zum Beispiel auch die Trendentwicklung des charakteristischen Verkantungs-Verhaltens eines gegebenen Werkzeuges als eine Art Fingerabdruck rechtzeitig Hinweise auf verschleißende Lager und zunehmendes Spiel der Führungen geben. Weitere überwachte Größen sind Luftverbrauch und Temperaturen im Pneumatik-System sowie eine Vielzahl von Kennwerten für Schmier- und Hydrauliköl wie Viskosität, Leitfähigkeit, Dielektrizität, Feuchte und Partikelgehalt. Charakteristische Trends, insbesondere auch von Kombinationen dieser Parameter, können dann kritischen Verschleiß von assoziierten Komponenten und Lagern ankündigen. Bild 2: Struktur des eingebetteten Datenerfassungssystems (ECEM) Weiterhin gehören zu dem Datenerfassungssystem Funk-basierte Sensorsysteme, die drahtlos auf schwer zugänglichen Komponenten installiert werden können, um zum Beispiel Temperaturen des bewegten Schlittens zu erfassen. Ausgewählte zentrale Antriebslager und Getriebe werden direkt und individuell mittels Körperschallmessung und neuartigen Analysealgorithmen überwacht, die Riemenspannung des Schwungradantriebs durch berührungslose Laser-Sensoren. Das kompakte und autonome Datenerfassungssystem hat dabei nicht nur die Aufgabe, diese Vielzahl von Sensoraufbereitungen, Signalen und Schnittstellen zu integrieren. Vielmehr müssen die Aufnahmekanäle, die individuell mit ganz unterschiedlichen Abtastraten und Trigger -Logiken gesteuert werden, aneinander angepasst werden, um zeitsynchron und uniform weiterverarbeitet werden zu können.

6 Der komplexen Datenerfassung folgen im Anschluss lokale Vorverarbeitungen, Datenreduktion, Mittelung und statistische Analysen, bevor die Daten letztendlich hochverdichtet durch die internetfähig vernetzten Maschinen-nahen Systeme in die zentrale Datenbank der emaintenance-cloud geladen werden. Informationsbereitstellung und -auswertung in der emaintenance-cloud Als die wesentliche Voraussetzung zur Lösung der Herausforderungen bei der vorausschauenden Instandhaltung von Industriemaschinen wird ein cloud-basierter Ansatz angesehen. In dieser emaintenance-cloud werden die lokal an den einzelnen Anlagen erfassten Daten und Informationen zusammengeführt. Sie ist damit der Dreh- und Angelpunkt des auf Kooperation angelegten Zukunftskonzepts, bei dem eine Vielzahl von ganz unterschiedlichen Partnern Erfahrung aufbauen und Expertenwissen teilen kann. Auf die in der Cloud-Datenbank verfügbaren Daten kann verteilt, gegebenenfalls weltweit, zugegriffen werden, zum Beispiel zur direkten Visualisierung und zwar vorzugsweise mit (Computer-)plattformunabhängigen browserbasierten Diensten.

7 Bild 3: Cloud-Ansatz für die vorausschauende Instandhaltung Die emaintenance-cloud ist darüber hinaus die Plattform für weitere, aufwändigere Analysen, Data-Mining und Post-Processing jeglicher Art sowie für Verfahren, die über standardisierte Algorithmen hinausgehen und nicht bereits direkt am lokalen Erfassungssystem erledigt werden. Diese können hier von den jeweiligen Experten für einzelne Disziplinen, Aggregate oder Methoden eingerichtet, automatisiert oder interaktiv ausgeführt und die Ergebnisse wieder in die Datenbank eingespeist und geteilt werden. Je nach Erfahrungshintergrund, Bedürfnissen und Interessen der Beteiligten können das komplexere Statistiken, Trend-Analysen und Lebensdauer- Schätzungen sein, Verknüpfungen zu Produktionsplanung-Systemen zum Antizipieren kommender Belastungen, oder automatisierte Alarm-Systeme, die bei Überschreitung von kritischen Grenzwerten Benachrichtigungen verschicken oder Serviceaktionen auslösen.

8 Die Unterscheidung zwischen eingebetteten und zentralen Diensten erlaubt eine deutlich wirtschaftlichere Gestaltung der IT-Infrastruktur, gerade bei hochkomplexen vorausschauenden Instandhaltungsaufgaben. Während signifikante Datenreduktionen sinnvollerweise direkt bei der Datenerfassung an der jeweiligen Maschine oder Anlage vorgenommen werden, können die gefilterten, vorverarbeiteten Informationen durch zentral bereitgestellte Dienste zu instandhaltungsrelevantem Wissen verarbeitet werden. Diese zentralen Dienste können dabei in Abhängigkeit von der jeweiligen Unternehmenspolitik sowohl unternehmensintern als auch über Unternehmensgrenzen hinweg bereitgestellt werden. Bild 4: Browser-based Graphic User Interface (GUI) Das imain-projekt päsentiert sich auf der Hannovermesse 2015 auf dem Messestand des Fraunhofer-Verbundes Produktion, Halle/Stand: 17/F14.

9 Autoreninformation: Dipl.-Ing. Markus Wabner Fraunhofer Institut für Werkzeugmaschinen und Umformtechnik IWU Wissenschaftlicher Mitarbeiter Reichenhainer Str. 88, Chemnitz ++49 (0) (0) Dipl.-Ing. Markus Wabner ist seit 2000 am Fraunhofer IWU in Chemnitz beschäftigt, wo er sich mit der industrienahen Forschung und Entwicklung von intelligenten Produktionssystemen befasst. Im seit 2012 laufenden EU-Projekt imain ist er für das technische Management verantwortlich. Dipl.-Ing. Martin Riedel imc Meßsysteme GmbH Elektronik-Entwicklung und technisches Martketing Voltastr. 5, Berlin ++49 (0) (0)

10 Dipl. Ing. Martin Riedel ist seit 1991 bei der imc Meßsysteme GmbH in Berlin beschäftigt und war als langjähriger Analog- und Mixed-Signal Entwickler maßgeblich am Aufbau von imc s breit gefächertem Messverstärker-Portfolio beteiligt. Mittlerweile befasst er sich mit technischem Marketing und Produkt-Konzeption. Dr-Ing. Steffen Ihlenfeldt Fraunhofer Institut für Werkzeugmaschinen und Umformtechnik IWU Abteilungsleiter Werkzeugmaschinen Reichenhainer Str. 88, Chemnitz ++49 (0) (0) steffen.ihlenfeldt@iwu.fraunhofer.de

11 Dipl.-Inf. Marko Friedemann Fraunhofer Institut für Werkzeugmaschinen und Umformtechnik IWU Wissenschaftlicher Mitarbeiter Reichenhainer Str. 88, Chemnitz ++49 (0) (0) Marko Friedemann ist seit 2008 am Fraunhofer IWU in Chemnitz beschäftigt, wo er sich mit Tool- und Plattformentwicklung im Bereich Informations- und Datenmanagement sowie der Anwendung semantischer Technologien im Maschinenbau beschäftigt.

12