Condition Monitoring: Anlagenstillstand effektiv vorbeugen

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print

Condition Monitoring: Anlagenstillstand effektiv vorbeugen

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print
Condition Monitoring unterstützt Unternehmen dabei, den Zustand ihrer Anlagen über das Messen wichtiger Betriebsdaten kontinuierlich zu überwachen, wie Vibrations- oder Temperaturwerte. Diese Informationen lassen sich über Sensorik im Maschinenpark sammeln und für datenbasierte Optimierungen einsetzen.
Condition Monitoring

Quelle: buffaloboy/shutterstock

Die CEPSA (Compañía Española de Petróleos) ist ein spanisches Unternehmen der Erdöl- und Erdgasbranche mit Sitz in Madrid. Eine regelmäßige Wartung und Pflege des großen Maschinenparks sind für den Konzern unerlässlich, um die zuverlässige Versorgung mit Erdöl und Erdgas auf einem hohen Qualitätsstandard zu garantieren. Daher werden die Anlagen in regelmäßigen Abständen auf mögliche Defekte oder Verschleißerscheinungen untersucht (Condition Monitoring).

Condition Monitoring: Effiziente Wartung

Zur Optimierung der Wartungsarbeiten setzt CEPSA eine intelligente Cloud-Lösung von AWS (Amazon Web Services) ein, die eine Maintenance über ein kontinuierliches Monitoring des Maschinenparks ermöglicht. Auf diese Weise lassen sich Wartungszeitpläne effizienter planen und die Verfügbarkeiten der Anlagen deutlich verbessern. Folgeschäden oder sogar Stillstände erkennt das Unternehmen dank der Lösung automatisch und kann an allen Standorten mögliche Risiken für den Maschinenpark vermeiden.

175 Sensoren kontrollieren den Turbinenzustand

Eine zuverlässige Prognose zum aktuellen Zustand einer Maschine kann das Condition Monitoring nur mithilfe von künstlicher Intelligenz und maschinellem Lernen abgeben. Um die hierfür notwendigen Daten zu ermitteln, kontrollieren beispielsweise über 175 Sensoren den Status einer essenziell wichtigen Strömungsturbine von CEPSA und melden diese Informationen an das Condition Monitoring. Damit unterstützt AWS auf Grundlage von Machine Learning eine effiziente Predictive Maintenance (vorausschauende Wartung) für alle Standorte. Auf diese Weise kann die CEPSA mögliche Risiken innerhalb des Maschinenparks rechtzeitig erkennen und teure Ausfallzeiten verhindern.

Eine besondere Rolle für die Infrastruktur von CEPSA spielt der AWS-Dienst Lookout for Equipment. Er wurde explizit für die Überwachung von Industrieanlagen und Maschinen konzipiert – etwa Pumpen, Kompressoren, Motoren, Wärmetauschern oder Kesseln. Amazon Lookout for Equipment erkennt ein ungewöhnliches Anlagenverhalten frühzeitig und identifiziert potenzielle Ausfallrisiken. Außerdem unterstützt der Service dabei, Prognosemodelle für die Wartung zu erstellen und Anlagenprozesse zu optimieren. Umfangreiche Kenntnisse zu maschinellem Lernen sind hierfür nicht erforderlich.

Condition Monitoring
Amazon Lookout for Equipment ist ein ML-Service zur Überwachung von Industrieanlagen, der ungewöhnliches Anlagenverhalten erkennt. Bild: Amazon Web Services

Das Condition Monitoring erfasst alle relevanten physikalischen Größen im Vorfeld – beispielsweise Schwingungen, Temperatur, Bewegungen beziehungsweise Neigungen – und erstellt auf Basis dieser Informationen Prognosen, die kontinuierlich aktualisiert werden. Zur Unterstützung der Monitoring-Funktionen verwendet AWS weitere Dienste wie zum Beispiel Amazon SageMaker. Dieser vollständig verwaltete Service übernimmt die schnelle Erstellung der Modelle, unterstützt aber auch deren Bereitstellung und Training sowie dient als Basis für das maschinelle Lernen.

Verarbeitung der Daten für Machine Learning

In der Initialphase nimmt Amazon Lookout for Equipment automatisch alle gelieferten Daten auf. Dazu zählen sowohl Informationen zum Betrieb der Maschinen als auch Sensordaten. All dies überträgt der Dienst automatisch in einen Amazon Simple Storage Service (S3) Bucket und erstellt daraufhin das jeweils bestmögliche Modell. So lernt das System die typischen Betriebsparameter für die Anlage kennen und kann sie später besser auswerten.

Im Lernprozess erstellt das System zunächst ein Dataset. Dafür formatiert Amazon Lookout for Equipment die erfassten Daten für die Eingabe, überträgt sie in einen S3-Bucket und wählt die relevanten Informationen aus. Nach einer Trainingsphase lässt sich das ML-Modell für die Überwachung der Anlage in Echtzeit einsetzen. Im weiteren Verlauf sammelt das System über einen Zeitraum von sechs Monaten zusätzliche Daten. Sobald dieser Vorgang abgeschlossen ist, prognostiziert das Modell selbständig mögliche Ausfälle und schlägt Wartungsintervalle vor.

Condition Monitoring
Amazon Lookout for Equipment analysiert Daten von Sensoren und Systemen, um ein individuelles ML-Modell der Anlage zu erstellen. Bild: Amazon Web Services

Umfassende Monitoring-Konnektivität

Als Dataset verwendet Amazon Lookout for Equipment die aus dem Maschinenpark ermittelten Daten und versieht sie mit einem Zeitstempel. Sobald alle Informationen mithilfe eines numerischen Datenschemas für den Service zugeordnet wurden, lassen sich Unregelmäßigkeiten und ihre möglichen Folgen für die Anlagen identifizieren. Ermitteln die Sensoren beispielsweise trotz hoher Umdrehungszahl eine vergleichsweise geringe Leistung, besteht das Risiko eines Anlagenstillstands.

Um eine zuverlässige Übertragung und Verarbeitung der Daten bei all diesen Prozessen zu gewährleisten, ergänzt AWS seinen Service mit Amazon Monitron – einem End-to-End-System auf Grundlage von maschinellem Lernen. Dabei messen Sensoren an den Anlagen die jeweilige Vibration und Temperatur. Diese Daten werden via Bluetooth Low Energy (BLE) an ein Gateway-Gerät und von dort über WLAN sicher an Amazon Monitron übertragen. Sobald sie angekommen sind, werden sie mithilfe von Machine Learning auf untypische Parameter untersucht. Für diese Schritte ist kein manueller Eingriff notwendig.

Condition Monitoring: Auch ältere Maschinen per App integrieren

Eine weitere Möglichkeit zur Verbesserung der Konnektivität besteht in der Ergänzung durch eine App, die sich besonders bei älteren Anlagen empfiehlt. Denn damit lassen sich auch ältere Maschinen in das System integrieren, was automatische Warnungen vor möglichen Risiken und Stillständen ermöglicht. Dank der nachrüstbaren Sensoren eignet sich diese Anwendung auch für den Retrofit von Anlagen. Die App ergänzt auch neuere Anlagen ideal und unterstützt die Verwendung von Amazon Lookout for Equipment oftmals direkt aus der Cloud.

Lösungen wie Predictive Maintenance beinhalten traditionell manuelle und komplexe Data Science­, beispielsweise die Auswahl der richtigen Algorithmen und Parameter. AWS geht mit seinem Service aber darüber hin­aus und automatisiert diese Prozesse. Dadurch können die Techniker vor Ort auf Grundlage der gesammelten Daten fundierte Entscheidungen treffen, um die Verfügbarkeit der Anlagen zu erhöhen und Betriebskosten zu senken.

Der Autor Jan Metzner ist Senior Specialist SA, Manufacturing bei Amazon Web Services.

Lesen Sie auch: Predictive Maintenance: Bald die Norm in der deutschen Industrie

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on xing
XING
Share on whatsapp
WhatsApp
Share on email
E-Mail
Share on print
Drucken

Andere Leser haben sich auch für die folgenden Artikel interessiert

Top Jobs

Industrial Digital Engineer (Holzwolle) m/w/d
Knauf Insulation GmbH, Ferndorf, Kärnten, Österreich
› weitere Top Jobs

Redaktionsbrief

Tragen Sie sich zu unserem Redaktions-Newsletter ein, um auf dem Laufenden zu bleiben.

Wir wollen immer besser werden!

Deshalb fragen wir SIE, was Sie wollen!

Nehmen Sie an unserer Umfrage teil, und helfen Sie uns noch besser zu werden!

zur Umfrage

Aktuelle Ausgabe

Topthema: Schluss mit der Zettelwirtschaft im Lager

Lagerverwaltung: Greif-Velox setzt auf ERP-AppS von PSI

Mehr erfahren

Entdecken Sie weitere Magazine

Schön, dass Sie sich auch für weitere Fachmagazine unseres Verlages interessieren.

Unsere Fachtitel beleuchten viele Aspekte der Digitalen Transformation entlang der Wertschöpfungskette und sprechen damit unterschiedliche Leserzielgruppen an.