Maschinen warten sich selbst

Maschinenpark wartet sich selbst

Forscher arbeiten an einer Technologie, die Maschinenausfälle in der Produktion prognostiziert. So können Betriebsleiter Fehler beheben, bevor die Maschine nicht mehr funktioniert. Manche Defekte beseitigt das System automatisch.

Der plötzlichen Ausfall einer Maschine während der laufenden Produktion ist ein Ärgernis – hektische Reparatureinsätze, steigende Kosten, beeinträchtige Liefertreue. Oft geht es um relativ kleine Defekte oder Verschleißerscheinungen. Sie bleiben unentdeckt, führen dann aber zu größeren Ausfällen und Produktionsstopps.

Das wollen die Forscher des europäischen Projekts SelSus ändern, an dem u. a. das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA beteiligt ist. Ein Ziel: Den Status der Maschinen und Komponenten überwachen. Darüber hinaus sollen aber Schwachstellen oder Verschleißerscheinungen mithilfe intelligenter Software und von Sensor-Netzwerken frühzeitig erkannt werden – so dass das System einen Ausfall prognostizieren kann.

Die Diagnoseverfahren geben dann Hinweise oder Empfehlungen, wie das Problem zu beheben ist. So wird etwa ein Decision-Support-System eingesetzt. Es kann mit einer gewissen Wahrscheinlichkeit bevorstehende Ausfälle vorhersagen und tatsächlich aufgetretene Störungen diagnostizieren. Die nötigen Daten zum aktuellen Status der Maschinen liefern dabei teilweise Sensoren. Sie messen Werte wie Energieverbrauch, Temperatur, Öldruck, Partikel im Öl oder Vibrationen.

Das System kann sogar selbst Steuerimpulse an einzelne Maschinen geben. Eine Schweißsteuerung beispielsweise, bei der ein Sensor ausgefallen ist, kann fast unterbrechungsfrei in einem „Sicheren Modus“ weiterarbeiten – ohne dass es zu größeren Störungen kommt.

Bayes´sche Netze und Sensordaten

Eine Herausforderung ist die Auswertung der Datenflut. Die Experten setzen auf die Bayes´schen Netze. Das ist ein mathematisches Verfahren, mit dem sich die Wahrscheinlichkeit berechnen lässt, mit der ein bestimmtes Ereignis oder ein Zustand eintritt. Dabei werden mehrere Variablen und die mit ihnen verbundenen Wahrscheinlichkeiten miteinbezogen. Mithilfe der von den Sensoren gewonnenen Daten berechnet die Software etwa die Wahrscheinlichkeit, dass ein bestimmtes stark beanspruchtes Kabel demnächst bricht.

Neben den Sensoren werden die technischen Eigenschaften der Maschine und ihre Leistungsparameter berücksichtigt. Diese Daten müssen bei der Installation und Konfiguration des Systems eingespeist werden.

Ein Beispiel für die Software kommt von einem Unternehmen aus Coventry: Dort ist in einer Motorenproduktion ein Dispenser – ein Dosierer – mittels Vakuum an einem Roboterarm befestigt. Sollte der Dispenser an einen Widerstand stoßen, bricht dieser nicht ab, sondern reagiert flexibel. Er verliert seinen mittels Vakuum erzeugten Kraftschluss und fällt einige Zentimeter, bis Federn ihn stoppen. Anschließend ziehen die Federn den Dispenser wieder zurück in seine ursprüngliche Position. Eine anschließende Kalibrierung stellt sicher, dass sich das Werkzeug in der korrekten Position befindet – der Arbeitsprozess geht nach der kurzen Unterbrechung weiter.

SelSus wird von der Europäischen Kommission mit knapp 5,4 Mio. Euro gefördert. Neben dem Fraunhofer IPA sind renommierte Industriepartner, Universitäten und weitere Forschungseinrichtungen beteiligt.

Bild: © Fraunhofer IPA