Bewährte Methoden für datengetriebene Maschinenverfügbarkeit

• Korrektive Instandhaltung (reaktiv: Etwas ist passiert)
  Reparieren, wenn es kaputt ist
• Präventive Instandhaltung (feste Zeitintervalle)
  Reparaturen und Ersatz basierend auf Maschinenlaufstunden
• Zustandsorientierte Instandhaltung (diagnostisch: Was ist passiert?)
  Kontinuierliche Überwachung ermöglicht Just-in-Time-Instandhaltung und Ursachenanalysen
• Vorausschauende Instandhaltung (Prognose: Was könnte passieren?)
  Zukünftiger Maschinenzustand wird prognostiziert und Instandhaltungskampagnen synchronisiert
• Verschreibende Instandhaltung (Beratung: Was sollten wir tun?)
  Einfluss der Instandhaltung auf die Maschine (z. B. Verfügbarkeit) und die beste Vorgehensweise

Seit Jahrzehnten wird die zustandsorientierte Instandhaltung (condition based maintenance - CBM) als „vorausschauende Instandhaltung“ bezeichnet. Mit dem Aufkommen fortschrittlicher Datenanalysen wie der Erkennung von Fehlermustern für industrielle Anwendungen muss dies geändert werden, da es eine Verharmlosung der echten vorausschauenden Instandhaltung darstellt.

Die Online-Zustandsüberwachung kombiniert historische mit Echtzeitdaten und beschreibt, was gerade in einer Maschine passiert. Ein Zeitraum-Schieberegler, zum Beispiel für Trendzusammenstellungen, bietet keine Optionen wie „zeige morgen“, „zeige nächste Woche“ oder „nächste sechs Monate“. Alle Analysen sind retrospektiv und geben nur unscharfe Hinweise auf zukünftige Maschinenzustände. Daher ist der korrekte Begriff „diagnostische oder beschreibende Analysen“.

Wenn jedoch Trenddiagramme von beispielsweise Verschleissteilen einen stetigen und konsistenten Anstieg zeigen, können Betreiber selbst Prognosen erstellen, um den Zeitpunkt für den Austausch abzuschätzen. Aber die Betriebsbedingungen der Maschine ändern sich; Laufgeschwindigkeit, Temperatur oder Druck können sich über Wochen aufgrund unterschiedlicher Einflüsse wie Produktionsarten oder Quoten verändern. Wird der Verschleisstrend so gleichmässig bleiben wie erwartet? Historische Daten sind erforderlich, um diese durch Betriebsbedingungen bedingten Schwankungen zu ergänzen und eine verlässliche Prognose zu erstellen.

Hier kommen fortschrittliche Analysen ins Spiel. Grosse Datenmengen liegen in modernen Zustandsüberwachungssystemen vor und bilden einen Wissensschatz, der in einem bisher nie dagewesenen Ausmass genutzt werden kann. Die Umwandlung von Daten in Informationen und schliesslich in Empfehlungen ist die Erfolgsformel der Überwachungssysteme von morgen. Die heute von Online-Zustandsüberwachungssystemen bereitgestellten Informationen sind unbestreitbar die beste Grundlage für Entscheidungen.

Der Einsatz spezialisierter Systeme ist der zuverlässigste Weg, kritische Anlagen zu überwachen. In naher Zukunft werden marktreife Systeme eine deutlich verbesserte Informationsqualität zusammen mit präzisen Prognosefähigkeiten bieten. Diese Systeme werden den Betreibern helfen, kritische rotierende Anlagen mit maximalem Schutz, Effizienz und schliesslich maximlaer Verfügbarkeit zu betreiben und gleichzeitig mit dem stets geringstmöglichen Kapitaleinsatz für Ersatzteile und Servicekampagnen.

Die Betreiber, die heute mit dem Gedanken spielen, ein vorausschauendes Überwachungssystem einzuführen, müssen über die Maschinendaten nachdenken, auf die sie bereits zugreifen können. In vielen aktuellen Diskussionen wird der Begriff „Big Data“ verwendet, um zu beschreiben, was es braucht, um eine fundierte Grundlage für Prognosen zu schaffen. Dabei ist zu beachten, dass diese Diskussion meist von IT- und Beratungsunternehmen initiiert und geführt wird, deren Geschäftsmodell auf Big Data basiert. Diese Unternehmen halten die Diskussion am Leben und erhöhen den Druck auf Firmen, „IoT-fähig zu werden“ oder „in Big Data Intelligence zu investieren“.

In Wirklichkeit erfasst und analysiert ein hochwertiges Zustandsüberwachungssystem schon heute Datenmengen, die niemand erwarten würde. Ein bekanntes Beispiel für Datenerfassung und -verarbeitung ist der sechsstündige Flug eines zweimotorigen Verkehrsflugzeugs, der innerhalb der Flugzeit 240 Terabyte (TB) an Daten erzeugt. Diese werden an Bord analysiert und speisen das EICAS (Engine Indicating and Crew Alerting System).

Wie verhalten sich diese 240 TB Daten im Vergleich zu einem Online-Zustandsüberwachungssystem, das rund um die Uhr läuft, um eine einzelne kritische rotierende Maschine zu schützen? Hier ein Beispiel:

4-Zylinder-Verdrängerkompressor mit empfohlener Standardinstrumentierung:

• Ein Vibrationssensor an jedem Kreuzkopf-Schlitten (4)
• Ein Vibrationssensor an jedem Zylinder (4)
• Eine dynamischer Drucksensor in jeder Verdichtungskammer (doppelt wirkend) (8)
• Eine Näherungssensor an jeder Kolbenstange (4)
• Ein Trigger für Drehzahlerfassung und Phasenreferenz (4)

Insgesamt: 24 Sensoren

Wie sich die erfassten Sensordaten summieren:

• Um ein wirklich gutes Bild vom Geschehen im Inneren der Maschine zu erhalten, wird eine Abtastrate von 25 kHz empfohlen
• Abtastrate x Sensoren = 525.000 Datensätze pro Sekunde
• Jeder Datensatz ist 2 Byte x 525.000 = 1.050 Kilobyte (KB) pro Sekunde
• Multipliziert man dies mit 60 (Sekunden), erhält man 63 Megabyte (MB) an Daten, die pro Minute erfasst und analysiert werden
• 63 MB pro Minute ergeben 91 Gigabyte (GB) pro Tag

91 GB an Sensorsignalen, täglich in Echtzeit von einem hochmodernen Überwachungssystem erfasst und analysiert, um einen zuverlässigen Maschinenschutz und eine frühzeitige Fehlererkennung zu gewährleisten!

„Big Data“ wird definiert als „Datensätze mit Grössen, die über die Fähigkeit gängiger Softwaretools hinausgehen, Daten innerhalb einer tolerierbaren Zeitspanne zu erfassen, zu verwalten und zu verarbeiten“. Wenn man bedenkt, dass unser Beispiel den Maschinenschutz einer einzelnen kritischen Maschine betrifft, ist offensichtlich, dass in einer einzigen Anlage mit einigen hundert überwachten rotierenden Maschinen sehr viele Daten verfügbar sind. Die Frage für Betreiber lautet nun: Wie kann diese Datenmenge dazu beitragen, den Betrieb effizienter und sicherer zu machen? Wie kann ich das Wissen nutzen, das in diesen verteilten Datenpools steckt?

Mithilfe von über die Zeit gesammelten Daten nutzen vorausschauende Analysen von rotierenden Anlagen Modelle zur Vorhersage bevorstehender Ausfälle. Sie empfehlen jedoch keine Massnahmen. Prädiktive Fähigkeiten wie Prognosen bieten erweiterte Einblicke, um fundiertere Entscheidungen zu treffen. Charakterisiert durch Trends und Korrelationen zur Identifikation von Ausfallmustern, wenden vorausschauende Analysen fortgeschrittene statistische Analysen und Soft-Computing-Methoden an, um klare Textmitteilungen als solide, datenbasierte Grundlage zu erzeugen, die das Vertrauen der Bediener in das Ergebnis stärken können.

Mehrere Technologien sind erforderlich, um den lückenlosen Strom von Sensorsignalen effizient zu analysieren und aussagekräftige Ergebnisse für Maschinenbediener zu liefern. „Maschinelles Lernen“ und „Soft Computing“ sind die Oberbegriffe für das, was benötigt wird.

Der Ausgangspunkt für Analysen ist unüberwachtes Lernen, um Ähnlichkeiten innerhalb grosser Datensätze zu identifizieren. K-means ist eine Deep-Learning-Technik, um Datenpunkte mit denselben oder ähnlichen Attributen oder Eigenschaften zu finden und daraus Cluster zu bilden. Das Ziel des Clustering ist die Beantwortung der Frage „Welche Datenpunkte sind ähnlich?“ In unserem Beispiel könnte ein Ergebnis ein Cluster von „PLS-Werten, die sich gleichzeitig ändern“ sein. Ein modernes Zustandsüberwachungssystem sollte diese Funktion bieten, da sie es dem System ermöglicht, sich ändernde Betriebsbedingungen in Echtzeit zu erkennen und zu definieren und als zweiten Schritt automatisch Warnschwellen entsprechend anzupassen.

Dieses Cluster kann mit überwachten Technologien wie Support Vector Machines oder Learning Vector Quantification weiter analysiert werden. Das Ziel ist die Beantwortung der Frage „Warum sind die Datenpunkte ähnlich?“ Dies ist eine noch anspruchsvollere Aufgabe, da das System lernen muss, was die Gründe für die Ähnlichkeit sind. Übersetzt in unser Beispiel des Kolbenkompressors lauten die Fragen: „Ich habe Überwachungsdaten von 12 verschiedenen Ventilausfällen. Welche Datensätze sind ähnlich oder genau gleich? Was ist der Unterschied zu den Datensätzen, die ich von einem überwachten Kolbenstangenausfall habe?“

Obwohl Fuzzy Logic nicht zur Disziplin des Deep Learning gehört, ist sie in Kombination mit neuronalen Netzen nützlich, um Ausfallmuster zu identifizieren und zu kennzeichnen, die bevorstehende Ausfälle als klare Textnachrichten melden. Ein weiteres reales Szenario ist die automatische Erkennung von Lagerschäden. Unsere patentierte „Confidence Factor“ Technologie basiert auf einer innovativen Mischung aus Mustererkennung und Fuzzy Logic.

Diese lange Liste angewandter fortschrittlicher Methoden zur Datenanalyse hebt die moderne Online-Zustandsüberwachung auf die nächste Stufe und macht sie leistungsstärker als je zuvor. Und die Entwicklung geht weiter: Es gibt mindestens ein System auf dem Markt, das Vorhersagefähigkeiten bietet. Basierend auf historischen Daten und Echtzeitsignalen ist es möglich, Projektionen des Verschleisstrends von Kompressorkolbenringen zu erstellen. Das mag einfach klingen, aber wie bereits geschrieben: Kompressoren haben einige hundert Betriebsbedingungen, und jede davon hat einen individuellen Einfluss auf die Zunahme oder Abnahme des Verschleisses. Um eine verlässliche Projektion zu berechnen, ist es zwingend erforderlich, alle Erfahrungen, zum Beispiel historische Daten, Echtzeitsignale und andere Analyseergebnisse, parallel zu berücksichtigen.

Das Erkennen einer Anomalie ist das eine. Sie zu definieren und genau zu lokalisieren, ist etwas anderes. Ein Überwachungssystem sollte nicht nur vor Problemen warnen, sondern auch eine genaue Diagnose mit spezifischer Komponentenidentifikation, Standortangabe und Hinweis auf das Ausmass des Schadens liefern. Mit diesen Informationen können Betreiber fundierte Entscheidungen über die erforderlichen Wartungsverfahren und deren Zeitpunkt treffen.

Eine genaue Fehlererkennung wird erreicht, indem ein komplexes Spektrum von Signalen erfasst und so analysiert wird, dass selbst geringfügige Veränderungen der eingehenden Signale erkannt werden können. Durch das Erkennen kleiner Veränderungen und das Verstehen ihrer Folgen werden Ausfälle frühzeitig erkannt – und Fehlalarme vermieden. Diese Art von tiefgehender Intelligenz erfordert ein Überwachungssystem, das speziell für das einzigartige Verhalten von rotierenden Anlagen entwickelt und durch jahrzehntelange Praxiserfahrung perfektioniert wurde.

Definitionen der Betriebszustände und deren entsprechende Warnschwellen können manuell festgelegt werden – jedoch dauert es Wochen, um den gesamten Satz von Warnschwellen für alle Analysen, für alle Messwerte und für alle Betriebszustände zu erarbeiten. Ein Überwachungssystem sollte diese Anpassungen automatisch vornehmen. Nach einer kurzen Lernphase erkennen moderne Systeme automatisch sich ändernde Betriebszustände – basierend auf Trenddaten der Maschine – und passen alle betroffenen Warnschwellen in Echtzeit präzise an, um Fehlalarme und nicht erkannte Fehler zu vermeiden.