Anomalie-Erkennung & Predictive Maintenance
Die Wartung von Maschinen- und Anlagen ist ein wichtiger Faktor, welcher sich auf die Betriebszeit der Anlagen und deren Effizienz auswirkt. Daher müssen Anlagenfehler und Stillstände vermieden oder zumindest verkürzt werden.
Anomalien erkennen
KI/ML ermöglicht die automatisierte Analyse großer Datenmengen, um Anomalien und Muster zu erkennen, welche mit klassischen Methoden nicht sichtbar sind. Egal, ob es sich dabei um unstrukturierte Daten wie Kamerabilder, oder um unstrukturierte Daten z.B. aus SQL-Datenbanken der Produktion handelt.
Dabei lernt das ML-Modell z.B. den „Fußabdruck“ der Maschine (z.B. den Stromverbrauch) im Normalbetrieb. Weicht dieses Verhalten von dem bekannten Verhalten ab wird ein Fehler ausgegeben. Ein weiteres gängiges Beispiel in der Anomalie Erkennung ist die Qualitätssicherung basierend auf Kamerabildern. Dazu wird das ML-Modell mit Bildern von Teilen in guter Qualität und Bildern von Teilen in schlechter Qualität trainiert.
In der Abbildung ist der Stromverbrauch eines Extrudermotors ersichtlich. Die hier aufgetretenen Stromspitzen zeigen die Überlastung des Motors, was die in diesem Beispiel vorzeitigen Motorausfälle erklärt.
Eine weitere Anwendung findet die Anomalie Erkennung bei Cyber-Security-Anwendungen (z.B. Angriffserkennung). Hier erkennt der KI-Algorithmus Auffälligkeiten in den Netzwerkdaten, welche durch nicht erlaubte Netzwerkteilnehmer bzw. Angreifer auftreten.
Abbildung: Analyse Stromverbrauch eines Extrudermotors mit Proficy CSense.
Anomalie-Erkennung: Dynamische Limits
Nach wie vor wird in der Produktion meist ausschließlich auf statische Grenzwerte zurückgegriffen, wodurch hohe Kosten durch Ausschuss, Maschinenausfälle und Energieverschwendung entstehen. Nutzen Sie die umfassenden Standardfunktionen von Proficy CSense, um die Alarmgrenzwerte automatisch einzustellen.
Abbildung: TOC-Überwachung mit dynamischen Limits in Proficy CSense.
Anwendungsbeispiel TOC-Sensor (Pharmaindustrie)
Vor der Projektumsetzung: Feste Grenzwerte für die Alarmierung. TOC-Veränderungen werden zu spät oder gar nicht erkannt, was zum Ausschuss von ganzen Chargen führte.
- Mit Proficy CSense wurden kleinste TOC-Veränderungen erkannt, bevor Probleme in der Produktion entstehen.
- Da der Algorithmus auf Veränderungen im TOC-Wert reagiert, benötigte man für die hunderten TOC-Sensoren im Werk nur eine einmalige Parametrierung, diese wurde von Novotek Austria durchgeführt.
Predicitive Maintenance
Die Wartung von Maschinen- und Anlagen ist ein wichtiger Faktor, welcher sich auf die Betriebszeit der Anlagen und deren Effizienz auswirkt. Daher müssen Anlagenfehler und Stillstände vermieden oder zumindest verkürzt werden.
Die Vielzahl an Sensoren in Maschinen- und Anlagen und die daraus resultierenden großen Datenmengen ermöglichen den Einsatz von datenbasierten Methoden wie dem Maschinellem Lernen. Mit Maschinellem Lernen wird es möglich Maschinen- und Anlagenausfälle mit einer hohen Wahrscheinlichkeit vorherzusagen.
Vorteile vorausschauender Wartung
- Reduktion der Wartungskosten
- Vermeidung von Stillständen für Reparaturen
- Vermeidung von Fehlern
- Längere Lebensdauer der Maschinen
- Reduktion des Ersatzteilbestandes
- Erhöhung der Sicherheit
- Erhöhung des Produktionsoutputs
- Erhöhung des Gewinns
- Verbesserung der Wettbewerbsposition
Die Abbildung zeigt die Auswirkung auf den OEE mit den unterschiedlichen Wartungstypen. Nur mit Vorrauschauender Wartung sind OEE-Werte von >90% realisierbar!!!
Abbildung: Auswirkung der Wartungstypen auf den OEE.
Zu den meistverbreiteten ML Algorithmen für vorrausschauende Wartung zählen Support Vector Machine, Reinforcement Learning und Artificial Neuronal Networks.