Automatisiertes maschinelles Lernen eröffnet neue Möglichkeiten

SKFs Automated Machine Learning (AutoML)-Angebot SKF Enlight AI wendet selbstlernende Algorithmen auf Echtzeit-Prozessdaten an, um Anomalien zu erkennen und drohende Anlagenstörungen vorherzusagen. Es vereint Maschinenprozessdaten mit Informationen aus dem Schwingungs- und Condition Monitoring. Mit den so gewonnenen Ergebnissen können Wartungsteams rechtzeitig gewarnt und mit allen notwendigen Informationen aus der Maschine versorgt werden. Damit vermeiden Anwender Maschinenausfälle und senken ihre Kosten.
SKF Enlight AI wendet selbstlernende Algorithmen auf Echtzeit-Prozessdaten an, um Anomalien zu erkennen und drohende Anlagenstörungen vorherzusagen. Damit können Wartungsteams rechtzeitig gewarnt und mit allen notwendigen Informationen aus der Maschine versorgt werden.
SKF Enlight AI wendet selbstlernende Algorithmen auf Echtzeit-Prozessdaten an, um Anomalien zu erkennen und drohende Anlagenstörungen vorherzusagen. Damit können Wartungsteams rechtzeitig gewarnt und mit allen notwendigen Informationen aus der Maschine versorgt werden.Bild: SKF GmbH

Automated Machine Learning zielt darauf ab, unregelmäßige Datenmuster zu erkennen, die auf drohende Maschinenausfälle hinweisen. Dabei werden sehr große Datenmengen verarbeitet und die optimalen Algorithmen zur Analyse der Datenströme gewählt. Das erlaubt eine schnellere Modellierung und eine höhere Genauigkeit als bei einer herkömmlichen KI-Methodik. Damit bekommen Instandhaltungsteams durch frühere Störungsmeldungen und die Übermittlung aller wichtigen Daten die notwendige Zeit und Informationen für die Instandhaltungsplanung und die Diagnose, bevor es zu einem Maschinenausfall kommt. „Das Spannende an dieser Entwicklung ist aber, dass wir Schwingungs- und Prozessdaten von Anlagen kombinieren können“, sagt Eitan Vesely, SKF AI Offering Manager. „Wenn wir die so gewonnenen Erkenntnisse und ihre Bedeutung für die praktische Nutzung betrachten, stellen wir fest, dass das Ergebnis größer ist als die Summe seiner Teile.“

AutoML fördert neue Geschäftsmodelle

Isoliert betrachtet ist die zustandsabhängige Instandhaltung auf AutoML-Basis ein leistungsstarkes Werkzeug zur Vorhersage von Störungen. Es bietet umfassenden Einblick in den Anlagenzustand auf Sensor-, Anlagen- und Betriebsebene. Doch ist seine Bedeutung für Angebote wie REP (Rotating equipment performance) noch viel größer. Mit seiner AutoML-Lösung – SKF Enlight AI – kann SKF dieses ergebnisorientierte Geschäftsmodell noch besser umsetzen. Hier zahlt der Kunde einen festen Kostensatz für ein Kombinationsangebot, das z.B. die Überwachung und Optimierung von Lagern, Sensoren, Schmierung, Dichtungen oder Rekonditionierung umfassen kann. Anhand der mit SKF Enlight AI gewonnenen Daten als Entscheidungsgrundlage kann der Kunde zusammen mit SKF die Leistung seiner Anlagen steigern.

SKF Enlight AI im Einsatz

Ein großer Zellstoff- und Papierhersteller in Lateinamerika setzte die AutoML-Lösung bei einem Pilotprojekt mit zwei Pumpen im Vorbleichsystem ein. Wegen wiederkehrender Ausfälle bei diesen Komponenten kam es zu Produktionsengpässen, die das Unternehmen in einem Jahr mehrere hunderttausend Dollar kosteten. Aufgrund von Wechselwirkungen zwischen den Pumpen stand bei jedem Ausfall gleich das gesamte Vorbleichsystem still. Der Papierhersteller wollte die Zahl der ungeplanten Stillstände deutlich verringern und die damit verbundenen Kosten senken. Das Unternehmen suchte nach einer bedienerfreundlichen Lösung, die frühzeitig vor Störungen warnt und genaue Prozessdaten der Anlagen ausgibt.

Normalerweise wenden KI-Systeme selbstlernende Algorithmen auf Echtzeit-Sensordaten an, um drohende Anlagenausfälle zu erkennen. Hier lag der Fall jedoch anders: Um die Leistungsfähigkeit der Lösung zu testen, wollte der Kunde damit die Prozessdaten vergangener Ausfälle auswerten. An der einen Pumpe hatten Techniker am 26. Dezember ein Ölleck festgestellt. Es wurde als nicht kritisch eingestuft und eine geplante Abschaltung zur Reparatur für Ende Januar angesetzt. Die zweite Pumpe fiel am 31. Dezember wegen eines Lagerschadens unerwartet aus – zwei Tage nachdem Schwingungsanalysen erste Anzeichen für eine drohende Störung gemeldet hatten. Diese beiden Stillstände kosteten das Unternehmen 400.000 Dollar und störten die Arbeitsabläufe über mehrere Wochen.

Die Datenanalyse mit SKF Enlight AI ergab, dass sich diese Situation durch den Einsatz von zustandsabhängiger Instandhaltung auf ML-Basis hätte entschärfen lassen können. Beide Pumpen zeigten bereits seit Mitte Dezember Anomalien im Anlagenverhalten. Das Instandhaltungsteam hätte die Reparatur der ersten Pumpe früher terminieren und die Probleme an beiden Pumpen bei einem einzigen, geplanten Stillstand beheben können. Damit hätte das Unternehmen 250.000 Dollar gespart.

„Die Auswertung umfasste eine Analyse von Schwingungs- und Prozessdaten. Das Ergebnis war eindeutig: Anhand beider Datenquellen ließen sich mehr Störungen vorhersagen, als dies mit einer einzigen Datenquelle möglich gewesen wäre“, erläutert Eitan Vesely. „Dank des gelungenen Pilotprojekts rüsten wir jetzt drei komplette Werke des Zellstoff- und Papierherstellers mit SKF Enlight AI aus und überwachen damit mehrere hundert verschiedene Systeme.“

Das könnte Sie auch Interessieren

Bild: Analog Devices GmbH
Bild: Analog Devices GmbH
Warum vorausschauende Wartung?

Warum vorausschauende Wartung?

Allein in Fabriken in den USA entstehen pro Jahr ungeplante Ausfallzeiten von 14 Millionen Stunden. Die Ursache dafür, Systemfehler, bescheren der Industrie Kosten in Milliardenhöhe. Um solche Szenarien zu verhindern,
nutzen Fabriken in der Regel einen teuren manuellen Ansatz: Experten sammeln Daten, um den Zustand der
Anlagen zu beurteilen. Auch kommen oft Sensorlösungen zum Einsatz, die jedoch nicht alle möglichen Ausfälle zuverlässig erkennen können. Mehr Potenzial versprechen Systemlösungen für die vorausschauende Wartung.

Bild: Roxon
Bild: Roxon
Online-Zustandsüberwachung für Gurtförderanlagen

Online-Zustandsüberwachung für Gurtförderanlagen

Schmersal stellt über seinen Systempartner Roxon eine vollautomatisierte Online-Zustandsüberwachung für Gurtförderanlagen vor: Der HX170 basiert auf einer optischen Zustandsüberwachung des Oberflächenprofils, wodurch alle möglichen Beschädigungen der Verbindungsstellen sowie Längsschlitze, Risse und Löcher an der Bandoberfläche erkannt werden sollen.

Bild: Fraunhofer-Institut IGD/©angkhan/stock.adobe.com
Bild: Fraunhofer-Institut IGD/©angkhan/stock.adobe.com
Risiken verringern: Fraunhofer-Software entwickelt FMEA weiter

Risiken verringern: Fraunhofer-Software entwickelt FMEA weiter

Ob autonomes Fahrzeug in der Intralogistik oder Werkzeugmaschine in der industriellen Fertigung: Fehler und Ausfälle einzelner Geräte und Komponenten sind nicht immer zu vermeiden. Deren Wahrscheinlichkeit einzuschätzen und den Aufbau technischer Systeme hinsichtlich ihrer Betriebs- und Prozesssicherheit zu verbessern, ist daher umso wichtiger. Mit proSvift entwickelten Forschende des Fraunhofer IGD ein neues Analysewerkzeug, das auf einer probabilistischen Fehlermöglichkeits- und Einflussanalyse (FMEA) basiert und intuitiv steuerbar ist. Anwender sollen so Produktionsausfälle, kritische Auswirkungen und Folgekosten reduzieren können.