Motek 2017

••• 12••• Innovationen Machinery that repairs itself Maintenance technology: forecasting machine downtimes in production before they occur I n the EU-funded project SelSus, Fraunhofer scientists are collab- orating in a consortium with part- ners from research and industry to develop maintenance technol- ogy capable of forecasting ma- chine downtimes in production before they occur. This allows plant managers to rectify faults before the machine breaks down. The system even corrects some defects automatically. “The aim is not just to monitor the status of the machines and com- ponents,” explains Martin Kasper- czyk from Fraunhofer IPA. “Using intelligent software and sensor networks, the plan is to detect potential weak points or signs of wear and tear early enough for the system to be able to pre- dict potential malfunctions,” he stresses. The developed diagnos- tic models also directly provide suggestions or recommendations on how to rectify the problem. An Italian project partner uses such a decision-support system. The sys- tem is capable of predicting with a certain probability potential fail- ures on a press for washing ma- chine facings and of diagnosing actually occurring malfunctions. The data needed to monitor the machine status are partially pro- vided by sensors. They measure values such as energy consump- tion, temperature, oil pressure, particles in the oil or vibrations. Fraunhofer IPA and the participat- ing consortium have also proved that the technology functions reli- ably in practice. The system is even capable of sending control impulses to indi- vidual machines. A welding con- trol on which a sensor has failed, for instance, can continue to work almost seamlessly in a secure mode, without any serious disrup- tions. The capability for self-repair and sustaining production has al- so given the project its name. The full project title of SelSus is “Health Monitoring and Life-Long Capability Management for Self- Sustaining Manufacturing Sys- tems”. However, first a number of technological hurdles had to be overcome. Martin Kasperczyk says: “One of the biggest chal- lenges was analyzing the flood of data. After all, we’re talking here about predicting malfunctions or breakdowns of machines with a high degree of reliability. You don’t get there just by program- ming a couple of algorithms.” The experts are putting their faith in Bayesian networks. A Bayesian network is a mathematical model that can be used to compute the probabilities of a certain event or state occurring. The model repre- sents a set of variables and their conditional dependencies. With the help of the data collected by the sensors, the software for ex- ample computes the probabili- ties of a specific high-stress cable breaking in the near future and, where applicable, signals that it should be replaced. But the SelSus software relies not only on sensors. It also takes the technical characteristics of the machine and its performance pa- rameters into account. These data have to be captured during instal- lation and configuration of the system. Moreover, an extensive test run tells the system how the machine and its components be- have in continuous operation and under load. The solution enables eliminating production downtimes. Photo: Fraunhofer IPA Im Dauer-Fitness-Check: Wenn Industrieroboter hei laufen Früherkennungsprogramm für technische Anlagen behält Zustand von Maschinen pausenlos im Auge Ein Früherkennungsprogramm für technische Anlagen hat das For- scherteam von Andreas Schütze an der Universität des Saarlandes entwickelt. Es behält den Zustand von Maschinen pausenlos im Au- ge, stellt Diagnosen und kündigt an, wann ein Ersatzteil ausge- tauscht werden muss: Intelligente Sensoren sammeln permanent Messdaten aus dem Inneren der Geräte und vergleichen die Daten- muster unablässig mit normalen Werten. Weichen die Muster ab, informiert das System sofort, wann ein Schaden droht und was dagegen zu tun ist. Roboter in Fertigungsstraßen ar- beiten unermüdlich und mikrome- tergenau – es sei denn, ein Bauteil gibt den Geist auf. Wird etwa ein Linearantrieb beschädigt, der ein werdendes Auto präzise vor dem künstlichen Monteur platziert, läuft es für dessen Roboterarm nicht mehr rund: Er positioniert die Autotür bei der Montage nicht mehr ganz so exakt. Folge: Die Tür sitzt falsch. Oder eine Maschinen- Komponente ermüdet und fällt plötzlich aus. Die ganze Produk- tion steht still. Dass es so weit erst gar nicht kommt, daran arbeitet das Ingenieurteam des Sensorex- perten Andreas Schütze an der Saar-Uni und am Zentrum für Me- chatronik und Automatisierungs- technik mit Partnern aus Industrie und Forschung. „Wir haben erforscht, wie sich die Signalmuster – etwa die Frequenz von Schwingungen – bei typischen Schadens- und Fehlerzuständen verändern“, erklärt Professor Schütze. Hierzu haben die For- scher die Muster Abertausender von Messdaten untersucht und aus der Masse diejenigen identifi- ziert, die mit bestimmten Schäden oder Verschleiß einhergehen. „Mit diesem Wissen füttern wir die Sensoren: Wir machen sie intelli- gent, sodass sie diese Abweichun- gen selbst erkennen“, erläutert Nikolai Helwig aus Schützes Team. Auf diese Weise brauchen die For- scher keine externe Auswerteein- heit mehr, das System wertet sich selbst aus. Ziel der Forscher ist es, einen Baukasten mit Sensoren und Modulen zu entwickeln, aus denen Maschinen-Inhaber für ih- re Anlagen ganz individuell einen Fitness-Check zusammenstellen können. „Die Sensoren werden maßgeschneidert in eine Anlage integriert, auch nachträglich noch. Sie zeichnen zuerst eine Zeit lang Rohdaten auf, also die Messwerte, die den Normalzustand wiederge- ben“, schildert Helwig. Danach ist das System bereit: Es vergleicht im laufenden Betrieb ständig die Daten mit typischen Sensormustern von beginnenden Fehlfunktionen und Schäden der Anlage. „Unser Verfahren macht auch andere Lösungen für Indus- trie 4.0 denkbar. Etwa bei der Qualitätskontrolle: Es erkennt, ob Maschinen während eines Ferti- gungsprozesses in einwandfrei- em Zustand gearbeitet haben“, ergänzt Schütze. Nikolai Helwig (l.) und Tizian Schneider, Forscher an der Universität des Saarlands, testen das Früherkennungs- programm an einem elektromechanischen Zylinder. Foto: Oliver Dietze