Pumpen, Antriebe, Klappen, Verschlüsse, Filter, Düsen ... Industrielle Prozesse funktionieren nur, solange jede der Anlagenkomponenten fehlerfrei arbeitet. Methoden des Predictive Maintenance versuchen vorherzusehen, wann eine Wartung oder ein Austausch sinnvoll ist, um Produktionsausfälle zu vermeiden. Bisherige Prognosemethoden stoßen dabei schnell an ihre Grenzen. Forscher am Fraunhofer IFF haben nun eine Möglichkeit entwickelt, um eine erhebliche Verbesserung der Vorhersagen zu gewährleisten: Für ihre Prognosen nutzen sie eine KI, die auf Erfahrung der Mitarbeiter basiert.

Eine Flüssigkeit zu mikroskopisch kleinen Tröpfchen vernebeln – mit einer Zweistromdüse kein allzu umfangreiches Problem. Ihr Sprühkopf lässt neben der Flüssigkeit zusätzlich Luft oder ein Gas ausstoßen. In der Prozesstechnik für Industriebereiche wie Chemie, Öl-und Gas, Energie oder Pharma ist dieses Verfahren Standard. Probleme bereiten die Zweistromdüsen in der Regel erst, wenn die Düse verstopft ist. Ihr Austausch ist zwar rasch erledigt. Dennoch ist jeder Ausfall ein unter Umständen erheblicher Zeit- und Kostenfaktor. Denn die gesamte Anlage muss dafür gestoppt und danach wieder hochgefahren werden. In vielen Fällen ist es zudem erforderlich, nicht nur die Vernebelung, sondern den gesamten übergeordneten Produktionsprozess noch einmal neu zu beginnen. »Vermeiden ließe sich dieses Procedere nur, wenn die drohende Verstopfung einer Düse rechtzeitig vor deren Eintreten bekannt wäre. Man könnte dann rechtzeitig geeignete Gegenmaßnahmen ergreifen«, erklärt Dr. Nico Zobel vom Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF. Genau dies wollen er und sein Team nun ermöglichen. Ihr Ansatz dafür: Einen neuen und verfeinerten Verfahrens-Mix für Predictive Maintenance, also die vorrausschauende Wartung, nutzen.

Grenzen mathematischer Vorhersagen

Gängige Methoden zur Vorhersage von Komponentenausfällen verwenden komplexe mathematische Verfahren, für deren Berechnung sie neuronale Netze einsetzen. Ausgangspunkt sind dabei vorhandene Betriebsdaten der Produktionsanlage aus der Vergangenheit. So können den menschlichen Gehirnaktivitäten nachempfundene Rechenmodelle versuchen, Parameterkonstellationen zu bestimmen, die auf den nächsten Komponentenausfall hindeuten. Ein anderes mathematisches Verfahren sind sogenannte Fuzzy-Modelle. Hier basieren die Berechnungsmodelle auf sogenannten unscharfen Theorien. Auch diese Modelle dienen letztendlich dazu, die Wahrscheinlichkeit eines Ausfalls anhand der bekannten Störungen aus der Vergangenheit abzuleiten. 

Für einen konkreten Anwendungsbereich wie beispielsweise der Bestimmung von Störungen der Zweistromdüse einer Wirbelschicht-Granulieranlage erreichten die Forscher allerdings mit keinem der beiden mathematischen Verfahren eine ausreichend hohe Vorhersagequalität. Auch eine Kombination beider Verfahren lieferte immer noch nicht die geforderte Genauigkeit. Der Grund dafür ist einfach: »Komponenten wie eine Zweistromdüse arbeiten grundsätzlich sehr zuverlässig. Verschleiß oder eine Verstopfung sind relativ selten. Entsprechend wenig Erfahrungswissen steht für eine Analyse der Parameterkonstellationen und damit auch für eine Vorhersage einer Ausfallwahrscheinlichkeit zur Verfügung«, erklärt Zobel.

KI generiert zusätzliches Wissen

Die Forscher am Fraunhofer IFF entwickelten nun eine erweiterte Methode, mit der sie selbst die Ausfallwahrscheinlichkeiten von seltenen Fällen wie bei der Zweistromdüse bestimmen können. Ausgangspunkt hierfür sind nun nicht mehr allein die Betriebsdaten der Produktionsanlage. Die Forscher berücksichtigen für ihre Berechnungen zusätzlich das Erfahrungswissen der Arbeiter, die die Anlage bedienen. In Befragungen von Produktionsmitarbeitern ermitteln die Forscher dafür zusätzliche Informationen. Sie dienen dazu, die Bedingungen im Vorfeld eines Ausfalls detaillierter zu definieren. »Das sind zwar oft nur Kleinigkeiten, die den Produktionsmitarbeitern in der Vergangenheit vor einem Ausfall aufgefallen sind. Dennoch können eben diese den entscheidenden Wissensinput liefern«, betont Zobel. Solche Beobachtungen können unterschiedlichste Veränderungen im Prozessablauf sein oder einfach nur ein bestimmtes Geräusch. Die gesammelten Aussagen der Arbeiter sind dabei in der Regel keine exakten Angaben zu messbaren Parametern, sondern eine qualitative Einordnung von Anlagenzuständen in Kategorien wie »gut«, »mittel« oder »schlecht«.

Bessere Vorhersagequalität für Predictive Maintenance

Die neue Methode liefert das wichtige Erfahrungswissen der Produktionsmitarbeiter in »mathematischer Form«, so dass es in rechenbaren Modellen verarbeitet werden dann. Vor allem liefern die Rechenergebnisse ihrerseits wieder einen entscheidenden zusätzlichen Input, um die neuronalen Netze besser trainieren zu können. Durch die Kombination der beiden Verfahren erreichten die Forscher nun eine erheblich verbesserte Vorhersagequalität für das Beispiel Zweistromdüsen. In der Anwendung ist das Verfahren nicht auf den konkreten Fall der Zweistromdüsen beschränkt. Vielmehr ist es universell für die verschiedensten industriellen Anlagenkomponenten wie Pumpen, Antriebe, Klappen, Verschlüsse, Filter oder Düsen einsetzbar. Aktuell gehen die Forscher mit dem erweiterten Prognoseverfahren in die ersten industriellen Praxistests. Die Ausfallwahrscheinlichkeit für richtige Prognoseergebnisse ihres neuen Methoden-Mixes dürfte dabei gering sein.

(stw)

Keine Kommentare vorhanden

Das Kommentarfeld darf nicht leer sein
Bitte einen Namen angeben
Bitte valide E-Mail-Adresse angeben
Sicherheits-Check:
Eins + = 8
Bitte Zahl eintragen!
image description
Experte
Alle anzeigen
Dr. Nico Zobel
  • Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF
Weitere Artikel
Alle anzeigen
Wolkig mit Aussicht auf Inzidenzanstieg
Akustischer Fingerabdruck 
Mit Brief und Siegel
Stellenangebote
Alle anzeigen