In einem Forschungsprojekt hat Weidmüller zusammen mit dem Spitzencluster It’s OWL Verfahren zum Condition Monitoring entwickelt, die relevante Veränderungen im Verhalten von einzelnen Automatisierungsgeräten bis hin zu Maschinen erkennen und an den Anlagebetreiber kommunizieren können. Die Ergebnisse des Abschlussberichts mit dem Namen It’s OWL InnovIIT: Signal- und modellbasierte Verfahren lassen sich sehr gut anwenden.
Die signalbasierte Diagnose ist eine einfache und sehr verbreitete Diagnosemöglichkeit. Im Wesentlichen besteht die Fehlererkennung aus der Grenzwertüberwachung eines Signals. Der Grenzwert wird meist durch einen Experten der Anlage vorgegeben oder bezieht sich auf einen normierten Bereich der Signale. Ist zum Beispiel die Überwachung einer Motortemperatur gewünscht, so muss diese durch einen entsprechenden Sensor an dem beobachteten Motor erfasst werden. Mit einer kontinuierlichen Betrachtung des Signalwertes lässt sich bei einer Grenzwertüber- oder -unterschreitung ein mögliches Fehlverhalten feststellen.
Signalbasierte Diagnose ist für die Überwachung von einzelnen kritischen Komponenten gut geeignet. Da es sich um ein explizites Signal an einer überwachten Komponente handelt, ist damit auch die Fehlerlokalisierung gegeben. Kommunikationsfähige Automatisierungskomponenten, die sich in eine bestehende Anlage einbinden lassen, und die Vernetzung von Produktionssystemen unterstützen, stellen eine flexible Möglichkeit dar, dieses Konzept zu realisieren. Beispielsweise lassen sich durch die Nutzung kommunikationsfähiger Signalwandler Messwerte kontinuierlich überwachen, ohne dass dafür zusätzliche Komponenten genutzt werden. So können sie in Abhängigkeit von Prozesszuständen einen Alarm generieren, etwa bei einer Über- oder Unterschreitung von frei definierbaren Grenzwerten. Die Messung der Prozesswerte und ihre Aufbereitung rücken damit wesentlich näher mit den Engineering- und Steuerungssystemen zusammen. Diagnosemöglichkeiten, die ansonsten nur komplexen Prozessgeräten vorbehalten sind, können auf alle Messungen in einer Applikation ausgeweitet werden.
Modellbasierte Anomalieerkennung
Die Prozessführung und -überwachung in komplexen industriellen Automatisierungssystemen ist mit hohen Anforderungen an den Menschen verbunden. Große Mengen schnell veränderlicher Daten müssen in kurzer Zeit analysiert werden, um Prozessfehler oder Optimierungspotenzial zu erkennen. Es entsteht somit ein wachsender Bedarf nach intelligenten Condition Monitoring und Diagnoseansätzen, die diesen Anforderungen gerecht werden.
Ein solcher Ansatz ist beispielsweise die Anomalieerkennung. Eine Anomalie wird als unregelmäßiges oder abnormales Verhalten im Vergleich zu einem normalen Verhalten verstanden. In der heutigen industriellen Produktion kann eine Anomalie bei einer Anlage oder bei einer einzelnen Maschine den gesamten Prozess beeinflussen. Dadurch kann wiederum die Produktion stark beeinträchtigt werden.
Bei der Anomalieerkennung haben sich modellbasierte Verfahren etabliert. Außerdem wird das Normalverhalten der Produktionsanlage oder allgemein eines Systems durch ein Modell widergespiegelt. Eine Abweichung, zwischen dem beobachteten Verhalten an der Produktionsanlage und dem vorhergesagten Verhalten durch das Modell, lässt auf eine Anomalie beziehungsweise auf ein Fehlverhalten schließen. Unter einem Modell wird hier die Abstraktion der Realität auf die wesentlichen Eigenschaften eines Systems verstanden.
Mit dieser Methode können zwei verschiedene Fehlertypen erkannt werden: Fehlerhaftes Verhalten im logischen Ablauf des Anlagenprozesses und fehlerhaftes Zeitverhalten des Anlagenprozesses. Zur Erkennung von fehlerbehaftetem Verhalten im logischen Anlagenprozess können Algorithmen wie zum Beispiel Anoda verwendet werden. Bei jedem Event, das in der Anlage beobachtet wird, wird ein Abgleich mit der Vorhersage des Modells vorgenommen. Kann das beobachtete Event im Modell ebenfalls durchgeführt werden, befindet sich die Anlage im Normalbetrieb. Sobald ein Event erfasst wird, dass aus dem aktuellen Zustand heraus im Modell nicht ausgeführt werden kann, deutet dies auf einen Fehler in der Anlage hin. Bei Verwendung von hybriden Automaten werden zusätzlich die kontinuierlichen Signale beobachtet und mit dem Modell abgeglichen. Des Weiteren können temporale Fehler im Anlagenprozess erkannt werden. Die statistischen Informationen der Zeit erlauben die Erkennung von schleichenden Fehlern. Nach dem Ampelstatusprinzip (zum Beispiel gemäß den Verbandsnormen Namur NE107 oder VDMA 24582) können unterschiedliche Stufen für die einzuleitenden Maßnahmen angegeben werden. Basierend auf den gelernten statistischen Parametern – Mittelwert und Standardabweichung – kann bei Überschreiten entsprechender Schwellwerte zunächst eine Warnung und anschließend der Fehler ausgegeben werden.
Gezieltes Überwachen von Anlagen
Mit dem ACT20C-Modul bietet Weidmüller einen Strommesswandler zum Überwachen und Optimieren von Anlagen und Prozessen. Denn um diese effizient betreiben zu können, benötigen Anwender kontinuierlich Informationen über den aktuellen Zustand von Geräten. Die Strommesswandler ermöglichen ein präzises Condition Monitoring: Vorbeugende Strategien lassen sich mittels Informationen über Betriebsbedingungen und Prozessdaten der angeschlossenen Geräte umsetzen. Über die Station des Gateways erfolgt die Überwachung. Anwender nehmen die Software-Konfiguration auf Basis des FDT- und FDT2-Standards vor, dies erleichtert die Parametrierung.