Condition Monitoring

Analyse von Sensordaten zur Auswertung des Gerätezustands im Betrieb

Unter Condition Monitoring (Zustandsüberwachung) versteht man den Prozess des Sammelns und Analysierens von Sensordaten der Geräte, um ihren Zustand im Betrieb auszuwerten. Den aktuellen Zustand von Geräten genau zu ermitteln, ist entscheidend, um Programme zur  vorausschauenden Instandhaltung zu entwickeln.

Mit Condition Monitoring können Gerätehersteller und -bediener Folgendes tun:

  • die Anzahl ungeplanter Ausfälle durch das Ermitteln von Auffälligkeiten oder Störungen reduzieren, bevor diese zu großen Problemen werden
  • Kosten für unnötige Wartungsarbeiten vermeiden, indem sie nur geplant werden, wenn nötig
  • Ausfallzeiten vermindern, indem die Störungsquelle schneller gefunden wird

Bei Condition Monitoring geht es nicht nur um das Sammeln von Daten, sondern auch um die Nutzung dieser Daten, um den Zustand einer Maschine auszuwerten. Diese Auswertung kann etwa in Form eines Kontrolldiagramms erfolgen, das sicherstellt, dass kein einzelner Sensorwert einen Sicherheitsschwellwert übersteigt, bis hin zu einem über Monate mit Verlaufsdaten trainierten Machine-Learning-Algorithmus, wie der von Mondi Gronau entwickelte.

Condition Monitoring im Vergleich zu Prognostik

Ein Programm zur vorausschauenden Instandhaltung kann sowohl Condition-Monitoring- als auch Prognostikalgorithmen verwenden. Der größte Unterschied zwischen Condition Monitoring und Prognostik ist der Zeitrahmen.

  Zeitrahmen Beispiel
Condition Monitoring Aktueller Zustand Erkennen von Störungen in Lagern
Prognostik Zukünftiger Zustand Abschätzen der Restnutzungsdauer eines Luftfahrzeugmotors

Entwicklung von Condition-Monitoring-Algorithmen in MATLAB

Flussdiagramm, das den Prozess zum Entwickeln von Condition-Monitoring-Algorithmen beschreibt.

Ablauf zum Entwickeln eines Condition-Monitoring-Algorithmus.

Erfassen von Daten

Zur Entwicklung von Condition-Monitoring-Algorithmen in MATLAB® brauchen Sie Daten vom Gerät. Erfassen Sie die Daten direkt von Sensoren und testen Sie die Hardware mithilfe der Hardware-Support-Pakete in MATLAB. Sie können auch über Dienste wie OPC UARESTful-Webdienste, Datenbanken, AWS S3 und Azure Blob auf aktive bzw. archivierte Daten zugreifen.

Reichen die Daten nicht aus, lassen sich durch die Erstellung eines physischen Modells Ihres Geräts auch synthetische Daten generieren.

Sichten und Vorverarbeiten von Daten

Beginnen Sie mit dem Vorverarbeiten und Visualisieren Ihrer Daten. Können Sie Auffälligkeiten gut mit bloßem Auge erkennen? In dem Fall genügt vermutlich ein einfacher Algorithmus wie findchangepts oder ein Kontrolldiagramm.

Eine MATLAB-Darstellung der Daten von einem Lüfter, in der Auffälligkeiten gut erkennbar sind.

Manche Auffälligkeiten sind in Sensormessdaten gut erkennbar, wie in dieser MATLAB-Darstellung ersichtlich. In einem solchen Fall reicht ein einfacher Algorithmus aus.

Enthalten Ihre Daten jedoch viele Sensoren oder sind Auffälligkeiten nur schwer erkennbar, brauchen Sie komplexe Techniken wie Machine Learning und Deep Learning, um Muster in den Daten zu erkennen.

Entwickeln von Condition-Monitoring-Algorithmen

Zur Entwicklung von Zustandsüberwachungs-Algorithmen müssen Sie zuerst Zustandsindikatoren ermitteln: Funktionsmerkmale, die den Unterschied zwischen Normal- und Störbetrieb anzeigen. Diese können gut erkennbar sein oder aber das Extrahieren und Kombinieren vieler Merkmale erfordern. Mit der Diagnostic Feature Designer-App der Predictive Maintenance Toolbox™ können Sie eine Vielzahl von Merkmalen interaktiv extrahieren, werten und exportieren.

Die Diagnostic Feature Designer-App zeigt nach Wichtigkeit sortierte Merkmale der Pumpenfördermenge an.

Mit der Diagnostic Feature Designer-App können Sie interaktiv Merkmale extrahieren, um Condition-Monitoring-Algorithmen zu trainieren.

Diese Merkmale können Sie dann als Eingaben für die Machine-Learning- oder Deep-Learning-Algorithmen einsetzen und so den Condition-Monitoring-Algorithmus trainieren. Beispielsweise lässt sich eine Vielzahl von Störungsklassifizierungsalgorithmen mithilfe der Classification Learner-App testen.

Die Classification Learner-App zeigt eine Fehlermatrix der Ergebnisse eines trainierten Machine-Learning-Algorithmus an.

Mit der Classification Learner-App trainieren Sie eine Vielzahl von Klassifizierungsmodellen, um sie zur Klassifizierung von Störungen beim Condition Monitoring zu verwenden.

Bereitstellen und Integrieren

Nach der Validierung müssen Condition-Monitoring-Algorithmen in einer IT-Umgebung wie einem Server oder der Cloud operationalisiert werden. Condition-Monitoring-Algorithmen können auch in einem Embedded System bereitgestellt werden, wo sie schnellere Reaktionszeiten ermöglichen und die Zahl der über das Netzwerk gesendeten Daten erheblich reduzieren.

Die wichtigsten Punkte

  • Mit Condition Monitoring kann der Gerätezustand im Betrieb ausgewertet werden.
  • Diese Algorithmen können einfache Schwellwert-, aber auch komplexe Machine-Learning- und Deep-Learning-Algorithmen sein.
  • MATLAB unterstützt Sie beim Entwickeln und Bereitstellen von Condition-Monitoring-Algorithmen. Weitere Informationen finden Sie unter Predictive Maintenance Toolbox.


Siehe auch: predictive maintenance, anomaly detection, artificial intelligence, prognostics, Industry 4.0, data science, unsupervised learning, predictive modeling, prescriptive analytics, Predictive Maintenance Toolbox, Signal Processing Toolbox, Image Processing Toolbox, Statistics and Machine Learning Toolbox, Deep Learning Toolbox, MATLAB, Database Toolbox