Die Lösung im Detail
u-sense energy drives lässt sich einfach in die bestehende Anschlussleitung des Motors integrieren. (Quelle: Weidmueller)
Das Unternehmen entschied sich deshalb für den Einsatz seiner smarten Sensoren sowie seiner Industrial-Analytics-Lösung. Konkret wurde vor jeden Lüftermotor auf dem Dach der Galvanikfertigung ein u-sense energy drives installiert. Die Sensoren liefern ihre Daten via Modbus an die FieldPower-Box, in die das IoT-Gateway GW30 integriert ist. Zudem wurden die Motoren der Lüfter mit u-sense-Vibrationssensoren nachgerüstet die ihre Daten via Bluetooth Low Energy an die Box übertragen. Prinzipiell sind diese über M8-Schraubverbindungen oder Adapter montierbar und in Umgebungstemperaturen zwischen –20 °C und 80 °C sowie in Ex-Bereichen bis Zone 2 einsetzbar (ab Frühjahr 2023 verfügbar). „Unser Vibrationssensor ist mit einer auswechselbaren Lithium-Ionen-Batterie ausgestattet. Die Lebensdauer der Batterie liegt bei rund zwei Jahren, wenn eine Messung pro Stunde durchgeführt und die Daten weitergeleitet werden“, erklärt B.-U. Wittwer. „Da die Datenübertragung per Bluetooth LE erfolgt, ist eine Distanz von rund 20 m bis zum Gateway überbrückbar – bei freier Sicht können auch Distanzen bis 100 m erreicht werden“, gibt er weiter an.
Die Modellerstellung im Detail
Im Model-Builder werden die Vibrationsdaten sowie die Stromwerte des Motors für jede Phase dargestellt. „Anhand der Grafik kann der Prozessingenieur schnell erkennen, wo Abweichungen im Betrieb vorliegen. Nun hat er die Möglichkeit, entweder mittels den vordefinierten Kategorien (normal, anomaly, unassigned) die Kurvenbereiche zu deklarieren“, sagt Dr. C. Paiz Gatica. Alternativ kann er auch eigene Kategorien erstellen. Danach erfolgt die Projekterstellung, um mit diesen Daten ein Anomalieerkennungsmodell zu trainieren. „Prinzipiell können innerhalb eines Projekts mehrere Modelle trainiert werden. In unserem Beispiel der Galvanik verwenden wir die Energie- und Vibrationsdaten zur Anomalieerkennung.“ Das Tool überprüft eigenständig, ob alle notwendigen Daten zur Modellerstellung vorliegen. Nach Anklicken des Buttons Train erstellt es verschiedene Modelle mit unterschiedlichen KPI. „Über unser Tool hat der Anwender die Möglichkeit nachzuvollziehen, auf welcher Grundlage die Entscheidungen beim jeweiligen Modell getroffen wurden“, berichtet Dr. C. Paiz Gatica. Um diese Modelle in der Anwendung zu nutzen, kommt die Model-Runtime zum Einsatz. „Damit werden die Prozesse, die zuvor manuell ausgeführt wurden, automatisiert“, berichtet er weiter.
Fazit
„Das Beispiel unserer Galvanikfertigung zeigt anschaulich, dass Kosten gespart werden können, wenn man komplexe Herausforderungen greifbar macht“, bilanziert B.-U. Wittwer. „Dabei ist dies einfach realisierbar: Wir installieren unsere simpel nachrüstbaren Sensoren, liefern die Lüfterdaten zur Auswertung an unser Industrial-AutoML-Tool und der Fertigungsleiter des Galvanikbereichs freut sich über die finanziellen Einsparungen im Wartungsbereich. Denn somit müssen Servicekräfte nur noch dann aufs Dach, wenn tatsächlich Bedarf besteht.“
Wie das Beispiel zeigt, hat Weidmüller u-sense nicht als Einzelprodukt, sondern als Bestandteil seines Automations-, IIoT- und Industrial-Analytics-Portfolios entwickelt. Zudem ist die Integration in die Serviceplattform easyConnect vorgesehen. Die u-sense-Sensoren liefern durch smartes Preprocessing die Daten für eine vorausschauende Überwachung. In Verbindung mit einer nachgeschalteten Analytics-Software können Fehler automatisiert erkannt und Handlungsempfehlungen gegeben werden.