Jeder ungeplante Produktionsstillstand auch einzelner Maschinen erzeugt zusätzlichen Aufwand, höhere Kosten und geringeren Output. Eine daten-getriebene, durchgängige und bestmögliche Zustandsüberwachung ist eine wesentliche Grundlage für eine maximales Verfügbarkeit von Maschinen und Anlagen.
Maschinenüberwachung
Ein wesentlicher Use Case ist dabei die kontinuierliche Maschinenüberwachung. Hier gilt es, anhand relevanter Daten wie bspw. Strom, Temperatur oder Vibration, Anomalien im laufenden Betrieb frühzeitig zu erkennen, diese Anomalien idealerweise klassifizieren zu können und vorausschauend mögliche Fehler zu erkennen. Dabei geht es oft um Verschleißerscheinungen, die mittels Machine Learning-basierter Analytics frühzeitig und zuverlässig erkannt werden. Daraus ergibt sich dann die Möglichkeit, rechtzeitig Service & Wartungseinsätze zu planen, für eine maximale Verfügbarkeit zu minimalem Aufwand.
Prozessüberwachung
Ein weiterer wesentlicher Use Case ist die kontinuierliche Prozessüberwachung. Hier geht es darum, Abweichungen von Prozessparametern frühzeitig zu erkennen und bei Bedarf in den Prozess eingreifen zu können. Aufbauend auf der vorhandenen Steuerungslösung und den zumeist bereits verfügbaren Daten, werden mittels einer Modell-basierten Machine Learning-Lösung wiederum Anomalien erkannt und soweit möglich klassifiziert. Wo die Regel-basierte Automatisierung an ihre Grenzen stößt, ermöglicht ML ganz neue Einblicke in bisher unbekannte Prozesszustände. Mit dem Ergebnis, frühzeitiger und gezielter in den Prozess eingreifen zu können.
Auf Basis einer kontinuierlichen Zustandsüberwachung von Maschinen und Anlagen ergeben sich verschiedene Use Cases, die auf das Ziel einer maximalen Anlagenverfügbarkeit einzahlen, was wiederum der Schlüssel zu einer wirtschaftlichen Produktion ist. Grundsätzlich ist der Zustand einer Anlage kontinuierlich bekannt, wodurch sich eine maximale Sicherheit für die Prozessverantwortlichen ergibt. Zudem lassen sich Fehler bzw. Anomalien in den Maschinendaten frühzeitig erkennen, und es können notwendige Maßnahmen eingeleitet werden bevor es zur tatsächlichen Störung oder gar zum Ausfall der Anlage kommt.
Ein Anwendungsbeispiel ist die automatisierte Überwachung von Hochgeschwindigkeits-Förderbändern in der Intralogistik. Eine Aufgabe ist die Überwachung und Vorhersage der Längung der Förderketten-Elemente, in Abhängigkeit von den diversen Einflussfaktoren wie Geschwindigkeit, Last, Laufzeit oder Temperatur. Dabei geht es um die frühzeitige Identifikation von einzelnen geschädigten Kettenbereichen. Übergreifend erfolgt damit auch eine Abbildung bzw. Sicherung des Wissens der Servicetechniker über den Zustand der Anlage, damit auch eine Transformation hin zu einer kontinuierlichen datenbasierten Überwachung der Anlage. Als konkrete Nutzen ergeben sich aus der automatisierten Überwachung eine Reduktion der Service- und Wartungsaufwände, ebenso wie eine höhere Verfügbarkeit und damit Produktivität der Anlage. Mit Blick auf neue Geschäftsmodelle wird bspw. der Verkauf von Verfügbarkeit in Form von neuen oder erweiterten Service Level Agreements (SLAs) ermöglicht. Schließlich führen solche IIoT-Services zu neuen wahrnehmbaren Features für die Endkunden und eine entsprechend höhere Kundenbindung.
Ein anderer Anwendungsfall ist das automatisierte Monitoring von Lüftern einer Galvanik-Fertigungshalle. Bei der Galvanik ist die Entlüftung ein fertigungskritischer Prozess. Es entsteht bspw. Knallgas, das bei kritischer Konzentration eine Explosionsgefahr bedeutet. Säurehaltige Stoffe können zudem zu Korrosion an den Betriebsmitteln führen. Außerdem besteht eine Verantwortung im Bereich Arbeitsschutz und Mitarbeiter-Gesundheit. Die Aufgabe ist eine kontinuierliche Überwachung der Lüfter mittels smarter Sensorik und ML-basierter Datenanalyse. Der zu beschreitende Weg ist von vorbeugender, regelbasierter hin zu zustandsbasierter Instandhaltung. Daraus ergeben sich eine Minimierung von ungeplanten Fertigungsstillständen und eine Reduzierung der Instandhaltungskosten. Als Nutzen aus dieser beispielhaften Ende-zu-Ende Lösung für Brownfield-Applikationen ergibt sich zunächst einmal die kontinuierliche, automatisierte Zustandsüberwachung. Diese ist Grundlage für die Reduzierung bzw. Minimierung von Inspektion, Wartung und Reparatur. Im konkreten Fall konnte von einer monatlichen Inspektion der Lüfter mit Begehung auf dem Galvanik-Dach zu einer halbjährlichen Inspektion gewechselt werden. Ungeplante Stillstände konnten reduziert und die Verfügbarkeit der Anlage darüber erhöht werden. Ein IoT-Anwendungsfall mit konkretem Nutzen.
Auf Grundlage der Prozessdaten und deren Auswertung mittels ML-Technologien ergibt sich in vielen Fällen die Möglichkeit, Rückschlüsse auf die Qualität der gefertigten Produkte zu ziehen. Anhand ausgewählter Prozess-Parameter können ML-basiert Muster erkannt werden, die einem konkreten Prozesszustand zuzuordnen sind. Daraus abgeleitet können bspw. Toleranzbereiche überwacht werden und es wird frühzeitig erkannt, wenn Toleranzen aus dem Maß laufen bzw. laufen werden im Sinne einer Vorhersage.
Intelligente Datenanalyse verhilft Grenzebach zu Qualitätssicherung in Echtzeit und vorausschauender Maschinenwartung für seine innovativen Rührreibschweißsysteme. Damit trägt der Maschinen- und Anlagenbauer dazu bei, die 24/7-Serienfertigung auf ein neues Level zu heben.
Ein sich drehender Reibstift ist das zentrale Werkzeug beim Rührreibschweißen (Friction Stir Welding, FSW), dem innovativen Fügeverfahren, das Grenzebach für Leichtmetalle wie Aluminium und dessen Legierungen entwickelt hat. Durch Reibung und Druck erzeugt der Stift die erforderliche Prozesswärme, um die Metalle plastisch zu verformen und sie durch Rotation entlang der Nahtstelle zu verrühren. Auf diese Weise entsteht – ohne Zugabe von Schweißzusätzen oder Schutzgas – eine robuste Verbindung, die sich durch dauerhafte Stabilität und Verzugsfestigkeit auszeichnet. Voraussetzung für dieses Ergebnis ist, dass sich der Reibstift wie gewünscht verhält. Präzise Zug- und Druckkräfte sind entscheidend für den passenden Verformungsgrad des Metalls. Eine Kontrolle der Qualität erfolgte bislang durch den Maschinenbediener, der nach dem FSW-Prozess die Schweißnaht optisch begutachtete – ein aufwendiges Vorgehen, dessen Erfolg zudem stark vom persönlichen Know-how des Anwenders abhing.
Echtzeit-Monitoring beim Schweißvorgang
Technologieentwickler Dr. Carlos Paiz Gatica erläutert die Funktionsweise der Anomalieerkennung: Der Abgleich von Referenzmodell und aktuellem Prozess erlaubt eine Qualitätseinschätzung in Echtzeit. Als Vorreiter im Bereich Industrie 4.0 macht sich Grenzebach heute intelligente Datenanalyseverfahren zunutze, die präzise Vorhersagen ermöglichen. Hierzu kommt eine maßgeschneiderte Industrial-Analytics-Lösung von Weidmüller zum Einsatz.
Unsere an die Anforderungen von Grenzebach angepasste Analytics-Software vergleicht die an den Sensoren erfassten Kräfte während des Schweißprozesses mit einem idealen Referenzdatensatz. Sobald eine Abweichung vorliegt, die sich außerhalb der definierten Parameter befindet, erhält der Maschinenbediener einen Hinweis und weiß sofort, dass etwas nicht in Ordnung ist. Eine manuelle Kontrolle jeder Schweißnaht entfällt somit
Zur Ermittlung des Referenzmodells hat Weidmüller in Zusammenarbeit mit den Ingenieuren bei Grenzebach die Datensätze von mehreren 100 Schweißnähten auf ihre Relevanz hin beurteilt und anhand intelligenter Datenanalyseverfahren ausgewertet. Einen wesentlichen Bestandteil der Analysen bildete das Know-how von Grenzebach. Die Weidmüller Software kann Fehler zwar mit einer bestimmten Wahrscheinlichkeit vorhersagen – Voraussetzung hierfür ist jedoch stets, dass er zuvor klassifiziert worden ist. Nur Grenzebach kann bewerten, ob eine Anomalie tatsächlich als kritischer Fehler einzustufen ist.
Produktqualität und Verfügbarkeit im Angebot
Neben der Qualitätskontrolle der Schweißnähte erfasst die Analytics-Software auch die Prozessparameter jedes produzierten Teils und ermöglicht damit eine lückenlose Dokumentation – ein entscheidender Vorteil nicht nur unter rechtlichen Aspekten, sondern auch hinsichtlich einer möglichen Rückverfolgung und Reproduktion. Gleichzeitig liefert das System frühzeitig Hinweise dazu, wann ein Auswechseln des Reibstifts ratsam ist. Mit diesem Wissen kann der Maschinenbediener die Instandhaltungsmaßnahme so planen, dass Ausfallzeiten vermieden werden.
„Ein wichtiger Faktor, denn neben der Minimierung des Ausschusses, welcher durch einen Werkzeugbruch entstehen kann, ist gerade im Maschinen- und Anlagenbau die Verfügbarkeit der Maschine von großer Bedeutung“, bekräftigt Kress.
Für sein zukünftiges Geschäftsmodell sieht das Hightech-Unternehmen Grenzebach gleich mehrere Vorteile: „Zum einen können wir unseren Kunden eine sehr genaue und überprüfbare Qualitätskontrolle sowie eine Vorhersage über den Ausfall der Anlage anbieten, durch den sie Ressourcen und Kosten sparen. Zum anderen sind wir in der Lage, datengetriebene Services umzusetzen und damit quasi die Produktqualität oder die Verfügbarkeit der Anlage zu verkaufen“, erklärt Michael Sieren, Leiter Vertrieb FSW von Grenzebach.
Milena Krstic
Application Engineer Automation