Do you want to see our content in English?

x
x

CO2 & Energiemanagement mit IIoT-Software

““

Klicken Sie auf den unteren Button, um den Inhalt von Spotify Player zu laden.

Inhalt laden

IoT Use Case Podcast auf Spotify anhören
IoT Use Case Podcast auf Spotify anhören
IoT Use Case Podcast auf anderen Plattformen anhören

IoT Use Case Podcast #64 - AIM, Emerson, B/S/H

Fünfzig Prozent Energiekosten sparen – klingt nicht nur für den Geldbeutel spannend, sondern auch für die Umwelt! In dieser Folge des IoT Use Case Podcast berichten gleich drei Firmen aus unserer IoT-Community von ihrem erfolgreichen Projekt live aus dem Shopfloor.

Folge 64 auf einen Blick (und Klick):

  • [04:28] Herausforderungen, Potenziale und Status quo – So sieht der Use Case in der Praxis aus
  • [11:30] Lösungen, Angebote und Services – Ein Blick auf die eingesetzten Technologien
  • [27:22] Ergebnisse, Geschäftsmodelle und Best Practices – So wird der Erfolg gemessen
  • [29:39] Übertragbarkeit, Skalierung und nächste Schritte – So könnt ihr diesen Use Case nutzen

Zusammenfassung der Podcastfolge

In Podcastfolge Nummer 64 geht es um die Erkennung und Verortung von Luftleckagen in pneumatischen Systemen und wie mit IoT Energie- und Leistungsverluste verhindert werden. AIM, Emerson Automation Solutions und BSH Hausgeräte zeigen, wie Predictive Maintenance in der Praxis wirklich funktioniert und welche Top 3 Geschäftspotenziale sich hier verbergen.

Wie hängen die drei Firmen zusammen? Emerson ist ein weltweit tätiges Technologieunternehmen mit über 140.000 Mitarbeitern aus den Branchen Maschinenbau und Betriebstechnik. Für diese Folge bringen sie ein Projekt aus ihrem Geschäftsbereich Automation Solution über IoT-fähige Pneumatik-Komponenten mit. IoT-Umsetzungspartner der Wahl ist AIM, ein Experte für industrielle KI-Lösungen mit Fokus auf Predictive Maintenance. Gemeinsam realisieren sie ein Projekt mit BSH Hausgeräte. Das Tochterunternehmen der Bosch-Gruppe liefert in diesem Projekt die realen Livedaten aus dem Shopfloor ihrer Motorenfertigung in Bad Neustadt. Dort arbeiten 500 Mitarbeiter und produzieren drei Millionen Motoren im Jahr. Sie setzen die Komponenten und Lösungen von Emerson zur Energiedatenerfassung bereits ein.

Am Ende der Folge taucht Madeleine Mickeleit mit ihren Gästen in eine spannende Diskussion in Richtung IoT-App-Store ab.

Die drei Podcastgäste sind:

  • Arvin Arora (Geschäftsführer, AIM)
  • Nils Beckmann (Produktmanager, Emerson Automation Solutions)
  • Werner Schlembach (Fertigungsleiter, BSH Hausgeräte)

Podcast Interview

Nils, die erste Frage an dich als Pneumatik-Experte: Warum ist das Thema, worüber wir heute sprechen, wichtig und was passiert an eurem Markt?

Nils

Da muss man ein bisschen weiter ausholen. Man sieht bei ganz vielen Unternehmen, dass das Thema Energieverbräuche, Effizienz eine immer größere Rolle spielt. Das heißt, wir sehen sehr viele Unternehmen, die sich Ziele setzen, zukünftig CO2-neutral unterwegs zu sein, Energieverbräuche zu minimieren. Das bringt für viele Firmen verschiedenste Vorteile. Das hängt auch immer ein bisschen vom Land ab. Manche erhalten Steuervorteile, zum Beispiel, Fördergelder, die man nutzen kann. Es gibt auch andere Länder, die sagen, man muss Strafe zahlen, wenn man gewisse CO2-Ziele nicht erreicht. Da kommt das Thema eigentlich so ein bisschen her.

Wir aus unserem Bereich sind schon immer mit dem Thema Leckagen unterwegs gewesen, im Bereich von IIoT. Weil wir gedacht haben, das Thema ist sehr wichtig aufzugreifen. Weil einfach im Laufe eines Produktlebenszyklus, wenn man sich einen Zylinder vorstellt … da ist Bewegung drin und der hat natürlich irgendwann einen Verschleiß. Dieser Verschleiß führt irgendwann auch zu Leckagen beispielsweise. Leckagen bedeutet in dem Kontext, da ist dann vielleicht mal eine Dichtung irgendwann nicht mehr ganz dicht und es tritt Luft aus – diese Luft ist Energie, die ich ins Nirwana puste. Das möchte man vermeiden. Denn dadurch habe ich zum einen erhöhte Kosten, das heißt, das führt dazu, dass man vielleicht größere Kompressoren benötigt, wenn man so etwas nicht überprüft, weil man die Verbräuche steigert. Aber auch dieser CO2-Faktor, der an dieser Stelle eine immer größere Rolle spielt.

Wenn man sich so eine typische Fertigung betrachtet, kann man sagen, dass statistisch gesehen 20 bis 30 Prozent der Energieverbräuche eines Werkes auf Pneumatik zurückzuführen sind. Das heißt, Energieverbräuche werden quasi umgewandelt in Luft, und dann hat man auch wieder statistische Werte, dass so 30 Prozent der Luftverbräuche wirklich Leckagen sind – was ein relativ hoher Wert ist. Darum ist das ein spannendes Thema für viele Unternehmen, dort anzusetzen und zu sagen, ich versuche jetzt wirklich aktiv etwas dagegen zu unternehmen und solche Leckagen beispielsweise zu beseitigen.

Herausforderungen, Potenziale und Status quo – So sieht der Use Case in der Praxis aus [04:28]

Wir sprechen hier im Podcast immer über konkrete Use Cases aus der Praxis, um zu verstehen, wie die Technologie seitens AIM, aber auch eure Insights der Daten zur Pneumatik funktionieren. Aber du hast es eigentlich schon gesagt – das heißt, wir beschäftigen uns heute mit dem Thema Lokalisierung von Luftleckagen, darum geht es im Endeffekt, oder? Das war auch Ziel eures Projektes?

Nils

Genau, das ist unser Ziel.

Dann lasst uns direkt in die Praxis springen. Werner, ich schaue mal in deine Richtung. Ich würde gerne verstehen, wie es so ein bisschen bei euch vor Ort aussieht. Ich war auch schon öfter mal in der Produktion und vielleicht kommt der ein oder andere Hörer auch aus eurem Bereich. Aber einfach, um das Thema mal einzuordnen: Wie sieht es bei euch vor Ort aus, welche Maschinen stehen dort und wie muss man sich die Prozesse vorstellen? Nimm uns mal in deinen Daily Job mit.

Werner

Wir haben hier bei uns eine vollautomatische Fertigung, das heißt, wir haben keinen Handarbeitsplatz mehr drin. Die Maschinen sind in der Regel als Linien aufgebaut, wo ein Mitarbeiter quasi die Linie betreut, auch Materialdisposition, Qualitätsprüfungen, Reparaturen – die Linie wirklich am Laufen halten. Das ist die Aufgabe. Und da sind sehr viele Pneumatik- und Elektroantriebe drin, durch die Automatisation. Dann hat man auch Leckagen. Das ist eigentlich das Tagesgeschäft, das wir immer haben. In einem Wartungsplan nehmen wir die Luftleckagen-Ortung auf. Das haben wir bei uns alle sechs Monate drin. Das heißt, da läuft wirklich mittlerweile ein Mitarbeiter alle sechs Monate durch, der ortet das Ganze mit Ultraschall, wo aktuell Leckagen sind. Da erwarten wir natürlich bei einer automatischen Ortung, dass wir auch die genauen Zylinder oder Ventile genannt bekommen, wo eigentlich ein Problem aufgetreten sind. Momentan machen wir es so: Wir haben Eingriffsgrenzen, wo wir eine Mitteilung bekommen. Wir haben das immer einfach nur auf einer ganzen Linie – da muss der Mitarbeiter immer noch suchen, wo ist die Leckage? Und mit dem System von Emerson haben wir wirklich eine detaillierte Auswertung und auch ein detailliertes Ergebnis dazu. 

Nils sagte gerade schon, 20 bis 30 Prozent der Potenziale, die darin stecken, sind in der Druckluft – sind das auch EURE Herausforderungen hier?

Werner

Wir machen das Ganze zweimal im Jahr und wir stellen immer fest, zwischen 18 bis 24–25 Prozent, das ist keine Seltenheit. Wobei wir auch momentan dabei sind, Messgrößen mal festzulegen – ab wann ist es überhaupt wirtschaftlich, eine Leckage abzustellen? Wenn ich einen kleinen Zylinder habe und habe da zwar 25 Prozent Leckage, aber die Reparatur kostet das x-fache der Einsparung … da sind wir momentan dabei, eine Messgröße festzulegen. Ab wann ist es wirklich wirtschaftlich, das Ganze abzustellen? 

Nils, hast du da Ergänzungen aus deiner Sicht?

Nils

Was Werner in seinem Werk macht, ist auf jeden Fall sehr vorbildlich, muss man an der Stelle sagen. Weil er natürlich das regelmäßig in seinem Werk bereits macht. Wir kennen auch andere Kunden, bei denen läuft das ein bisschen anders – bis hin dazu, dass so etwas GAR NICHT überprüft wird. Dann kann man sich sicherlich vorstellen, dass gerade über Zeit gesehen über einen längeren Zeitraum auch extrem große Kosten entstehen – und CO2-Werte, wo wir schon den ein oder anderen Kunden überraschen konnten, was eigentlich für Potenziale da schlummern, die man heben könnte.

Ich wollte gerade sagen, das kostet ja auch richtig Geld, wenn man an Stillstandzeiten denkt. Das ist ja auch etwas, was man einfach einsparen kann. Wenn so ein Zylinder mal ausfällt, steht ja im schlimmsten Fall die ganze Maschine?

Nils

Genau, das ist eigentlich so ein erster Indikator dafür. Wenn man Leckagen hat, dass so etwas natürlich auch langfristig zu Stillständen führen kann, oder auch zu Performanceproblemen der Anlage. Man kann sich vorstellen, wenn die Leckagen im Gesamtsystem irgendwann zu groß werden und ich nicht mehr genug Luft über die Kompressoren in das Gesamtsystem bekomme, fährt so ein Zylinder irgendwann auch mal langsamer. Das heißt, das kann auch Einflüsse auf die Perfomance einer Anlage haben, und somit auch auf den Gesamtoutput eines Werkes zum Beispiel.

Um noch mal diese Leckage an sich zu verstehen. Ich hatte irgendwann mal, ich glaube, das war zweites oder drittes Bachelorsemester, Strömungslehre, Vorlesung … kann ich mich noch dran erinnern. Ich würde jetzt gern mal so ein bisschen für die Hörerinnen und Hörer verständlich machen, wie so eine Leckage oder so eine Leckagen-Ortung überhaupt funktionieren kann. Denn im Endeffekt geht es ja um Druck, Volumenstrom, man nimmt Umgebung oder sogar die Reibung teilweise auf. Wie entstehen solche Leckagen eigentlich, Werner?

Werner

Durch Veralterung oder Lebenszyklen, was die Maschine gelaufen ist. Die Bewegung des Zylinders, daraus entsteht Verschleiß. Dann tauchen Leckagen auf. Was wir immer wieder feststellen, ist auch die ganze Verschraubtechnik. Also ich habe einen Zylinder eingeschraubt, ein Ventil angeschlossen – da stellen wir fest, da gibt es die ersten Leckagen, die wir so erkennen. Wie Nils schon gesagt hat, wir merken es definitiv an der Performance der Anlage. Das heißt, wir verlieren irgendwo ein, zwei, drei, fünf Zehntel an Taktzeit, und schon passt die Ausbringung einfach nicht mehr. Das ist so der erste Indikator – wenn wir keine Warnmeldung bekommen, »Achtung«. Das heißt, in der Regel ist es so, wir haben pro Linie ein Überwachungssystem. Wenn wir zu viel Leckage haben, brauchen wir mehr Luft. Aber da ist es so, so 2000 Normliter die Minute braucht so eine Anlage – 10 bis 15 Prozent geben wir dazu. Und sobald wir drüber liegen, geht eine Meldung raus. Aber das Orten, wie gesagt, das ist wirklich eine manuelle Angelegenheit. Das heißt, es läuft wirklich ein Mitarbeiter durch mit einem Mikrofon und ortet das über Ultraschall. Bei uns ist es auch so, alles, was keine zehn Minuten, viertel Stunde ist, wird sofort abgestellt. Was länger dauert, einen Zylinder rausbauen, was eine Reparatur von einer Stunde ist, muss man dann einplanen. 

Das heißt, beim Ultraschallprozess geht sozusagen jemand durch und schaut wirklich mit einem Mikrofon solche Leckagen sich an?

Werner

Ja, vor fünf Jahren haben wir das so gemacht: Der ist durchgelaufen. Der hat auch den ganzen Standort in zwei Tagen geschafft. Hat überall einen Aufkleber hingeklebt. Nur, das funktioniert nicht … der Nächste kommt dann und repariert und weiß wieder nicht, muss wieder suchen. Deswegen, die richtige Effizienz hat man, wenn man es gleich abstellt.

Nils, würdest du dem zustimmen? Hast du noch Ergänzungen aus der Druckluftwelt?

Nils

Ja, das ist auch ein wesentlicher Aspekt, den wir als großen Benefit hinter so einer Lösung sehen. Ich sage mal, wenn man zweimal im Jahr so einen Leckage-Test macht, hat man natürlich immer noch den Zeitraum dazwischen, wo etwas passieren kann, was einem vielleicht gar nicht auffällt. Aber so ein Algorithmus ist in der Lage, hinterher so etwas permanent zu monitoren und direktes Feedback zu geben: »Pass mal auf, deine Leckage sitzt an der und der Stelle, schau da mal hin« Idealerweise natürlich auch verbunden mit Indikatoren. Das sind übrigens auch die Kosten dafür – dass jemandem wie Werner das vielleicht noch einfacher fällt, zu sagen, ab dem und dem Eurobetrag macht es für mich wirklich Sinn, meine Maschine kurz anzuhalten und auszutauschen. Da fließt das zusammen an der Stelle.

Lösungen, Angebote und Services – Ein Blick auf die eingesetzten Technologien [11:30]

Lasst uns über die Lösungen sprechen. Im Endeffekt, Werner, waren ja dann die Anforderungen für euch wichtig: Ihr musstet diese Druckluft erfassen, ihr wolltet die orten und diese verschiedenen manuellen Prozesse durch digitale ersetzen – das war die Ausgangssituation und die Forderung von euch?

Werner

Das war unser Wunsch, ja. Wie gesagt, mit Emerson, AVENTICS, arbeiten wir jahrelang zusammen. Das war immer ein Thema, bei AVENTICS, Emerson genauso wie bei uns. Wir haben bei uns ein System entwickelt – wir werten alle Daten über OPC UA quasi aus, bekommen jeden Tag einen Tagesbericht, welche Stückzahl haben wir gebaut und welche Energie haben wir gebraucht? Man muss es erst einmal griffig machen, das Ganze. Man muss es erfassen. Man muss wissen, was verbrauche ich, um reagieren zu können. Und wo verbrauche ich es? Und da ist die Partnerschaft mit Emerson perfekt für uns gelaufen und wir sind auch gerne bereit, bei solchen Pilotprojekten dabei zu sein, weil es uns einfach weiterbringt.

Das ist wirklich ein Vorreiterprojekt und ihr seid auch mit Digitalisierungsvorreiter, um solche Themen zu lernen und weiter auszubauen. Arvin, du bist ja jetzt hier unser Experte von Softwareseite, auch für das Thema Predictive Maintenance. Was war euer Ziel? Wie seid ihr mit reingekommen, um das Projekt anzugehen?

Arvin

Wenn ich so an unsere erste Runde denke, war ja der Ausgangspunkt, dass Emerson schon Ansätze hatte – aber die Herausforderung bei so einer komplexen Anlage ist ja, dass die natürlich auch sehr unterschiedliche Dynamiken haben kann. Ein klassischer Ansatz ist ja, so eine Anlage zu simulieren. Differenzialgleichung zum Beispiel ist da so ein Thema. Das ist aber sehr komplex. Und das Spannende ist jetzt bei Machine Learning, am anderen Ende der Skala, um es so ein bisschen zu erden, dass solche Machine-Learning- oder KI-Modelle Muster letztendlich aus Daten lernen. In diesem speziellen Fall ist es so, dass man eben möglichst wenig Sensorik zum Einsatz bringen sollte. Beziehungsweise häufig – auch ein zentrales Thema ist – Sensorik nicht im Überfluss vorhanden ist. Das heißt, hier ist der Ansatz, mit möglichst wenig Sensordaten, tatsächlich nur einem zentralen Durchflusssensor und den Steuersignalen, solche Leckage-Verortung möglichst früh zu schaffen und vor allen Dingen auch in einem kontinuierlichen Prozess. Nils und Werner haben das ja schon beschrieben, dass klassische Verfahren da eher niederfrequent sind und auch relativ aufwendig. Und man möchte idealerweise schon möglichst früh solche Leckagen verorten und kontinuierlich seine Anlage überwachen, damit man auch dann genau entscheiden kann, wann der richtige Zeitpunkt ist. Das heißt, das ist so eine ganz spezielle Situation: Wenig Sensordaten und trotzdem Informationen herausquetschen, ein bisschen plakativ gesprochen. Die andere Situation ist häufig, es gibt ganz viele Daten. Anlagen spucken auch teilweise mehrere hundert Datenpunkte raus. Dann hat man eher das umgekehrte Thema – nämlich erst mal herauszufinden, wo muss ich jetzt überhaupt hingucken? Also das Setzen von Schwellwerten und das Finden der richtigen Stellen ist da häufig die Herausforderung. Aber HIER ist eben genau das andere Ende der Skala – möglichst viele Daten und trotzdem die Leckagen zu erkennen.

Nils, vielleicht können wir uns ein bisschen vom Shopfloor, von der Hardware in die Datenanalysewelt hangeln. Kannst du uns ein bisschen abholen, was für Schritte notwendig sind, um dieses Thema anzugehen? Ihr bringt ja auch schon wahnsinnig viel Kompetenz in diesem Feld mit, auch im Bereich IoT. Wie funktioniert die Datenaufnahme, die Verarbeitung und dann vielleicht im letzten Schritt die Analyse?

Nils

Wir haben von vornherein als Emerson gesagt, dass es uns ganz wichtig ist, dass wir Daten bereits aus unseren Komponenten auslesen können. Das heißt, für uns war der erste Schritt – damals, als wir mit dem Team angefangen haben –, erst mal unsere Produkte auch zu enablen. Zu sagen, da bringen wir jetzt mal Schnittstellen rein. Denn was wir häufig im Feld sehen, ist, der Kunde hat vielleicht schon eine Maschine und kommt vielleicht gar nicht so einfach ohne Weiteres an die Steuerungsdaten ran – hier haben wir uns erst mal Wege geschaffen, wie wir zum Beispiel Daten aus dem Ventilsystem, vorbei am normalen Steuerungsprozess, aus Sensoren auslesen können, die uns dann wiederum weiterhelfen, mit diesen Daten auch etwas zu machen. Arvin hat es schon erwähnt: Dadurch hat man natürlich nicht so einen ganz prall gefüllten Korb an Datenpunkten zur Verfügung, sondern es sind punktuelle Daten, die wir aufnehmen, die wir für das Verfahren benötigen. Unser Ansatz ist, das mit möglichst wenig Daten zu machen. Denn man möchte hinterher nicht ganz viele Sensoren an der Anlage zusätzlich anbringen, um dieses Verfahren zu ermöglichen. Sondern idealerweise nimmt man die Sensoren, die sowieso schon vorhanden sind, und arbeitet auf den bestehenden Komponenten. Das ist auch ein sehr schöner Fall bei BSH gewesen, dass wir dort sowieso schon unsere Komponenten drin haben und damit sehr einfach auf diese Daten zugreifen können. Also die Datenaufnahme ist der erste Punkt, und da spielen natürlich solche Protokelle wie OPC UA, MQCT eine ganz große Rolle, die dort sehr häufig benutzt werden. Der nächste Punkt ist dann diese Datenverarbeitung. Da haben wir das so gelöst, dass wir eine gewisse Vorverarbeitung der Daten bereits im Ventilsystem machen. Das heißt, dort werden schon mal Daten aufbereitet, entsprechend sehr hochauflösend. Das heißt den Vorteil, dass wir sie danach auch besser verarbeiten oder auch bessere Ergebnisse erhalten können. Und zum Schluss geht es in die Datenanalyse, wo wir auch einige Lösungen anbieten, aber jetzt im Kontext Leckage-Ortung oder der Lokalisierung der Leckagen mit der AIM zusammenarbeiten. 

Das heißt, ihr habt ja auch eine Art neue Produktreihe geschaffen für diese Sensoren beziehungsweise für die Druckluftkomponenten, die wahrscheinlich dann auch IoT-fähig sind, oder? Das war jetzt der erste Bereich, wo du meintest, man muss Schnittstellen schaffen. Das ist ja auch etwas, das ihr erst mal in euren Produkten enablen musstet im ersten Schritt, oder?

Nils

Korrekt. Bei einem Maschinenbauer sieht das immer ganz anders aus, denn der kann natürlich über seine Steuerung sämtliche Daten einfach abgreifen. Da kann man das immer relativ einfach lösen. Im Falle eines Endkunden oder eines Anwenders der Maschine sieht das häufig anders aus. Der hat nicht den Zugriff, und dadurch muss man diesen Zugriff auf die Daten ermöglichen. Und das war genau dieses Enablement, was du meintest, was wir mit unseren Produkten erst mal durchgeführt haben. 

Und im nächsten Schritt spricht man ja auch von dem Bereich Edge-Computing, das heißt, ihr macht die Datenverarbeitung schon an der Maschine selbst oder auf dem Shopfloor selber, wo ihr sozusagen diese Voranalysen schon in den Komponenten selber fahrt. Und der nächste Schritt, zu sagen, wir machen die Datenanalyse im IIoT – also dass man wirklich sagt, man geht jetzt den nächsten Schritt, um diese Analysen genau auszuwerten, aber vielleicht auch anderen bereitzustellen. Arvin, wie unterstützt ihr hier in diesem Bereich? Nehmt ihr dann die Trainingsdaten auf, diese Messgrößen, von denen Werner gesprochen hatte?

Arvin

Das ist eine schöne Stelle, um auch noch mal dieses enge Zusammenspiel zu sehen. Nils hat es ja schon beschrieben, was Emerson selber da schon macht, um überhaupt diese Signale zu bekommen und auch schon Analysen darauf fahren zu können. Tatsächlich der nächste Schritt: Auch aus der Machine-Learning- oder KI-Sicht muss man natürlich schon verstehen, was die Charakteristika solcher Signale sind. Da gibt es so kleine Hürden und Fallen, dass zum Beispiel die Zeitstempel auf diesen Signalen variieren können, oder nicht synchron sind. Damit fängt es mal an. Das ist quasi da, wo wir übernehmen, wenn man so möchte. Also erst mal die bereitgestellten Daten noch mal vorzuverarbeiten und auch zu ergänzen. Und dann unterscheidet man tatsächlich, wie du gesagt hast, einmal zwischen gestützten Machine-Learning-Verfahren, sprich, die bekommen explizite Trainingsbeispiele. Plakativer Fall ist natürlich immer, ich möchte eine Störung vorhersagen – Probe aus einer SPS oder aus einem Maintenance-System, dann habe ich eine historische Störungsmeldung. Die kann ich dann als explizite Trainingsdaten benutzen. 

Genau, die muss ich erst mal haben, sozusagen?

Arvin

Genau, die muss ich erst mal haben. »Dummerweise« – wobei das natürlich der Wunschzustand ist – kommen Störungen nicht so häufig vor. Das heißt, ich habe oft wenig Trainingsdaten. Und das andere sind eben sogenannte ungestützte Verfahren. Das heißt, da wird das Modell nicht trainiert, sondern man muss aus den Datenstrukturen, aus der Dynamik selber Muster erkennen. Das Spannende bei dem, was wir mit Emerson machen, ist, dass es eigentlich so ein bisschen dazwischen liegt. Denn das Problem ist ja erst mal, ich brauche ja irgendeine Referenz. Auf dem Shopfloor habe ich ja nicht solche Idealzustände, dass Anlagen komplett Leckage-frei sind –so punktuell, »da ist eine Leckage und das kann ich jetzt trainieren« … so ist das ja nicht in der Regel Realität. Sondern man hat irgendwie einen Ist-Zustand der Anlage, wo man sagt, der ist erst mal ganz okay. Und jetzt muss ich eigentlich gucken, verändert sich das Verhalten in dem pneumatischen System? Das heißt, wir haben eigentlich hier so eine Mischung – wir brauchen schon irgendwie eine Kalibrierung. Man muss ja einmal sagen, so ist jetzt der Zustand der Anlage: Und dann lernt ein Modell tatsächlich – das ist dann eigentlich wieder gestützt, wenn man so möchte – das Verhalten der Anlage. Und das erhält nur die Steuersignale und sagt dann den Durchfluss vorher. Was wir dann eigentlich tun, ist, zu erkennen, wenn die Prognose dieses Modells schlechter wird. Das heißt, im Prinzip kann man dadurch erst mal sehen, dass irgendwo durch Leckagen sich der Durchfluss verändert hat. Das ist ein zentraler Baustein. Es gehören aber noch ein paar andere Sachen dazu. Denn damit habe ich ja noch nicht eine Verortung gemacht auf die einzelnen Komponenten. Da muss man auch noch ein paar weitere Tricks und Kniffe anwenden, damit man dann so weit kommt. 

Aber im Endeffekt ist es so eine Art Iteratives Verfahren? Man muss erst mal bei dem ungestützten Verfahren, wo die Trainingsdaten sozusagen nicht vorliegen, überhaupt erst mal das Modell, wie du schon sagst, zum Lernen bringen. Und wenn sich ein Luftdurchfluss verändert, muss man irgendwo iterativ wahrscheinlich reingehen und sagen, »das ist jetzt der Zustand, das könnte in den und den Fällen zu einer Leckage führen«, und das dann irgendwie flaggen – oder wie spricht man im KI-Umfeld?

Arvin

Ja, Prognostizieren, Inferieren, da gibt es ganz wilde Begriffe. Predicten. Vor allen Dingen muss man ja immer den Anwender da im Blick behalten. Den interessiert ja dieses ganze KI-Zeug nicht. Ein bisschen bildhaft gesprochen, eigentlich brauche ich zwei Knöpfe: Jetzt kalibriere dich bitte auf die Anlage und Jetzt überwache die Anlage und sag einfach nur Bescheid, wenn du meinst, da eine Leckage auf einem bestimmten Ventil zu sehen.

Genau, also Werner, auch in dem Fall etwas … das ist ja nicht dein Kerngeschäft. Du hast ja andere Themen auf dem Tisch und willst deine Kosten einsparen. Dann hast du die zwei Experten in der Runde. Aber dafür muss man natürlich erst mal diese Laborszenen aufbauen, also diese Kalibrierung herstellen. Um vielleicht in die einzelnen Lösungsbausteine zu kommen: Nils, was brauche ich denn jetzt als Bausteine, sowohl von euch als auch von AIM, wenn ich so ein ähnliches Projekt umsetzen will? Kann man das zusammenfassen, von der Hardware-Seite, von der Software-Seite?

Nils

Von der Hardware-Seite braucht man auf jeden Fall einen entsprechenden Durchflusssensor, der in der Lage ist, genau genug diesen Datendurchfluss aufzuzeichnen. Und dann auch ein Ventilsystem. Dieses Ventilsystem von uns ist in der Lage, dort die Daten schon mal vorzuverarbeiten, sehr hochauflösend. Somit werden diese Daten dann auch von so einem Ventilsystem direkt an ein Gateway weitergegeben, wo es dann zur weiteren Verarbeitung kommt. Das heißt, das ist dann auch der Ort, wo, Arvin, im Prinzip dann eure Software zum Einsatz kommt.

Arvin

Ja, genau. Im Prinzip, wenn das ganze Verfahren erarbeitet ist – wir haben tatsächlich auch zusammen verschiedenste Varianten von Verfahren verprobt …  Letztendlich purzelt da eine Softwarekomponente aus dem Service. Der muss ja eigentlich ganz versteckt im Hintergrund laufen. In bestimmten Situationen ist sicherlich auch ein Cloudbetrieb interessant. Aber häufig ist das natürlich nicht so die ideale Variante, weil nicht alle ihre Maschinendaten in die Cloud transportieren möchten. Das heißt, man muss in der Lage sein, auch sehr nah am Shopfloor – auf der Edge, wie man so schön sagt, das heißt, auf einem Industrie-PC, auf einem Gateway – diese Komponenten laufen zu lassen. Und dann gibt es da eigentlich zwei Schnittstellen, zwei Aufrufe: Der eine heißt „Kalibrier dich auf die Anlage“ und der andere heißt „Wenn du fertig bist damit, überwache!“. Das heißt, ganz wichtig ist jetzt auch einfach so von handwerklicher Sicht, dass solche Komponenten in sehr unterschiedlichen Betriebsformen laufen können. Dass man sie irgendwo hinschieben können, damit sie auch sehr nah an der Maschine laufen können.

Und Nils, wenn man jetzt noch mal das zum Anfangsziel verortet – im Endeffekt wollt ihr und Werner ja wissen, wo in meiner Maschine ist die Leckage? Behebt die Ursache ja am Ende. Ist das damit gelöst? Ist das mit diesem Algorithmus der Output? Oder wo steht ihr da jetzt?

Nils

Genau, der Output ist dann schon, dass wir wirklich sagen, »hinter diesem Ventil steckt die Leckage« – das ist der Output, der da rauskommt. Das heißt, man kann sich das so vorstellen, dass man hinterher eine Abbildung so eines Ventilsystems hat. Also vom Ventilsystem, das in der Anlage verbaut ist. Und dort wird die entsprechende Position gekennzeichnet. Das Ganze natürlich verknüpft mit Alarmen, die dann vielleicht automatisiert an das Wartungsteam herausgehen, sodass die auch informiert werden. Denn, ich sage mal, niemand guckt permanent auf ein Dashboard und sagt, »ah, jetzt geht da rot die Lampe an«.

Genau, das muss in den Wartungsplan integriert werden.

Nils

Genau, richtig. Von daher geht es schon darum, dass man quasi aktiv informiert wird, wann es Sinn macht. Das Ganze kann man natürlich auch wieder verknüpfen mit solchen KPIs, wie Werner es erwähnt hat. Dass man sagt, ab wann lohnt sich das? Ab wann informiere ich überhaupt mein Wartungsteam, dass es aktiv werden soll? Solche Verknüpfungen kann man da auch hinterlegen.

Nils, wie heißt eigentlich euer Produkt? Du hast gesagt, das ist so ein Ventilsystem. Habt ihr dafür einen Namen? Ist das ein IoT-Name oder ein ganz normales Ventilsystem?

Nils

Das ist natürlich kein ganz normales Ventilsystem, sondern ein richtig gutes, IoT-enabletes Ventilsystem. Die Serie, die wir dafür üblicherweise nutzen, ist die AV-Serie. Das heißt, da gibt es für so ein Ventilsystem einen ganzen Konfigurator auf unserer Seite, wo sich der Benutzer oder unsere Kunden ihr Ventilsystem konfigurieren können, mit den verschiedensten Ventilen, mit den verschiedenen digitalen Eingängen, analogen Eingängen. Das heißt, das ist ein sehr flexibles System, das aufgebaut ist. Und zusätzlich, was wir dort im IoT-Kontext eingebracht haben, sind diese IoT-Funktionen, also was man am Markt auch nicht unbedingt in der Form findet.

Denn wenn ich jetzt Hörerin oder Hörer bin und sage, das klingt superspannend, will ich mal nachlesen – ich würde das in den Shownotes verlinken, auch die Kontakte zu euch, wenn es Rückfragen gibt. Arvin, wenn ich das Thema morgen umsetzen will – wie steigt man am besten in so ein Thema ein, wie gehe ich vor?

Arvin

Wir liefern zum einen eine ganze Bandbreite an Lösungsbausteinen. Also alles das, was mal so grundlegend getan werden muss. Das heißt, die Daten übernehmen aus den IoT-Komponenten, die in ein vernünftiges Datenmodell packen, was zum Beispiel die Anlagenstruktur reflektiert und so weiter. Also die ganze Basis, um überhaupt sauber und möglichst standardisiert die Daten von Anlagen und Maschinen verarbeiten zu können. Das ist eine wichtige Komponente. Und dann ist es in der Regel Best Practice, oder angeraten, am Anfang erst mal wie mit einem Schnelldiagnosekoffer die Anlage grundsätzlich zu verstehen. Weil es auf dem Shopfloor natürlich alle möglichen Varianten gibt. Es gibt Anlagen, die sehr getaktet, periodisch gesteuert sind. Aber selbst dann, wenn die sehr hochfrequent sind oder die Signale sehr synchron, dann gibt es natürlich auch Grenzen, wo man solche Störungen und Verschleiße erkennen kann. Oder die Ereignisse sind eher ereignisgesteuert – das sehen wir bei BSH. Das ist ja nicht so, dass die Anlage immer so genau im Zehnsekundentakt einen Motor ausspuckt. Sondern man sieht ja, dass das so ein bisschen pulsiert und dass es dann auch externe Einflüsse gibt. Zum Beispiel Spulen, die sich abwickeln. Das ist auch so ein Thema, das wir hatten. Das heißt, da ist es schon mal sehr wichtig, dass man quasi am Anfang ganz schnell mal die Daten durchanalysieren und sich ein erstes Bild verschaffen kann, wie die Dynamik der Anlage ist. Und auch, ehrlich gesagt, ob der Anwendungsfall UMSETZBAR ist an einer bestimmten Anlage.

Ergebnisse, Geschäftsmodelle und Best Practices – So wird der Erfolg gemessen [27:22]

Es geht ja auch immer um Return on Invest – der Business Case steht im Vordergrund. Am Ende will man ja damit Prozesse einsparen und in diesem Fall den Wartungsplan optimieren und diese Leckagen finden. Hast du, Nils, Top-3-Themen, wo du sagst, das ist eigentlich der Business Case für das Thema Pneumatik? Kannst du uns ein paar Insights geben?

Nils

Na, klar. Ich hatte es ja anfangs schon ein bisschen erwähnt. Ganz wichtig ist für viele Unternehmen dieser CO2-Aspekt. Man findet in immer mehr Unternehmen auch Energiemanager, die darauf achten, ihre Ziele einzuhalten. Dabei kann so was natürlich enorm unterstützen. Der zweite Punkt ist Kosteneinsparung – ich brauche vielleicht weniger Luft dadurch, kann meine Kompressoren ein bisschen weiter runterfahren, spare dadurch echt Energie und habe durch das Kontinuierliche eine sehr frühzeitige Erkennung, was die Kosten minimiert. Und dann, was Werner schon erwähnt hat, dieser manuelle Prozess – man braucht entsprechendes Equipment, die Leute müssen geschult sein, ich schicke da jemanden durch, der nach Leckagen scannt … das kostet alles Zeit. Das heißt, so ein Algorithmus kann so einen manuellen Prozess ersetzen, sodass der Mitarbeiter mehr Zeit hat, sich auf die eigentlichen Dinge, vielleicht die tatsächliche Wartung, den Austausch, zu fokussieren.

Werner, was ist so dein Learning? Hast du so eine Art Best Practices, die du den Hörerinnen und Hörern mitgeben kannst? Wo du sagst, das war EUCH superwichtig und habt ihr gelernt aus dem Projekt?

Werner

Gelernt haben wir sehr viel aus dem Projekt. Wir sind schon seit 2018 massiv an den Themen dran, weil wir auch erkannt haben – CO2-Neutralität, Energiekosten gehen nach oben, und, und, und. Seit 2018 haben wir unsere Energiekosten etwa halbiert. Da ist ein wesentlicher Effekt natürlich auch durch diese Projekte entstanden. Das hilft uns einfach, die Wettbewerbsfähigkeit auch hier in Deutschland sicherzustellen. Das schuldet man auch der Umwelt – man tut auch was Gutes für alle Beteiligten. Insofern, man spart Geld, und jeder hat einen Benefit davon. Wir würden uns auch jederzeit wieder bereiterklären für neue Themen, weil es einfach total wichtig ist.

Übertragbarkeit, Skalierung und Nächste Schritte – So könnt ihr diesen Use Case nutzen [29:39]

Arvin, wenn ich jetzt Zuhörerin oder Zuhörer bin, habe Herausforderungen, bin aber vielleicht nicht im Shopfloor unterwegs, sondern habe einen Pneumatikzylinder woanders verbaut. Oder ich höre zu und denke, das könnte auch für mich interessant sein. Hast du eine Idee, wie man diesen Use Case, das Projekt, das ihr jetzt umgesetzt habt, übertragen kann auf andere?

Arvin

Tatsächlich ist es so, dass wir in unserer Überzeugung bestätigt wurden, dass man sehr fokussiert an diesen Themen arbeiten muss. Denn Pneumatik und Durchflüsse sind etwas anderes als Vibrationen oder Temperaturen. Auch nach Anlagentypen gibt es da Unterschiede. Den richtigen Mehrwert und Effekt erzielt man dann, wenn man wirklich spezifische Lösungen dafür schafft und das alles miteinander verbindet.

Aber gut, INNERHALB der Pneumatik ist das natürlich sowieso übertragbar. Also die Lösung, die wir hier gemeinsam entwickeln, ist ja eine Pneumatik-spezifische Lösung. Ich glaube, WO die Zylinder und Komponenten arbeiten, ist dann erst mal nicht so ausschlaggebend. Aber was wir jetzt machen, von AIM aus, ist natürlich per se übertragbar auf andere Bereiche. Wir tun natürlich auch Dinge im Bereich zum Beispiel von Verschleiß, von Rollen, von Transportsystemen, durch Analyse von Vibrationsmustern, mal als Beispiel. Oder Prognose der Störung einer kältetechnischen Anlage auf Basis relativ vieler Sensor- und Steuersignale. Also es ist schon sehr anwendungsfallspezifisch, aber aus unserer Warte sind natürlich viele dieser Instrumente auch generisch, und man kann sie relativ schnell auf andere Use Cases übertragen.

Wichtig ist, glaube ich, dass der Anwender sich immer klar ist, bei welchen Anlagen habe ich das größte Potenzial? Wo habe ich auch Daten zur Verfügung, ohne dass ich da einen Riesenaufriss machen muss? Und wie bringe ich das in der Mitte zusammen?

Was ich auch total spannend finde, ist, wir haben bei uns in der IoT-Community auch einige Versicherungen und Rückversicherungen aktiv. Die fangen jetzt auch an, neue Versicherungsprodukte und Ökosysteme auszubauen, zum Beispiel zum Thema Leckage. Das sind jetzt auch ganz neue Player, die da plötzlich mit reinkommen. Die dann auch Mehrwerte und Potenziale heben wollen, die das ganze Thema mit sich bringt. Das finde ich einerseits superspannend. Und das andere, weil du gerade sagst, spezifische Lösungen: Ich könnte mir vielleicht auch vorstellen, dass sich in diesem Feld auch bestimmte skalierbare Lösungen entwickeln. Also dass es Apps gibt für bestimmte Use Cases oder für bestimmte Bereiche, die sich vielleicht wiederholen. Oder siehst du das gar nicht so, also würdest sagen, das ist IMMER spezifisch?

Arvin

Tatsächlich habe ich gerade gestern mit Nils noch mal darüber gesprochen. Ich glaube, wir waren da einer Meinung, dass man tatsächlich davon ausgehen kann, dass es bestimmte Plug-ins mal gibt. Für ganz bestimmte Arten von Maschinen oder Komponenten. Denn wie gesagt, nur dadurch schafft man Lösungen. Also ich glaube nicht, dass es diese Plug-and-Play-»Ich klicke mir mal eben ein paar Sachen zusammen«-Dinge gibt, für beliebige Anlagentypen und Situationen. Also vorerst zumindest nicht. Sondern dass es eher so spezifische Lösungen sein werden, die man dann aber sehr schnell zum Einsatz bringen kann.

Es gibt ja die ersten App Stores auch für IoT. Nils, denkt ihr auch, hey, es gibt jetzt eine Emerson-App für verschiedenste Use Cases – Leckage, da haben wir drei Apps, denn das funktioniert immer ähnlich von der Analyse her? Also solche skalierbaren Themen, das finde ich einen spannenden Ansatz.

Nils

Wir denken auf jeden Fall in solche Richtungen. Ich glaube, dass es zukünftig wichtig ist, diese Themen, wie so im B2C-Market mit einem Apple- oder Google-Playstore. Da gibt es ja auch schon die ein oder andere Entwicklung in dem Bereich. Wird es sicherlich auch geben für solche Gateways, die so eine Funktion hinterher ausführen. Oder so eine Cloud – auch die großen Cloud-Anbieter bieten solche App-Plattformen bereits an, wo man seine App einbringen kann. Das ist natürlich auch ein Thema für uns, auf jeden Fall.

Vielleicht kommen wir ja noch mal zusammen in einem Jahr oder so, und dann könnt ihr von eurer ersten App berichten.

Für Rückfragen stehe ich Ihnen gern zur Verfügung.

Questions? Contact Madeleine Mickeleit

Ing. Madeleine Mickeleit

Host & Geschäftsführerin
IoT Use Case Podcast