Im Voraus wissen wann, welches Gerät ausfallen könnte und automatisch darüber informiert werden. Das sind die Zukunftsvisionen der Instandhalter.

Im Voraus wissen wann, welches Gerät ausfallen könnte und automatisch darüber informiert werden. Das sind die Zukunftsvisionen der Instandhalter. Alswart – Fotolia.com/Pepperl+Fuchs

Für eine vorausschauende Instandhaltung sind eine umfassende Historie der Feldgerätedaten und Informationen zum Kontext der Messstelle nötig. Dazu gehören Daten wie Statusmeldungen, Diagnoseinformationen, Konfiguration und Parametrierung. Für die Umgebungsbedingungen können es Daten zu umgebenden Medien oder zur Temperatur sein. Diese Daten liegen teilweise bereits heute vor, Anwender müssen sie aber manuell auswerten. Ein entsprechendes Szenario sieht so aus: Ein magnetisch-induktiver Durchflussmesser meldet einen Wartungsbedarf nach der Namur-Empfehlung NE107 an das Prozessleitsystem. Nach dem Auslesen der Diagnoseinformationen aus dem Feldgerät wird klar, dass es sich um eine korrodierte Elektrode des Sensors handelt. Der Wartungsauftrag wird daraufhin im ERP angelegt. Hier zeigt sich auch, dass das Problem bei der betreffenden Messstelle bereits häufiger auftrat, denn das verwendete Elektrodenmaterial wird vom Medium angegriffen. Die Lösung: ein anderes Elektrodenmaterial. Damit ist das Problem für die betroffene Messstelle behoben. Es könnte aber noch weitere Messstellen mit der gleichen Kombination Elektrodenmaterial/Medium in der Anlage geben. Mit den bisher vorhandenen Mitteln kann der Anwender diese aber nur manuell suchen und für einen Elektrodentausch einplanen – ein aufwendiger und damit teurer Prozess.

eCl@ss und FDI: Zusammen für die automatisierte Instandhaltung

Das Beispiel zeigt, dass vorausschauende Instandhaltung zwar möglich ist, aber einen hohen Konfigurationsaufwand verursacht. Dabei lassen sich die notwendigen Informationen prinzipiell auch automatisiert abfragen. eCl@ss beispielsweise definiert maschinenlesbaren Gerätebeschreibungen in Form von Merkmalleisten, die ursprünglich für die Automatisierung von Abläufen im Beschaffungsprozess entwickelt wurden. Die Version 9.0 Advanced beschreibt zum Beispiel in der sogenannten Betriebs-Merkmalleiste das Merkmal ‚Medienkennung‘. Darüber ist der automatisiert Zugriff auf die Information zum Medium möglich. In der Geräte-Merkmalleiste steht auch der Werkstoff der Elektrode im Merkmalsblock ‚Mechanische und elektrische Konstruktion‘ zur Verfügung. Auf Basis dieser Informationen lassen sich im Instandhaltungssystem weitere Messstellen automatisiert identifizieren.

Für ein vorausschauendes Condition Monitoring müssen nicht nur Daten über das Gerät selbst, sondern auch über die Umgebung vorhanden sein.

Für ein vorausschauendes Condition Monitoring müssen nicht nur Daten über das Gerät selbst, sondern auch über die Umgebung vorhanden sein. Pepperl+Fuchs

Gleichzeitig bietet das Informationsmodell der Field Device Integration (FDI) Zugriff auf online Zustands- und Diagnoseinformationen der Feldgeräte. Die Zustands- und Diagnoseinformationen sind Bestandteil des FDI Device Packages, das der Hersteller zusammen mit seinem Gerät ausliefert. Das FDI Device Package enthält auch die eventuell notwendige gerätespezifische Logik, um diese Information aus dem Feldgerät automatisch auszulesen. Damit lässt sich ein Condition Monitoring Client so konfigurieren, dass er die betreffenden Messstellen über die Zustandsinformation live aus der Produktion vorausschauend überwacht. Unterstützt durch eCl@ss und FDI ist also der folgende Workflow möglich:

  • Manuelle Identifikation von Wirkzusammenhängen
  • Automatisierte Identifikation weiterer Messstellen
  • Vorausschauendes Condition Monitoring der Messstellen

Das vorausschauende Condition Monitoring kann dabei über FDI auch standortübergreifend erfolgen. Der gesamte Prozess lässt sich aber weiter verbessern.

Maschinelles Lernen ist die Zukunft

Die Verknüpfung der Datenquellen aus Planung, Instandhaltungsmanagement und online Feldgerätedaten erlaubt es in Zukunft, alle anfallenden Daten über den Lebenszyklus von Feldgeräten, Anlagen und Standorten zu speichern. Durch Algorithmen aus dem Umfeld des maschinellen Lernens sowie aus Big-Data-Systemen werden Wirkzusammenhänge aufgrund von Korrelationen der verknüpften Daten teilautomatisch oder möglicherweise auch automatisch erkannt. Das System nutzt standortübergreifend Informationen einzelner Messstellen und versucht dieses Wissen auf alle Messstellen anzuwenden. Es erkennt die weiteren Messstellen, für die diese Wirkzusammenhänge zutreffen könnten, und die demnach überwacht werden müssen. Dazu wird ein Condition Monitoring so konfiguriert, das es standortübergreifend Feldgeräte überwacht. Basis für dieses Condition Monitoring sind dabei die online Feldgeräteinformationen. Ursachen, die in einer Anlage identifiziert wurden, werden dabei automatisch überwacht. Das gesamte System lernt also aus Fehlern und Problemen, die bei einzelnen Messstellen auftreten.

Hannover Messe 2015
Halle 9, Stand D76