Bild 01: Pumpstation mit Elektromotoren (Quelle: momente@shutterstock.com)
In zahlreichen Industrieanlagen bilden Elektromotoren das Herzstück der Produktion – von Förderbändern über Pumpen bis zu komplexen Fertigungsanlagen. Ihre Zuverlässigkeit erweist sich als entscheidend für die Effizienz und Produktivität eines Unternehmens. Verschleiß, Überlastung oder äußere Einflüsse können allerdings zu unerwarteten Ausfällen führen. Daraus resultieren häufig lange Stillstandzeiten und hohe Kosten, die oft ein Vielfaches der Anschaffungskosten der Elektromotoren übersteigen. Besonders problematisch wird es, wenn Ersatzteile nicht sofort verfügbar sind oder die Ursache des Fehlers unklar bleibt.
Um diese Probleme zu vermeiden, setzen viele Unternehmen auf eine präventive Wartung. Die Motoren werden in festen Abständen kontrolliert oder sogar unabhängig davon ersetzt, ob tatsächlich ein Defekt vorliegt. Dieses Vorgehen ist auf maximale Sicherheit ausgelegt, jedoch in der Praxis meist ineffizient und kostenintensiv. Eine zeitgemäßere Herangehensweise stellt die zustandsbasierte Instandhaltung dar. Bei diesem Verfahren werden fortlaufend Betriebsdaten, wie Stromaufnahme, Vibration oder Temperatur, erfasst und automatisch analysiert. Ziel ist, den faktischen Zustand des Motors zu bewerten. So lassen sich Anzeichen für Verschleiß oder eine Fehlfunktion rechtzeitig identifizieren sowie Wartungsmaßnahmen vorausschauend und gezielt nach Bedarf planen.
Machine-Learning-Modelle ohne Programmierkenntnisse trainieren
Genau an dieser Stelle setzt MLnext [1] an. Dabei handelt es sich um eine ganzheitliche Softwarelösung für den Einsatz von Machine Learning in industriellen Anwendungen. Mit MLnext Creation können Machine-Learning-Modelle auf realen Betriebsdaten trainiert werden. Programmierkenntnisse oder Wissen auf dem Gebiet der Datenwissenschaften sind nicht notwendig. Die erstellten Modelle lassen sich anschließend mit MLnext Execution nahezu in Echtzeit direkt an der Maschine ausführen. Dafür erfordert MLnext keinerlei Cloud-Anbindung, sodass alle Daten sicher im eigenen Netzwerk verbleiben. Die Zustandsdaten, Trends und festgestellten Abweichungen können sowohl für einzelne Motoren als auch für komplette Anlagen in Dashboards visualisiert werden. Ein detektierter Fehler löst automatisch einen Alarm am Bediengerät oder PC aus, inklusive einer Einschätzung der Fehlerquelle. So können Instandhaltungsteams schnell und gezielt reagieren, bevor es zu einem Ausfall kommt (Bild 2).