Wenn der Techniker weiß, bei welchen Einheiten eines Maschinenparks die Gefahr einer Funktionsstörung besteht, kann eine Wartung gezielt erfolgen. So lassen sich Aufwand und Kosten für die Wartung von Maschinen, die vollkommen in Ordnung sind, einsparen. Ebenso wichtig ist, dass eine Maschine, die ausgefallen wäre, weil die Wartung nach einem starren Zeitplan zu spät erfolgt wäre, in Betrieb bleiben kann, wenn die Maschine rechtzeitig Warnsignale sendet, die zu unmittelbaren Wartungsmaßnahmen führen.

Vorteile von Predictive Maintenance

Bild 1: Prädiktive Wartung erlaubt einen gezielten Einsatz der Wartungsmaßnahmen bei Maschinen.

Bild 1: Prädiktive Wartung erlaubt einen gezielten Einsatz der Wartungsmaßnahmen bei Maschinen. Siemens

Zu den größten Vorteilen von Predictve Maintenance zählen niedrigere Wartungskosten bei höherer Verfügbarkeit sowie eine geringere Ausfallrate. Um das zu erreichen, brauchen die Unternehmen eine neue Art von Information über die Maschinen, insbesondere Informationen, welche die künstliche Intelligenz (KI) liefert. Die prädiktive Wartung ist eine geeignete Anwendung für die KI, denn sie erfordert die Auswertung komplexer Muster aus Millionen von Datenpunkten, die über die Zeit anfallen.

Eckdaten

Predictive Maintenance kann die oftmals unzureichende Effizienz der Wartung von Maschinen nach starren Zeitplänen größtenteils vermeiden, da die Maschinen mithilfe von KI Anomalien frühzeitig erkennen können und den Technikern anschließend melden, dass ein schnelles Eingreifen erforderlich ist. So lassen sich Ausfallzeiten auch um ein Vielfaches reduzieren. Mit dem beaufsichtigten Lernen und dem unbeaufsichtigten Lernen bieten sich jedoch zwei konkurrierende Ansätze zur Maschinenanalyse, die je nach Anwendung ihre Vorteile haben und vom Ziel der Wartung abhängen.

Heute liefern Sensoren wie Beschleunigungsmesser, Thermoelemente, Mikrofone und Barometer detaillierte und präzise Messwerte zum Betrieb einer Maschine im Hinblick auf Vibrationen, Temperatur, Geräusche und Druck. Richtig ausgewertet lassen sich diese Daten dazu nutzen, den Zustand einer Maschine zu bestimmen und sogar den genauen Ort, die Ursache und die Wahrscheinlichkeit eines künftigen Ausfalls vorherzusagen.

Falls sich diese Interpretation richtig durchführen lässt, sind alle Voraussetzungen dafür gegeben, dass sich die Predictive Maintenance möglicherweise zur besten Anwendung für die KI in der Industrie entwickelt. Und während sich viele Implementierungen der KI noch in einem sehr frühen Stadium befinden, steht heute bereits eine Auswahl von Komponenten und Software zur Verfügung, um Maschinen mit der Fähigkeit zur Predictive Maintenance auszurüsten.

Anwendungsmodell begünstigt Portabilität

Einige Anwendungen der KI erfordern Rechenleistungen, wie sie etwa Cloud-Dienste wie Microsoft Azure Machine Learning oder IBM Watson Studio anbieten. Das typische Anwendungsmodell der Predictive Maintenance in kleinen oder mittleren Industriebetrieben verlangt eher nach portablen Sensorausstattungen. Die Daten der Maschinen sind häufig periodisch statt kontinuierlich zu erfassen und neue intelligente Datenlogger sind momentan noch relativ teure Geräte. Es ist möglich einen portablen Datenlogger vorübergehend an der Maschine anzubringen, eine Zeit lang die Daten zu erfassen und ihn anschließend an einer anderen Maschine im selben Werk zu verwenden. Auf diese Weise kann ein einziger Datenlogger mehrere Maschinen abdecken.

Wenn die Predictive Maintenance bei einem Consumer-Gerät, zum Beispiel einer Waschmaschine, zum Einsatz kommt, kann es sein, dass das Gerät keine Verbindung zum Internet hat. In diesem Fall muss das Predictive-Maintenance-System im Standalone-Betrieb arbeiten und über die Bedienerschnittstelle oder das Bedienfeld einen Fehlercode anzeigen, wenn es ein potenzielles Problem erkennt. In einer Industrieumgebung können Überlegungen zur Sicherheit und zum Datenschutz die Betreiber davon abhalten, Protokolle der Maschinendaten über das Internet zu streamen.

In diesen Anwendungsfällen ist die Analyse zur Predictive Maintenance – in der Terminologie der KI die Inferenzmaschine, auf der ein trainierter Algorithmus zum Maschinenlernen läuft – periodisch und lokal an der Edge und nicht in der Cloud durchzuführen.

Unterdessen beginnen die Hersteller von Mikrocontrollern, Prozessoren und FPGA damit, die Fähigkeiten ihrer Komponenten vorzuführen, indem sie Frameworks und fertige Systementwicklungen zur Predictive Maintenance an der Edge bereitstellen.

Konkurrierende Ansätze zur Maschinenanalyse

Bild 2: Der Crossover-Prozessor i.MX RT1060 ist für den Einsatz in intelligenten Haushaltsgeräten, Industriemaschinen und Smart-Home-Geräten vorgesehen

Bild 2: Der Crossover-Prozessor i.MX RT1060 ist für den Einsatz in intelligenten Haushaltsgeräten, Industriemaschinen und Smart-Home-Geräten vorgesehen NXP

Entwicklungsingenieure fragen sich naturgemäß, ob die Hardwareplattform, mit der sie bereits vertraut sind – gewöhnlich eine MCU, ein Prozessor oder ein FPGA – die Anforderungen an die Rechenleistung für Predictive Maintenance erfüllen kann. Überraschenderweise ist die Antwort, dass selbst eine preisgünstige 32-Bit-MCU, die auf einem mittleren ARM Cortex-M4-Kern aufbaut, einige Anwendungen der KI unterstützen kann.

Die Auswahl der Hardwareplattform hängt jedoch letztlich vom Ziel der Predictive Maintenance ab. Welche Erkenntnisse muss das System zur Predictive Maintenance liefern und welche Ressourcen stehen zur Verfügung, um das System zu trainieren?

Die Erstellung von KI-Systemen erfolgt mit einem Prozess des beaufsichtigten oder unbeaufsichtigten Lernens anhand eines Trainingsdatensatzes. Beim beaufsichtigten Lernen wird der Datensatz – etwa der Strom von Vibrationen, Quietschen und Geräusche, die ein Industriemotor abgibt – kuratiert und gelabelt. Diese Label sagen dem Algorithmus, was er erkennen muss.

Beim unbeaufsichtigten Lernen erhält das System zum Maschinenlernen eine Menge nicht kuratierter Daten, sucht nach Mustern in den Daten und liefert Einblicke auf der Grundlage seiner Erkennung der Muster beziehungsweise der Abweichungen von diesen Mustern.

Der vom beaufsichtigten Lernen aus zeitlich aufeinanderfolgenden Daten wie Protokollen von Vibration und Schall erzeugte Algorithmus ist kompakter und einfacher als beim unbeaufsichtigten Lernen und die von den Halbleiterherstellern gelieferte Hardware und Software gehen in der Mehrheit davon aus, dass Anwender das beaufsichtigte Lernen einsetzen.

Erkennung von Anomalien

Die Erkennung von Anomalien, eine Technik, die auf dem beaufsichtigten Lernen aufbaut, hat sich als gut geeignetes Modell für die Entdeckung potenzieller Störungen in Maschinen, zum Beispiel in Industriemotoren und Haushaltsgeräten, erwiesen.

Diese Erkennung von Anomalien verlangt nach sorgfältig kuratierten Daten. Dafür sind Sensormessungen an einer Maschine im Normalbetrieb durchzuführen und das Modell so zu konfigurieren, dass es Merkmale wie Spitze-Spitze-Werte oder gewogene Mittelwerte erkennt. Das Modell lässt sich dann darauf trainieren, Abweichungen zu erkennen, also Werte, die jenseits einer vom Anwender definierten Schwelle liegen.

Diese Art der prädiktiven Wartung kommt bevorzugt zum Einsatz, da der erzeugte Algorithmus auf einer einfachen Hardwareplattform wie einer MCU laufen kann. Sie erkennt effektiv potenzielle Störungen; der Nachteil ist jedoch, dass sie nur begrenzte Einblicke zur Art oder Ursache der Störungen liefert. Sie weist einfach nur auf ein Problem hin.

Den einfachsten Algorithmus implementieren

Bild 3: Der NXP-Algorithmus für eine Support Vector Machine erkennt Abweichungen von den normalen Vibrationsmustern einer Maschine.

Bild 3: Der NXP-Algorithmus für eine Support Vector Machine erkennt Abweichungen von den normalen Vibrationsmustern einer Maschine. NXP

Halbleiterhersteller unternehmen beträchtliche Anstrengungen, um die Nutzer bei der Implementierung von Software zur Erkennung von Anomalien zu unterstützen. Eine Art der Implementierung ist der Einsatz einer fertigen Referenzentwicklung. NXP präsentiert beispielsweise Ende 2019 eine MCU-Lösung zur Erkennung von Anomalien, wobei ein auf einem Crossover-Prozessor i.MX RT1060 aufbauendes Referenzentwicklungsboard einen Beschleunigungsmesser FXOS8300CQ und einen Differenzdrucksensor NPS3000VV enthält. Darin implementiert ist ein als Support Vector Machine bezeichneter Algorithmus zur Erkennung von Anomalien (Bilder 2 und 3).

Es ist ein Grundprinzip der Entwicklung von Embedded-Systemen für Anwendungen des Maschinenlernens, dass die Entwickler den am wenigsten komplexen Algorithmus für die gewünschte Genauigkeit auswählen sollten. Auf dieser Grundlage lohnt sich eine Evaluierung der MEMS-Bewegungssensoren von STMicroelectronics, die ihren eigenen Machine Learning Core (MLC) enthalten. Das Training des MLC erfolgt durch beaufsichtigtes Lernen. Dabei definiert der Entwickler die zu analysierenden Bewegungsklassen und sammelt Protokolle relevanter Daten. Die Offline-Datenanalyse statistischer Parameter, zum Beispiel der Varianz und der Spitze-Spitze-Werte, in einem Werkzeug zum Maschinenlernen liefert einen Entscheidungsbaum-Algorithmus. Dieser Algorithmus läuft auf dem MLC des Sensors, ohne Zutun eines Mikrocontrollers oder Prozessors im Host. Zur Vibrationsüberwachung kann der MLC beispielsweise einen Entscheidungsbaum und zwei Nodes bei einer Datenausgaberate von 26 Hz unterstützen. Die zusätzliche Stromaufnahme für diese Operation beträgt 1 µA.

Gemeinsames Merkmal der in den vorstehenden Beispielen von NXP und STMicroelectronics unterstützen Methoden zur Erkennung von Anomalien ist, dass es sich um die Technik zur prädiktiven Wartung handelt, die am einfachsten zu implementieren ist und deren Algorithmus auf Hardware mit vergleichsweise niedriger Leistungsfähigkeit wie dem Crossover-Prozessor i.MX RT auf Basis eines ARM Cortex-M7-Kerns läuft.

Die Unterstützung leistungsfähigerer Systeme zur prädiktiven Wartung auf der Grundlage des unbeaufsichtigten Lernens ist möglich. Diese Systeme haben das Potenzial, mehr Einblicke zum Betrieb der Maschine zu vermitteln, Ursache und Ort der Störung präzise zu bestimmen sowie früher detaillierte Angaben zu potenziellen Ausfällen zu liefern, um ein schnelleres Eingreifen zu ermöglichen. Während es von den Halbleiterherstellern zurzeit weniger Unterstützung für diese Art des Softwareansatzes gibt, sind die Hardwarefähigkeiten bereits ohne Weiteres verfügbar.