In fertigungsorientierten und hybriden Industrien stellt die Erzeugung und Bereitstellung von Druckluft einen großen Kostenfaktor dar. Sie trägt 20 – 30 % zu den Gesamtenergiekosten bei. Außerdem ist ein erheblicher Teil dieser Kosten unnötig, da fast ein Drittel bis ein Viertel des industriellen Druckluftverbrauchs durch Leckagen verursacht wird. Leckagen in der Druckluftzufuhr sind demnach ein bedeutender Kostenfaktor in der industriellen Produktion.
Machine-Learning steigert die Gesamtanlageneffizienz
Die zunehmende Komplexität von industriellen Systemen erhöht die Anforderungen an eine Fehlererkennung von pneumatischen Anomalien, insbesondere in Bezug auf die Identifikation der jeweiligen Subsysteme oder konkreten Bauteile innerhalb einer Fertigung. Nicht nur eine frühzeitige Erkennung solcher Anomalien, sondern auch eine bestmögliche Lokalisierung innerhalb des Systems stellt somit einen wichtigen Faktor dar, um ungeplante Ausfallzeiten zu reduzieren und damit die Gesamteffizienz der Industrieanlage sicherzustellen und zu verbessern.
Generell wird durch die frühzeitige Erkennung und Identifizierung von Leckagen der Energieverbrauch gesenkt. Zudem werden der CO2-Fußabdruck und die Wartungskosten durch eine verbesserte Gesamtanlageneffizienz verringert.
Digitale Lösungen innerhalb von Industrieumgebungen haben dazu geführt, dass dort durch eine Vielzahl von Sensoren und Zustandsüberwachungen eine vertiefte Leistungsüberwachung, Ursachenanalyse und Prozessverbesserung ermöglicht wird. Dieser Prozess der digitalen Transformation ist nun auf der nächsten Stufe angelangt, bei der die Generierung und Aggregation von Daten nicht nur deskriptive und diagnostische Analysen ermöglicht, sondern auch die Vorhersage von Ereignissen und Fehlern durch die Anwendung intelligenter Algorithmen. Insbesondere die Einführung von überwachten und unüberwachten Machine-Learning-Algorithmen hat sich zu einem wichtigen Anwendungsbereich in industriellen Umgebungen entwickelt.
IIoT-Ingenieure von Emerson haben ein auf maschinellem Lernen (Machine Learning) basierendes Modell zur Vorhersage des Durchflusses entwickelt. Wenn geringfügige Abweichungen vom erwarteten Verhalten auftreten, kann das Modell die entsprechenden Anomalien – wie Leckagen – erkennen und ihre Lage innerhalb der Anlage genau bestimmen. Machine-Learning-Modelle können das Auftreten und den genauen Ort solcher Anomalien vorhersagen und bieten dadurch die Möglichkeit, Leckagen vollständig zu vermeiden und die Gesamtanlageneffizienz wesentlich zu verbessern.
Dank Machine Learning bereits vorab informiert
Prädiktive Machine-Learning-Modelle sind möglicherweise auch für diejenigen noch neu, die mit der digitalen Transformation schon vertraut sind und vielleicht schon die Vorteile von Echtzeitüberwachung und -messung kennen. Beide Modelle unterstützen Betriebe bei der Kostensenkung und Prozessoptimierung, aber die Ergebnisse unterscheiden sich deutlich. Durch die Echtzeitüberwachung werden Anwender über einen Vorfall informiert und können unmittelbar darauf reagieren. Dadurch werden die Auswirkungen eines Problems minimiert. Vorhersagemodelle können hingegen Probleme gänzlich verhindern, indem sie Informationen dazu liefern, was geschehen wird. Statt erst kurz nach dem Vorfall benachrichtigt zu werden, erhalten Endanwender schon vorab Informationen, dass ein Problem in Kürze auftreten wird oder kann. Das versetzt sie in die Lage, ihre Abläufe zu optimieren und von reaktiven zu proaktiven Betriebsprozessen überzugehen.
Während Überwachungslösungen Einblicke in Echtzeit bieten, gehen Machine-Learning-Modelle darüber hinaus und bieten Einblicke in die Zukunft. Aus unzähligen Büchern und Filmen wissen wir genau, wie wichtig es ist, schon im Voraus zu wissen, was passieren wird, bevor es tatsächlich eintritt. Betriebe, die prädiktive Machine-Learning-Modelle zur präzisen Steuerung ihrer Abläufe nutzen, können damit eine kontinuierliche Anlagenverfügbarkeit erreichen, Qualitätsprobleme vermeiden und sogar Arbeitsunfälle verhindern.
In einer ideal vernetzten Welt melden intelligente Systeme Fehler schon, bevor sie auftreten, und leiten die erforderlichen Maßnahmen ein. Stellen Sie sich folgenden Prozess vor: Das System sagt eine Leckage und deren Entstehungsort voraus, bestellt dann die Komponente, deren Ausfall prognostiziert wird, und plant die Wartung in einem regelmäßigen Zeitfenster, bevor viel Luft entweichen kann – es gibt keine ungeplante Ausfallzeiten und keinen unnötigen Energieverbrauch mehr. Mithilfe von prädiktiven Machine-Learning-Modellen können derartig optimierte Abläufe Realität werden.
Typische industrielle Anwendungen bieten diverse Herausforderungen für Machine-Learning-Modelle im Bereich der Pneumatik. Moderne Industrieanlagen und die Umgebungen, in denen sie eingesetzt werden, unterscheiden sich zum Teil stark. Die Temperaturen und die relative Viskosität der Luft unterscheiden sich von Anlage zu Anlage; das verhindert einfache, lineare Modelle. Die Konfiguration und Druckluftversorgung der einzelnen Systeme reichen von einigen wenigen bis zu mehreren hundert Komponenten. Da Leckagen lokale Ereignisse sind, müssen die Modelle sie den jeweiligen Komponenten zuordnen können. Zu dieser Vielfalt kommt hinzu, dass für viele Anwendungen nur eine begrenzte Menge an Trainingsdaten zur Verfügung steht. Die digitale Transformation von Industrieanlagen wird zukünftig ein umfangreiches Spektrum an Sensor- und Prozessdaten bieten. Aktuell sind jedoch nur wenige historische Daten vorhanden, da die meisten Maschinen noch mit wenigen oder keinen Sensoren ausgestattet sind. Glücklicherweise liefert bereits der Einsatz weniger Sensoren genügend Referenzdaten für das Trainieren eines Machine-Learning-Modells.
Wichtiger Kerngedanke der digitalen Transformation
In den meisten Fällen geht es nicht darum, neue Algorithmen oder Technologien zu erfinden, sondern das Umfeld sowie die Anwendung zu verstehen und vorhandene technologische „Bausteine“ einzusetzen, die einen Mehrwert bieten. Aus Sicht der Pneumatik sind die wichtigsten Daten die zentrale Durchflussrate der Druckluft und die binären Steuersignale der Pneumatikventile aus den SPS-Steuerdaten der Anlage.
Was lernt ein Machine-Learning-Modell aus der zentralen Durchflussrate und den binären Steuersignalen über das Vorhandensein oder den Entstehungsort von Leckagen? Die Durchflussrate selbst sagt nichts weiter aus als die allgemein verbrauchte Luftmenge. Das Modell kann daraus aber den idealen Arbeitsablauf ableiten. Dabei ist es wichtig, dass die zentrale Durchflussrate gemessen wird, ohne dass tatsächliche oder potenzielle Leckagen vorhanden sind. Wenn der Luftstrom von diesem idealen Arbeitsablauf abweicht, deutet dies auf eine mögliche Leckage hin. Die Korrelation dieser Abweichung mit den binären Signalen des Ventilblocks zeigt dann genau, wo die Anomalie auftritt.
Proaktive statt reaktive Anlagen
KI-basierte Zustandsüberwachung und -vorhersage sind die Werkzeuge der Zukunft für optimierte Produktionssysteme und Energienutzung in der Industrie. Dank der Innovationen führender Lösungsanbieter für die digitale Transformation und der Entwicklung standardisierter Toolsets sowie Bibliotheken werden diese hochentwickelten Analysewerkzeuge immer einfacher zugänglich. Die Lösungen helfen Betrieben dabei, Kosten zu senken und ungeplante Stillstände zu vermeiden, wodurch sie sich schnell bezahlt machen.
Machine-Learning-Modelle tragen dazu bei, Anomalien in Pneumatikanlagen zu erkennen, bevor sie einen Prozess verlangsamen oder Schlimmeres verursachen. Diese fortschrittlichen Lösungen verhelfen Betrieben zu mehr Energieeffizienz, geringeren Kohlendioxidemissionen und Energiekosten sowie optimierter Ressourcennutzung aufgrund der Zustandsüberwachung und -vorhersage. Durch die Integration von Machine-Learning-Modellen ist die Anlage der Zukunft proaktiv statt reaktiv. Dieser Grad der digitalen Transformation hat das Potenzial, die betrieblichen Abläufe nicht nur zu verbessern, sondern vollumfänglich zu optimieren; und er versetzt Betriebe in die Lage, ihre eigene Zukunft nicht nur zu erkennen, sondern auch zu steuern. (sc)
Kontakt:
Emerson Automation Solutions Aventics GmbH
Ulmer Straße 4
30880 Laatzen
Tel.: +49 511 2136–0
Mail: info.aventics@emerson.com
Website: www.emerson.com
Hier finden Sie mehr über:
