IIoT-Framework zur Datenerfassung zwecks Analyse

Die Grundlage jeder zustandsbasierten Überwachung bildet eine verlässliche und kontinuierliche Datenerfassung. Für das Monitoring von Elektromotoren werden Sensoren verwendet, die elektrische und mechanische Parameter aufnehmen. Zur Messung von elektrischen Kenngrößen, wie Stromaufnahme, Spannung und Leistung, lassen sich Energiemessgeräte der Produktfamilie EMpro von Phoenix Contact nutzen. Die EMpro-Module werden über Klappwandler oder Rogowski-Spulen einfach in bestehende Anlagen integriert. Sie kommunizieren dann über Modbus TCP/RTU mit der Steuerung. Auf diese Weise liegen genaue Angaben zum Energieverbrauch und zur Motorbelastung vor. Ein Kombisensor kann zudem die Vibration (ein- oder dreiachsig) ebenso wie die Temperatur des Motors erfassen. Die beiden Parameter sind entscheidend für die frühzeitige Erkennung von mechanischen Problemen wie Lagerschäden, Unwucht oder Überhitzung. Typischerweise erfolgt die Datenübertragung über das IO-Link-Protokoll (Bild 3).

Um die Daten für die weitere Analyse einsetzbar zu machen, lässt sich das IIoT-Framework von Phoenix Contact verwenden. Dabei handelt es sich um ein kostenfreies, flexibles und skalierbares IIoT-Gateway für die Steuerungen der Produktfamilie PLCnext Control, zum Beispiel die Steuerung AXC F 2152. Mit dem IIoT-Framework können  Werte beliebig als analoges Signal aufgenommen oder dupliziert sowie über gängige OT-Protokolle wie Profinet, Modbus oder IO-Link ausgelesen werden. Das funktioniert unabhängig vom Hersteller der Sensoren. Danach lassen sich die Daten in einer Datenbank (beispielsweise MySQL, PostgreSQL oder InfluxDB) oder in der Cloud (zum Beispiel Proficloud.io, AWS oder Azure) speichern. So entsteht eine Datenbasis für die nachfolgende Auswertung mit MLnext.

Neuronales Netz zum Erkennen von Abweichungen

MLnext Creation ermöglicht es Domänenexperten ein Modell eigenständig und ohne Vorkenntnisse in Machine Learning zu trainieren. Über eine benutzerfreundliche Oberfläche wird der Anwender durch den gesamten Prozess geführt. Für das erste Modelltraining reichen oftmals die Betriebsdaten von ein bis zwei Wochen aus. Sie sollten sämtliche relevanten Produktionsarten und Produktvarianten abdecken, damit das Modell ein umfassendes Bild des Normalzustands des Motors erlernen kann. Die Zusammenlegung von Daten ähnlicher Motoren erlaubt das Trainieren eines gemeinsamen Modells, das sich für die Überwachung mehrerer Motoren nutzen lässt (Bild 4).

Die Daten für das Training können aus der zuvor erwähnten Datenbank exportiert und als CSV-Datei in MLnext Creation hochgeladen werden. Das Training läuft anschließend automatisch im Hintergrund ab und lässt sich auf beliebiger Hardware ausführen. Als Resultat ergibt sich ein neuronales Netz, das speziell für die Erkennung von Abweichungen des Betriebsverhaltens trainiert wurde.

Dieses Modell wird im ONNX-Format bereitgestellt, einem offenen und herstellerunabhängigen Industriestandard. Das ermöglicht eine einfache Einbindung in unterschiedliche Laufzeitumgebungen.

Test in einer Demo-Version

Das trainierte Modell im ONNX-Format ist nun bereit für den nächsten Schritt: den produktiven Einsatz zur fortlaufenden Überwachung der Elektromotoren. MLnext Execution bietet eine performante und flexible Laufzeitumgebung, die insbesondere für industrielle Anwendungen entwickelt wurde. Über eine modulare Verarbeitungspipeline wird der komplette Prozess von der Datenbeschaffung und -verarbeitung über die Inferenz mit dem Modell bis zur Evaluation der Ergebnisse und dem Speichern der Resultate abgebildet. Die Konfiguration erfolgt über eine Benutzeroberfläche oder eine Konfigurationsdatei (Bild 5).

Darüber hinaus eröffnet MLnext Execution den Vorteil, dass das Modell zuerst in einer Demo-Version getestet werden kann. In dieser Sandbox-Umgebung lassen sich historische Daten aus einer CSV-Datei so abspielen, als wären es Live-Daten. Auf diese Weise kann der Anwender das Verhalten eines Modells unter realitätsnahen Bedingungen evaluieren, bevor es in den Live-Betrieb geht. Die plattformunabhängige Bereitstellung erlaubt die Ausführung von MLnext Execution auf verschiedener Hardware. Um alle Schritte der zustandsbasierten Instandhaltung auf einem Gerät zu vereinen, bietet sich der Box-PC VL3 UPC an. Auf dem Gerät werden die Daten mit dem IIoT-Framework gesammelt, lokal in einer Datenbank archiviert und mit MLnext Execution analysiert.

Fazit

Die Kombination aus Datenerfassung, -speicherung und intelligenter -auswertung mit MLnext ermöglicht eine effektive und skalierbare Zustandsüberwachung von Elektromotoren. Mit MLnext Creation und MLnext Execution stehen intuitive Werkzeuge zur Verfügung, mit denen Domänenexperten ohne Programmierkenntnisse Machine-Learning-Modelle trainieren und produktiv nutzen können. Dadurch wird die zustandsbasierte Instandhaltung nicht nur technisch umsetzbar, sondern auch finanziell attraktiv, was zu einem maßgeblichen Fortschritt hin zu einer intelligenten, ausfallsicheren Produktion führt. (mh)

Die Vorteile auf einen Blick

Die intelligente Überwachung von Elektromotoren ist ein Schlüssel zu mehr Effizienz, Sicherheit und Wirtschaftlichkeit in der Produktion. MLnext stellt eine ganzheitliche Lösung bereit, mit der Unternehmen den Übergang von der zeit- zur zustandsbasierten Instandhaltung einfach, sicher und skalierbar bewältigen können. MLnext bietet folgende Vorteile:

• frühzeitige Fehlererkennung durch KI-basierte Analyse,
• keine Programmierkenntnisse erforderlich,
• lokale Datenverarbeitung zur vollen Kontrolle und Datensicherheit,
• schnelle Integration in bestehende Anlagen und Sensorik,
• skalierbar vom Einzelmotor bis zur gesamten Anlage,
• Echtzeit-Visualisierung von Zuständen, Trends und Abweichungen,
• risikofreie Tests durch den Sandbox-Modus,
• plattformunabhängige Ausführung auf Industrie-Hardware,
• Effizienzsteigerung aufgrund einer bedarfsgerechten Wartung und
• zukunftssicher durch offene Standards und eine modulare Architektur

Literatur

1. Phoenix Contact GmbH & Co. KG, Bad Pyrmont:
    www.phoenixcontact.com/de-de/industrien/digital-factory
   www.phoenixcontact.com/de-de/industrien/applikationen/ot-meets-it
   www.phoenixcontact.com/de-de/industrien/applikationen/mlnext