Unter Condition Monitoring versteht man der Prozess des Sammelns und Analysierens von Sensordaten der Geräte, um ihren Zustand im Betrieb auszuwerten. Die genaue Ermittlung des aktuellen Zustands der Anlagen ist dabei von entscheidender Bedeutung für die Entwicklung einer vorausschauenden Wartung und zustandsorientierter Wartungsprogramme.
Vorteile des Condition Monitoring
Mit Condition Monitoring können Gerätehersteller und -bediener Folgendes tun:
- Ungeplante Ausfälle reduzieren: Erkennen Sie Anomalien und Fehler, bevor sie sich zu größeren Problemen entwickeln.
- Wartungspläne optimieren: Vermeiden Sie die Kosten für unnötige Wartungsarbeiten, indem Sie nur bei Bedarf die Wartung einplanen.
- Ausfallzeiten minimieren: Sie können die Fehlerquelle schneller eingrenzen und so die für Diagnose und Wartung benötigte Zeit verringern.
Bei Condition Monitoring geht es nicht nur um das Sammeln von Daten, sondern auch um die Nutzung dieser Daten, um den Zustand einer Maschine auszuwerten. In der Praxis kann das verschiedene Formen annehmen – von einem Kontrolldiagramm, das sicherstellt, dass ein einzelner Sensorwert eine Sicherheitsschwelle nicht überschreitet, bis hin zu einem Algorithmus für Machine Learning, der auf Hunderten von Sensoren mit monatelangen historischen Daten trainiert wurde.
Conditioning-Monitoring-Algorithmen
Condition Monitoring im Vergleich zu Prognostik
Ein Programm zur vorausschauenden Wartung kann sowohl Conditioning-Monitoring-Algorithmen als auch zur Prognostik umfassen. Der Hauptunterschied zwischen dem Condition Monitoring und der Prognostik ist der Zeitrahmen.
| Zeitrahmen | Beispiel für MATLAB Programmcode | |
|---|---|---|
| Condition Monitoring | Aktueller Zustand | Erkennen von Störungen in Lagern |
| Prognostik | Zukünftiger Zustand | Abschätzen der Restnutzungsdauer eines Luftfahrzeugmotors |
Beim Condition Monitoring liegt der Fokus auf dem aktuellen Zustand der Maschine. Mithilfe von Echtzeitdaten identifiziert es Fehler und Anomalien und ermöglicht dadurch sofortige Korrekturmaßnahmen, um Ausfälle zu verhindern. Zu den Ansätzen des Condition Monitoring gehören Algorithmen zur Erkennung von Anomalien, die feststellen, wenn das Verhalten der Maschine vom Normalzustand abweicht, und Diagnosealgorithmen, die bestimmte Komponentenfehler identifizieren.
Die Prognostik hingegen befasst sich mit der zukünftigen Entwicklung, um durch die Analyse von Trends und Mustern in den Daten die verbleibende Nutzungsdauer von Geräten abzuschätzen. Dieser vorausschauende Aspekt hilft bei der frühzeitigen Planung von Wartungsarbeiten, der Optimierung der Ressourcenzuweisung und der Minimierung von Ausfallzeiten.
Zusammen können Zustandsüberwachungs- und Prognosealgorithmen zu einer umfassenden Strategie für das Prognostik- und Zustandsmanagement (PHM) beitragen, die die Zuverlässigkeit und Langlebigkeit von Maschinen erhöht.
Zustandsorientierte Wartung vs. vorausschauende Wartung
Die zustandsorientierte Wartung (CBM) ist eine Wartungsstrategie, die auf dem aktuellen Betriebszustand der Anlage basiert. Erfahren Sie, wie CBM funktioniert und wie es sich von der vorausschauenden Instandhaltung unterscheidet.
Entwicklung von Condition-Monitoring-Algorithmen in MATLAB
Ein typischer Workflow für die Entwicklung von Condition-Monitoring-Algorithmen in MATLAB® umfasst die Erfassung und Vorverarbeitung von Daten, die Identifizierung von Zustandsindikatoren, das Training des Modells sowie die Bereitstellung und Integration des Algorithmus.
Ablauf zum Entwickeln eines Condition-Monitoring-Algorithmus.
Erfassen von Daten
Die Datenerfassung ist immer der erste Schritt bei der Entwicklung von Condition-Monitoring-Algorithmen. Wenn Sie über gestreamte oder archivierte Sensordaten von Betriebsmaschinen verfügen, gibt es viele Möglichkeiten, zu Analysezwecken auf diese Daten zuzugreifen. Sie können die Daten direkt über die Testhardware abrufen oder über eine Verbindung zu Tools wie OPC UA, RESTful Web Services, Datenbanken, AWS S3 und Azure Blob.
Die richtige Datenerfassung und -organisation für das Training von Condition-Monitoring-Algorithmen kann durchaus eine Herausforderung darstellen – insbesondere bei Daten, die Fehler und Ausfälle darstellen. Sie können vorhandene operative Daten ersetzen oder ergänzen, indem Sie synthetische Daten mithilfe von physikalisch basierten Modellen in Simscape™ erzeugen.
Condition Monitoring mit MATLAB
Erfahren Sie, wie Sie mit MATLAB Zustandsüberwachungs-Algorithmen entwickeln. Entwickeln Sie Algorithmen zur Zustandsüberwachung zur frühzeitigen Erkennung von Fehlern und Anomalien, um Ausfallzeiten und Kosten aufgrund von Störungen und nicht erforderlichen Wartungsarbeiten zu reduzieren.
Sichten und Vorverarbeiten von Daten
Ein tiefes Verständnis der Daten ist der Schlüssel zur Entwicklung hochwertiger Condition-Monitoring-Algorithmen. Hierfür kann u.U. eine Vorverarbeitung der Daten erforderlich sein, um Ausreißer, Rauschen, Trends und andere Artefakte zu entfernen. Durch die Vorverarbeitung wird sichergestellt, dass die Condition-Monitoring-Algorithmen mit den repräsentativsten verfügbaren Informationen trainiert werden.
In dieser Phase der Datenexploration kann es sinnvoll sein, Teile des Datensatzes zu visualisieren. Domain-Experten, die verstehen, was die Daten darstellen, können so Anomalien und Fehler leicht mit bloßem Auge erkennen. In diesem Fall können einfache Condition-Monitoring-Algorithmen wie findchangepts oder ein Kontrolldiagramm bereits ausreichen.
Wenn die Daten viele Sensoren und komplexe Muster enthalten, die nicht leicht zu erkennen sind, sind komplexere Methoden erforderlich, um aus dem Datensatz eine sinnvolle Auswertung vorzunehmen. Hier kommen dann KI-basierte Ansätze wie Machine Learning und Deep Learning zum Tragen.
Manche Auffälligkeiten sind in Sensormessdaten gut erkennbar, wie in dieser MATLAB-Darstellung ersichtlich. In einem solchen Fall reicht ein einfacher Condition-Monitoring-Algorithmus aus.
Entwurf von Condition-Monitoring-Algorithmen
Der erste Schritt beim Entwurf von Condition-Monitoring-Algorithmen besteht in der Regel darin, die Zustandsindikatoren zu ermitteln: Merkmale, die den Unterschied zwischen dem normalen und fehlerhaften Betrieb anzeigen. Die Identifizierung von Zustandsindikatoren kann ganz einfach sein oder einen iterativen Prozess der Extraktion und Analyse von abgeleiteten Größen aus vielen Sensoren erfordern, um aussagekräftige Muster zu erkennen. Dieser Prozess wird als Feature Engineering bezeichnet.
Die Predictive Maintenance Toolbox™ enthält die Diagnostic Feature Designer-App, mit der Sie interaktiv die wichtigsten Merkmale für die Fehlererkennung extrahieren, analysieren und einstufen können. Diese App vereinfacht die Umwandlung von Rohdaten in aussagekräftige abgeleitete Merkmale und erleichtert so die Entwicklung effektiver Condition-Monitoring-Algorithmen.
Mit der Diagnostic Feature Designer-App können Sie interaktiv Merkmale extrahieren und gewichten, um Condition-Monitoring-Algorithmen zu trainieren.
Nach der Identifizierung der richtigen Zustandsindikatoren besteht der nächste Schritt darin, diese zur Erstellung eines Condition-Monitoring-Algorithmus zu verwenden. Dabei werden Algorithmen für Machine Learning oder Deep Learning trainiert, die anhand der ausgewählten Merkmale lernen, Fehler und Anomalien genau zu erkennen. Mit der Classification Learner-App können Sie interaktiv verschiedene Fehlerklassifizierungsmethoden ausprobieren, um durch den Vergleich verschiedener Machine-Learning-Modelle den am besten geeigneten Condition-Monitoring-Algorithmus zu finden.
Mit der Classification Learner-App können Sie eine Vielzahl von Klassifizierungsmodellen für das Condition Monitoring trainieren.
Bereitstellung und Integration von Condition-Monitoring-Algorithmen
Damit sie einen Mehrwert für das Unternehmen bieten, müssen die Condition-Monitoring-Algorithmen in einer Betriebsumgebung bereitgestellt und integriert werden, z. B. auf einem lokalen Server oder in der Cloud. Condition-Monitoring-Algorithmen können auch in einem Embedded System bereitgestellt werden, wo sie schnellere Reaktionszeiten ermöglichen und die Zahl der über das Netzwerk gesendeten Daten reduzieren.
Bei der Bereitstellung wird der Algorithmus aus einer Entwicklungsumgebung in eine reale Betriebsumgebung übertragen, wo er mit der Überwachung von Geräten beginnen kann. Dieser Schritt erfordert eine sorgfältige Planung, um sicherzustellen, dass der Algorithmus nahtlos mit den Sensoren und Datenerfassungssystemen der Maschinen zusammenarbeitet. Bei der Integration hingegen geht es darum, den Algorithmus in die operativen Workflows einzubetten und sicherzustellen, dass er effektiv mit anderen Wartungs- und Überwachungssystemen kommuniziert. So könnten z. B. Benachrichtigungen für Wartungsteams eingerichtet werden, wenn der Algorithmus ein potenzielles Problem erkennt, oder es könnte eine Integration in ein Dashboard erfolgen, das Echtzeit-Zustandsindikatoren der Maschinen anzeigt.
Mit von MATLAB und Simulink entwickelte Coca-Cola einen Embedded Code für einen auf Machine Learning basierenden virtuellen Drucksensor, der in Freestyle-Getränkeautomaten eingesetzt wird.
Die Phase der Bereitstellung und Integration markiert den Übergang vom theoretischen Entwurf zur praktischen Anwendung, in der die Wirksamkeit des Algorithmus bei der Vorhersage und Verhinderung von Geräteausfällen wirklich getestet wird. Die Condition-Monitoring-Algorithmen können zu wichtigen Werkzeugen für die vorausschauende Wartung werden und dazu beitragen, die Lebensdauer der Anlagen zu verlängern und die betriebliche Effizienz zu verbessern.
Weitere Hilfsmittel und Beispiele für die Zustandsüberwachung finden Sie in der Predictive Maintenance Toolbox.
Condition Monitoring ist der Prozess des Sammelns und Analysierens von Sensordaten von Geräten, um ihren Zustand während des Betriebs zu bewerten, und ist entscheidend für die Entwicklung von Predictive Maintenance- und zustandsorientierter Wartungsprogrammen.
Condition Monitoring reduziert ungeplante Ausfälle durch frühzeitige Anomalieerkennung, optimiert Wartungspläne, indem unnötige Einsätze vermieden werden, und minimiert Stillstandzeiten, indem Fehlerquellen schneller isoliert werden.
Condition Monitoring konzentriert sich auf den aktuellen Zustand von Maschinen, um Fehler und Anomalien mit Echtzeitdaten zu identifizieren, während Prognosen in die Zukunft blicken, um die verbleibende Nutzungsdauer durch Analyse von Trends und Mustern in den Daten abzuschätzen.
Condition Monitoring ist ein Bestandteil von Predictive Maintenance-Programmen, das den aktuellen Gesundheitszustand von Ausrüstung bewertet, während Predictive Maintenance eine umfassendere Strategie ist, die sowohl Condition Monitoring als auch Prognosealgorithmen umfassen kann.
Zustandsindikatoren, manchmal auch Gesundheitsindikatoren genannt, sind Merkmale, die den Unterschied zwischen normalem und fehlerhaftem Betrieb anzeigen; sie werden durch Feature-Engineering gewonnen, indem aus Sensordaten Größen extrahiert und analysiert werden, um aussagekräftige Muster zu finden.
Algorithmen für Condition Monitoring können auf On-Premises-Servern, in Cloud-Umgebungen oder in eingebetteten Systemen bereitgestellt werden, wodurch schnellere Reaktionszeiten sowie die Integration in Betriebsabläufe und Wartungssysteme ermöglicht werden.
Im Condition Monitoring werden Algorithmen zur Anomalieerkennung eingesetzt, um Abweichungen vom Normalverhalten zu erkennen, oder Fehlererkennungs- (Diagnose-)Algorithmen, um spezifische Komponentenfehler zu identifizieren. Diese Algorithmentypen nutzen häufig Machine Learning und Deep Learning.
Ja. Synthetische Daten, die mit physikbasierten Modellen in Simulink und Simscape erzeugt werden, können operative Daten ersetzen oder ergänzen, insbesondere wenn es schwierig ist, Daten zu erfassen, die Fehler und Ausfälle abbilden.
Ressourcen
Erweitern Sie Ihre Kenntnisse durch Dokumentation, Beispiele, Videos und vieles mehr.
