Durch die kontinuierliche Überwachung und Analyse dieser und anderer Betriebsparameter können Verschleiß oder Schlupf von Getriebe und Riemen – oder Probleme mit Motorlager und -wicklung –vorhergesagt werden, bevor diese zu nicht eingeplanten Ausfallzeiten führen. Doch eine optimale Instandhaltungsstrategie erfordert zeitnahe Einblicke in diese Analyse.
Diese neue Analytiklösung stellt eine Antwort auf Geräteebene zur Verfügung. Die auf einem angeschlossenen Gerät bereitgestellte Lösung durchsucht das industrielle Netzwerk und erkennt Ressourcen – z. B. Frequenzumrichter und Zustandssensoren. Sie ermöglicht Analytik, indem sie die generierten Daten in vorkonfigurierte Zustands- und Diagnose-Dashboards umwandelt.
Wenn das Gerät erkennt, wie die Geräte miteinander in Beziehung stehen, z. B. Fehlerkausalität, beginnt es, das System zu verstehen, auf dem es bereitgestellt wird – und kann entsprechende Empfehlungen geben. Es kann z. B. eine „Aktionskarte“ an das Smartphone oder Tablet eines Benutzers senden, wenn ein Frequenzumrichter neu konfiguriert werden muss, um seine optimale Leistung beizubehalten.
Schließlich können Instandhaltungsteams dank dieses vorausschauenden Ansatzes proaktiver arbeiten – und auch potenzielle Ausfallzeiten lassen sich minimieren.
Ein Quantensprung im Automobilbau
Skalierbare Analytik setzt Impulse für diskrete Automobilanwendungen. Zudem verspricht diese transformative Herangehensweise in komplexen kontinuierlichen Prozessen unabdingbar zu sein, wenn maschinelles Lernen signifikante Auswirkungen auf die Produktqualität und Fertigungsgeschwindigkeit haben kann.
Ein Beispiel? Die Herstellung prismatischer Pouch-Zellen-Akkus. Prismatische Pouch-Zellen stellen mehr Energie pro Volumen bereit als ihre zylindrischen Pendants und gewinnen auf dem Markt für Elektrofahrzeuge an Bedeutung.
Allerdings ist die Herstellung prismatischer Pouch-Zellen mit einem hohen Maß an Achssteuerung, Präzision und kontinuierlicher Verarbeitung verbunden. Daher stellt die Optimierung eines Prozesses in diesen dynamischen, multivariablen Umgebungen eine echte Herausforderung dar, die jedoch für skalierbare Analytik – und maschinelles Lernen – wie gemacht ist.
Mithilfe dynamischer mathematischer Modelle lernt das System, die Auswirkungen einer Variablen auf eine andere Variable zu erkennen und passt nachfolgende Aktionen automatisch an, um optimale Ergebnisse zu erzielen. Gleichzeitig kann das System Bedienern kritische Analytik – z. B. in Form von SPC-Diagrammen – bereitstellen, die eine kontinuierliche Qualitätsüberwachung und proaktive Anpassungen ermöglicht.
Denken Sie daran, dass ein skalierbarer Ansatz über die Geräte an sich hinausgehen und auf Maschinen- sowie Prozessebene angewandt werden kann. Die Plattform lässt sich auch in MES-, OEE- und andere Fertigungsablauf- sowie Analytiksysteme integrieren, um die unternehmensweite Optimierung in den unterschiedlichsten Bereichen, z. B. Produktionsplanung und Energiemanagement, voranzutreiben.
Erfahren Sie mehr über skalierbare Analytik – und wie Sie von nun an bereits an der Datenquelle bessere Entscheidungen treffen können.
Co-Autor: Todd Montpas
Produktmanager, Informationsoftware, Rockwell Automation
