Predictive Maintenance bei großen Anwendungen

Bild 02: Das konvergente Netzwerk für IT und Feldbus als Basis für KI

Bild 02: Das konvergente Netzwerk für IT und Feldbus als Basis für KI (Quelle: Phoenix Contact)

Bild 03: Kamerabasierte Qualitätskontrolle in der Fertigung von Phoenix Contact

Bild 03: Kamerabasierte Qualitätskontrolle in der Fertigung von Phoenix Contact (Quelle: Phoenix Contact)

Bild 04: Vorbeugende Wartung bei großen Motoren durch KI

Bild 04: Vorbeugende Wartung bei großen Motoren durch KI (Quelle: hramovnick@shutterstock.com)

Der Einsatz im Bereich von Predictive Maintenance soll am Beispiel von großen Antrieben erklärt werden. Sensoren im oder am Motor messen Temperatur- und Vibrationsdaten. Ein Leistungsmessgerät ermittelt darüber hinaus den jeweiligen Energiebedarf des Motors. Damit wird ein KI-Modell für den Normalbetrieb des Motors auf der Basis dieser Daten trainiert. Hierbei ist die exakte zeitliche Korrelation von Energie, Temperatur und Schwingungsdaten ebenfalls hilfreich. Arbeiten mehrere Antriebe in einem Prozess, erweist sich ferner ein übergreifendes Zeitverständnis als notwendig. Weicht irgendein Betriebs parameter vom Normalzustand ab – beispielsweise durch einen Lagerschaden, anderen Verschleiß oder Probleme im Prozess –, kann der Betreiber vor einem Ausfall bei der nächsten geplanten Wartung reagieren oder der Prozess anders gesteuert werden. Der geringe Aufwand zum Trainieren des Modells zeigt sich gegenüber dem Nutzen der vorausschauenden Wartung durchaus als signifikant (Bild 4).

Synchronisierung der Erneuerbare-Energien-Erzeuger und deren Einspeiseumrichter

Die Energiewende bringt ein neues und weitgehend unbekanntes Problem mit sich. Kraftwerke für Primärenergie, wie Kohle, Gas oder Atomkraft, betreiben Generatoren mit großen rotatorischen Massen. Die in diesen Massen gespeicherte kinetische Energie springt dem Energienetz bei Lastschwankungen bei und liefert die Orientierungsfrequenz für alternative Erzeuger, zum Beispiel Windgeneratoren oder Solarparks. Mit zunehmendem Ersatz konventioneller Kraftwerke durch alternative Erzeuger fehlt diese netzunterstützende Wirkung. So ist es beispielsweise nicht ohne weiteres möglich, einen Windpark ohne ein externes Netz im Inselbetrieb hochzufahren. Eine Lösung für dieses Problem liegt in der hochgenauen Synchronisation aller Erzeuger und deren elektronischen Einspeiseumrichtern mit einer entsprechenden Sollwertvorgabe. Dies kann durch TSN über das Netzwerk erfolgen, das ohnehin für Betriebsdaten erforderlich ist. Die Installation von zwei getrennten Netzwerken in einem mehrere Quadratkilometer großen Windpark wäre ein hoher Kostenfaktor (Bild 5).

Durchführung von Root-Cause-Auswertungen

Ein weiteres Anwendungsfeld ist die zeitliche und lokalisierte Analyse von Ereignissen, die im laufenden Betrieb einer Anlage entstehen. Diese werden etwa im Störungsfall von Versicherungen gefordert, um eine sogenannte Root-Cause-Auswertung durchführen zu können. Wird dies heute vorrangig in der Steuerung erledigt, kann das in Zukunft nicht mehr ausreichend sein, weil in der SPS nicht sämtliche relevanten Daten – zum Beispiel die oben genannten vom Motor – verfügbar sind. Aufgrund der Uhrzeitsynchronisation ermöglicht TSN die Aufzeichnung von Ereignissen mit hochgenauen Zeitstempeln von weniger als 1 ms in den Geräten selbst. Das konvergente Netzwerk stellt auch die gleichzeitige Übertragung der Ereignisse an eine analysierende Einheit sicher, die nicht die Steuerung sein muss (und kann, wenn eine Steuerung selbst Root-Cause ist). Durch KI lassen sich die großen Mengen an Meldungen einfach auf Anomalien durchsuchen. Die hohe Zeitstempelgenauigkeit unterstützt dabei. Außer einer Root-Cause-Auswertung werden so ebenfalls verdeckte Probleme im laufenden Betrieb aufgefunden und behoben. 

 

2 / 3

Ähnliche Beiträge