1. Architekturen und Techniken

Systeme für die Zustandsüberwachung und die vorausschauende Instandhaltung enthalten eine Reihe intelligenter Sensorknoten, die zu einem Netzwerk verbunden und über ein Gateway an einen Edge-Server oder einen Cloud-Dienst angeschlossen sind (Bild 2).

Bild 3: Blockschaltbild eines Sensorknotens (leitungsgebunden oder drahtlos) für die Vibrationsanalyse.

Bild 3: Blockschaltbild eines Sensorknotens (leitungsgebunden oder drahtlos) für die Vibrationsanalyse. STMicroelectronics

Abhängig von der jeweiligen Enterprise-Resource-Management-Architektur kann die Verarbeitung der Daten entweder mit unmittelbar in den Sensorknoten eingebetteter Analytik erfolgen, oder aber auf dezentralen Servern oder in einer Cloud-Infrastruktur, die mit der Zeit mehrere Datensätze verarbeiten und korrelieren kann. Systeme für die vorausschauende Instandhaltung sind in der Regel mit den Instandhaltungs- und Beschaffungs-Komponenten von ERP-Systemen verknüpft, damit das System rechtzeitig Ersatzteile bestellen kann.

In diesen umfassenderen Systemen kommt es darauf an, die Analysen auf die Cloud, Edge-Server und Sensorknoten zu verteilen, um die Effizienz und Effektivität zu maximieren. Die Fähigkeit zum Erkennen des zunehmenden Verschleißes einer Maschine ermöglicht das umgehende Einleiten von Abhilfemaßnahmen, um weitere Schäden oder gar einen Ausfall zu verhindern. Langfristigere Analysen und Aktionen lassen sich in der Cloud koordinieren, wobei komplexere Analysen an großen Mengen vorab aufbereiteter Daten möglich sind. Dies eignet sich zur Ermittlung von Trends und zur Optimierung lokaler Analysemodelle.

Bild 3 gibt die zahlreichen Komponenten wieder, die in einem intelligenten Sensorknoten am Werk sind.

Die verwendeten Sensoren können unterschiedlicher Art sein – zum Beispiel Temperatur-, Druck- und Feuchtigkeitssensoren zum Einholen von Umgebungsdaten, Beschleunigungssensoren für die Vibrationsmessung, Stromsensoren sowie Mikrofone für die Ultraschall-Erfassung. Beschleunigungssensoren eignen sich besonders für die Fehleranalyse an rotierenden Maschinen, bei denen Beschleunigung, Geschwindigkeit und Amplitude einer Vibration frühzeitige Anzeichen für bevorstehende Ausfälle sein können. Ein weiterer Warnparameter sind Ultraschall-Emissionen, die den Vibrationen vorausgehen können (Bild 1).

Die in Smartphones und anderen Konsumgeräten weit verbreitete, kapazitive MEMS-Technik fasst auch in industriellen Anwendungen zusehends Fuß. MEMS-Bauelemente sind kostengünstiger, bieten mehr Flexibilität und schließen die Lücke zu den piezoelektrischen Systemen, was die Genauigkeit, Stabilität, Bandbreite und Temperatur sowie den Dynamikbereich angeht. Abgesehen davon sind sie weitaus beständiger gegen stoßbedingte hohe Beschleunigungswerte.

Was die Schallemissionen betrifft, kann die Analyse sowohl im hörbaren als auch im Ultraschallbereich erfolgen, was eine sehr frühzeitige Verschleißerkennung erlaubt und sich auch zur Detektierung verschiedener Fehlerursachen eignet.

Mikrocontroller besitzen die Fähigkeit zur Datenverarbeitung vor Ort – von der Erfassung und Verarbeitung der Daten bis zur Abwicklung der Kommunikation. Sie bieten unterschiedliche Eigenschaften, was die Verarbeitungsleistung, die Speicherausstattung und die Schnittstellen betrifft, und lassen sich somit gezielt nach den Erfordernissen der jeweiligen Anwendung auswählen.

Bild 4: Beispiel für die Überwachung im Frequenzbereich mit programmierbaren Alarmgrenzwerten.

Bild 4: Beispiel für die Überwachung im Frequenzbereich mit programmierbaren Alarmgrenzwerten. STMicroelectronics

Zu den wichtigsten Aufgaben des Mikrocontrollers gehört die eingebettete Analytik sowohl im Zeit- als auch im Frequenzbereich (FFT), ergänzt durch weitere eingebettete Analysen.

Durch die sensornahe Einbindung der FFT-Analyse lassen sich Veränderungen in der Vibrationssignatur unmittelbar bestimmten Quellen zuordnen. Darüber hinaus lassen sich FFT-Operationen und weitere Vorverarbeitungs- und Analysemaßnahmen entwickeln, um das Rauschen aus den realen Signalen herauszufiltern und exakte Alarmgrenzwerte festzulegen. Ein Beispiel hierfür ist in Bild 4 zu sehen.

Künstliche Intelligenz (KI) in Form von Machine Learning und Deep Learning ist ein technologischer Durchbruch, der durch die schiere Menge der verfügbaren Daten, moderne Programmiertechniken und Open-Source-Tools für das Einlernen neuronaler Netze, leistungsstarke Rechenzentren und immer besser werdende Embedded-Processing-Systeme möglich gemacht wurde.

Künstliche Intelligenz lässt sich als die Fähigkeit einer Maschine definieren, logische Analysen vorzunehmen, sich Wissen anzueignen und sich an eine Umgebung anzupassen, die sich über die Zeit oder in einem bestimmten Kontext verändert. KI ist eine Möglichkeit zum Extrahieren nützlicher Informationen und zum Auslösen von Aktionen auf der Basis von Daten. Anstatt spezialisierten Programmierern die Ausarbeitung detaillierter Algorithmen zu überlassen, die jeden analytischen Schritt für eine anvisierte Applikation implementieren, verleiht KI den Maschinen die Fähigkeit zu „lernen“ und ihre eigene Art zum Analysieren von Daten zu entwickeln. Das Resultat dieses „Lernvorgangs“ lässt sich zu einem sogenannten neuronalen Netz destillieren.

Betrachtet man die Architektur vorausschauender Instandhaltungssysteme, so ist erkennbar, dass sich die KI auf verschiedenen Ebenen anwenden lässt. Dabei reichen die Einsatzgebiete von Cloud-Rechenzentren, die große Datenmengen analysieren und geeignete neuronale Netze entwickeln, bis zu den Mikrocontrollern, in denen komprimierte Versionen dieser neuronalen Netze lokale eingebettete Analysen durchführen. In neuen Generationen intelligenter Sensoren lassen sich die neuronalen Netze sogar direkt einsetzen.

Die Konnektivität wird über standardmäßige leitungsgebundene Anbindung und Industriestandard-Protokolle, aber auch über drahtlose Anbindung abgewickelt. Es gibt nicht die einzig richtige Lösung. Was die beste Wahl ist, hängt vielmehr oftmals von der Fabrik-Infrastruktur und anderen äußeren Umständen ab.

Der Security-Aspekt in einem industriellen Umfeld verlangt, dass intelligente Sensorknoten bei der Datenverarbeitung und Kommunikation geschützt sind, um unbefugte Zugriffe zu unterbinden. Außerdem sollen sie sicherstellen, dass die Verbindung zwischen den Sensoren und dem zentralen System vertrauenswürdig sind. Die entsprechende Absicherung ist auf verschiedenen Ebenen zu implementieren.

Das Power-Management in einem batteriebetriebenen Sensor hat einen entscheidenden Stellenwert. Die Power-Management-Systeme müssen deshalb so ausgelegt sein, dass die Zustandsüberwachungs-Sensoren ohne Intervention über lange Zeiträume betriebsfähig bleiben.

Wichtige Schritte zum Umsetzung eines intelligenten Sensorsystems finden Sie auf der folgenden Seite.

Seite 2 von 3123