Die Frage nach den realen Kosten für Druckluft gehört untrennbar zu pneumatischen Anwendungen dazu. Und untrennbar hiermit verbunden ist die Frage nach den Kosten, die durch Leckagen verursacht werden. Sicher ist: Entweicht die Luft dort, wo sie nicht soll, kann es durch Schäden am Produkt, durch verminderte Leistung bei steigendem Energieverbrauch und durch erhöhten CO2-Aussstoß teuer werden. Es liegt also im Interesse der Anbieter ebenso wie der Anwender, dem ungewollten Luftverlust auf die Spur zu kommen. Das gelingt für Emerson mit einer KI-gestützten Lösung für Predictive Maintenance von AIM.
Die Herausforderung: Leckagen in pneumatischen Anlagen gezielt orten und die Energiebilanz verbessern
Während der Maschinenhersteller selbst den Zugriff auf die Steuerung hat, ist das beim Anwender nicht unbedingt gegeben. Deshalb ist hier der Wunsch, die einzelnen Komponenten smarter zu machen, damit sie ihre Informationen direkt in IoT-Analysemodelle einspielen. Da pneumatische Komponenten nicht per se Daten liefern, braucht es für die automatische Predictive Maintenance erst die entsprechend befähigten Zylinder und Ventile. Energieverbräuche und Energieeffizienz spielen in produzierenden Unternehmen eine immer größere Rolle – zum einen wegen steigender Energiekosten an sich, zum anderen, weil Energieeffizienz und CO2-Einsparung Steuervorteile und Fördergelder bringen können. Dieses Interesse gilt zunehmend auch der Leckageortung in pneumatischen Anlagen. Oft ist heute noch Stand der Dinge, dass Leckagen als notwendiges Übel hingenommen werden. Einen, allerdings arbeitsintensiven, Schritt weiter sind Unternehmen, die in regelmäßigen Abständen – beispielsweise alle sechs Monate – ihre Pneumatiksysteme manuell überprüfen. Eine automatische Lösung muss hier mit den wenigen zur Verfügung stehenden Daten auskommen. Dabei ist das Zusammenspiel von Expertise auf Komponentenseite und industriell verwendbarer KI ein entscheidender Erfolgsfaktor.
Die Wunschvorstellung ist, ohne weitere umfangreiche Sensorik aus den vorhandenen Signalen des Durchflusssensors und der Steuerung, Leckagen frühzeitig zu verorten. Klassische Machine Learning und KI-Modelle lernen aus einer großen Datenvielfalt, und hier findet man das andere Ende des Spektrums. Auch mit wenigen Daten soll es möglich sein, eine Anlage kontinuierlich zu überwachen und den richtigen Zeitpunkt zum Eingreifen zu identifizieren.
Die Lösung: Daten gezielt selektieren und Predictive Maintenance automatisieren
Vor jeder gelungenen Umsetzung steht – unabhängig von der Industrie oder der eingesetzten Technologie – die Anlage zu verstehen. Erst dann wird auch die Charakteristik der Signale deutlich und die bereitgestellten Daten können sinnvoll sortiert werden. So entsteht ein Datenmodell, das die Anlagenstruktur abbildet. Hier unterstützt AIM mit dem fundierten Wissen über die Logik und Systematik der KI die Komponentenanbieter wie Emerson. Dabei baut AIM im engen Zusammenspiel auf die Daten auf, die Emerson bereits erfasst. Ein Clou dabei: Statt aus einer nahezu unübersichtlichen Datenmenge, die sich in jeder Anlage problemlos mit der entsprechenden Anzahl von Sensoren erfassen lässt, mühsam die benötigte Information herauszufiltern, setzt Emerson auf die entgegengesetzte Strategie. Mit möglichst wenig zusätzlichen Sensoren die wichtigen Daten – und nur die – für die Überwachung erfassen. Im Fall der Pneumatik ist Überwachung gleichbedeutend mit Leckageortung. Durch die KI lässt sich die Störung, die an einer Anlage auffällt, gezielt der einzelnen Komponente zuordnen. Das verkürzt die Fehlersuche, unabhängig davon, ob diese in einem regelmäßigen Wartungszyklus oder anhand einer Störmeldung stattfindet.
Das Ergebnis: Wartung optimieren bedeutet, Kosten und Emissionen senken
Die größten Effekte lassen sich mit spezifischen Lösungen erzielen. Das Grundprinzip, mit möglichst wenigen, aber den richtigen Daten und überschaubarem Aufwand Ergebnisse zu erzielen, die den Fertigungsalltag idealerweise deutlich verbessern, bleibt überall gleich. Für die besten Ergebnisse im Einzelfall ist dann das umfassende Verständnis für die Besonderheiten der Technologie nötig, in diesem Fall der Pneumatik. In der Realität gibt es weder das reine Szenario des Machine Learning, in dem aus Störungsmeldungen ein Trainingsfall generiert wird noch das Gegenstück, in dem rein auf Basis von Betriebsdaten alle nötigen Schwellenwerte hinterlegt werden.
AIM und Emerson setzen gemeinsam eine realistische Lösung um, die vom Ist-Zustand ausgeht. Der smarte Weg ist hier, sofort auf erkannte Leckagen zu reagieren, um doppelte Ortung zu sparen. Ob sofort repariert oder eine Wartung geplant wird, hängt vom Ausmaß des Schadens ab. Dies lässt sich berechnen, wenn man die entsprechenden Kosten bei den Indikatoren für Reparaturmaßnahmen hinterlegt. Die Einsparung bei den Energiekosten auf der Shopfloor-Ebene kann bis zu 50 % betragen. Hinzu kommen die Vorteile der gestiegenen Anlagenverfügbarkeit und der besseren Planung von Wartungsintervallen.
