KI-Funktionen im Antriebsregler

Smarte Servos

Künstliche Intelligenz kann in Antriebssystemen effektiv eingesetzt werden, um vorausschauende Wartungsentscheidungen zu treffen. Diese basieren auf großen Datensätzen, die in Echtzeit in den Servomotoren und -verstärkern erfasst und verarbeitet werden. So wird die Produktion und Verfügbarkeit optimiert, indem präzise Vorhersagen über den Zustand der Anlagen getroffen und diese zum richtigen Zeitpunkt gewartet werden.
Bild: ©gorodenkoff/gettyimages.de

Am effektivsten sind Wartungen, wenn sie vorausschauend und proaktiv erfolgen, also genau dann, wenn sie auch wirklich nötig sind. Mit KI sind Unternehmen in der Lage ihre Wartungsentscheidungen anhand von fundierten Prognosemodellen, Echtzeitdaten und Anlagentrends zu optimieren. Bei der Instandhaltung von Servosystemen bietet eine solche Wartungsstrategie entscheidende Vorteile. Denn während Servomotoren und -verstärker generell sehr langlebig sind, müssen die damit verbundenen mechanischen Teile regelmäßig gewartet werden.

Unternehmen, die Bauteile basierend auf deren tatsächlichem Zustand ersetzen, vermeiden so das Austauschen von Teilen, die noch kaum Verschleißerscheinungen vorweisen. Ist das Gegenteil der Fall und Teile werden stärker abgenutzt als erwartet, kann eine vorausschauende Wartung sogar kostspielige Stillstandzeiten und Schäden an Maschinen vorbeugen.

Servoanwendungen vorausschauend warten

Mit einer zustandsorientierten Wartungsstrategie ist es möglich, so gut wie alle mechanischen Systeme und Komponenten in Echtzeit zu überwachen. Integrierte Sensoren an Servoverstärkern und -motoren liefern dabei einen genauen Überblick über den Zustand der internen Komponenten. Außerdem werden so auch mit den Antrieben verbundene mechanische Bauteile wie Kugelumlaufspindeln, Riemen und Getriebe überwacht, die anfälliger sind und deshalb öfter instandgesetzt oder ersetzt werden müssen. Durch die Übermittlung dieser Informationen an die im Servoverstärker integrierten KI-gestützten Prognosemodelle ist es möglich, Anomalien in den Servosystemen zu identifizieren und potenzielle Probleme frühzeitig zu erkennen.

Mithilfe dieser umsetzbaren Erkenntnisse werden Abnutzungserscheinungen genau zum richtigen Zeitpunkt behoben – bevor es zu Ausfällen kommt, aber nur dann, wenn es auch nötig ist. Um diesen Wartungsansatz erfolgreich umsetzen zu können, müssen große Mengen an gerätespezifischen Daten aus Servoantrieben vorliegen, die in die KI-Simulationen eingespeist werden. Diese bestimmen die Qualität des Modells, sprich dessen Genauigkeit, Empfindlichkeit und Präzision. Für einzelne Benutzer ist es allerdings oft schwierig, die benötigten Informationen zu generieren und zu sammeln. Unternehmen profitieren deshalb enorm von der jahrzehntelangen (datengestützten) Erfahrung eines Automatisierungsanbieters.

Datenanalyse seit 1987

Im Jahr 1987 führte Mitsubishi Electric seinen ersten vollständig digitalen Servoverstärker ein. Seitdem sammelt das Unternehmen Betriebsdaten mit und über seine Servos und deren Peripheriegeräte. Diese Informationen bilden die Grundlage für ein tiefgreifendes Verständnis aller mechanischen Systeme, die von seinen Motoren angetrieben werden. Mithilfe dieses umfassenden Datenspeichers entwickelte das Unternehmen ein Diagnosetool für die vorausschauende Wartung seiner Servomotoren und -verstärker der Melservo MR-J5-Serie.

Diese Lösung nutzt die unternehmenseigene Deep-Learning-KI-Technologie Maisart, um zum Beispiel die Abnutzung mechanischer Komponenten zu erkennen, bevor eine Wartung erforderlich ist. Dieses Konzept zur vorausschauenden Wartung basiert auf Deep Reinforcement Learning. Hierbei handelt es sich um eine KI-Anwendung, die Daten automatisch verarbeitet und so selbstständig lernt, Muster und Anomalien zu erkennen. Anwender können so in kürzester Zeit ein intelligentes Setup implementieren, ohne dass sie über fortgeschrittene Kenntnisse in Programmierung oder maschinellem Lernen verfügen müssen.

Vor allem aber orientiert sich das Wissen an dem individuellen System, in dem die Servos eingesetzt werden. Verschiedene Anwendungen haben alle ihren eigenen optimalen Anlagenzustand. Die KI bestimmt die idealen Betriebsparameter und -bedingungen sowie jegliches Verhalten, das als Anomalie betrachtet werden soll. Ergänzt werden diese Fähigkeiten durch CC-Link IE TSN mit Gigabit-Bandbreite und Echtzeit-Funktionalitäten. Dadurch sind die Servoantriebe in der Lage große Datenmengen für zeitkritische Steuerungsaufgaben sowie weniger flüchtige KI-Analyseinformationen zeitnah und ohne Verzögerungen zu übertragen.

 Künstliche Intelligenz unterstützt nicht nur bei Wartungsentscheidungen, sondern kann auch Produktion und Verfügbarkeit verbessern.
Künstliche Intelligenz unterstützt nicht nur bei Wartungsentscheidungen, sondern kann auch Produktion und Verfügbarkeit verbessern.Bild: ©gorodenkoff/gettyimages.de

Vielseitige Servos

Die Servos sollen allerdings nicht nur die Wartungsaktivitäten vereinfachen sondern sind zudem darauf ausgelegt, die Produktivität und Energieeffizienz in einer Vielzahl von Anwendungen zu erhöhen. So umfassen sie ein breites Portfolio von Motoren mit geringer Baugröße, die eine maximale Geschwindigkeit von 6.700U/min erreichen können. Die Produktpalette umfasst außerdem kompakte Servoverstärker mit einem Drehzahl-/Frequenz-Ansprechverhalten von 3,5kHz und Kommunikationszyklen von 31,25s. Um Energie zu sparen, ist der Verstärker zudem mit einer Rückspeiseeinheit ausgestattet. So werden der Stromverbrauch und die Umweltbelastung von servobasierten Anwendungen reduziert.

Indem sie künstliche Intelligenz mit leistungsstarken und effizienten Komponenten zusammenbringen, können Unternehmen ihre Produktivität demnach erheblich steigern. Unter anderem wird mithilfe zustandsorientierter Überwachung und vorausschauender Wartung die Anlagenverfügbarkeit verbessert. Basierend auf diesen Ansätzen entwickelte der Hersteller seine Servosysteme.

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.