Predictive Maintenance

Frühzeitige Vorhersage von Maschinen- und Anlagenstillständen

Moderne Produktionsmaschinen und –anlagen haben oft eine Lebenszeit von 20 Jahren und mehr. In diesem Zeitraum produzieren sie in der Regel 24 Stunden am Tag und das sieben Tage die Woche. Jeder außerplanmäßige Stillstand für Wartung oder Reparaturarbeiten kostet Geld und reduziert die Rentabilität der Anlage oder Maschine.

Abbildung 1 - Predictive Maintenance am Beispiel einer Druckmaschine (Schwingungsanalyse)

  1. Mithilfe von Preventive Maintenance – also Wartung in bestimmten, von der Auslastung der Maschine abhängigen Zeitintervallen – kann das Risiko eines Produktionsausfalles durch Verschleiß oder Komponentenbruch reduziert werden.
  2. Einen Schritt weiter geht die „Vorhersagende Wartung“ oder Predictive Maintenance. Dabei werden relevante Größen – wie etwa Schwingungen oder Temperaturen – an der Maschine oder Anlage kontinuierlich aufgezeichnet und mithilfe entsprechender Algorithmen ausgewertet. Dabei können etwa Spitzen im Frequenzspektrum darauf hinweisen, dass Vibrationen auftreten, die auf einen bevorstehenden Lagerschaden hindeuten.
    Wartungszeitpunkte lassen sich durch den Einsatz von Predictive Maintenance optimal zeitlich abstimmen, sodass für minimale Produktionsunterbrechungen und optimale Ausnutzung der vorhandenen Produktionskapazitäten gesorgt ist.
  3. Noch einen Schritt weiter geht die modellbasierte prädiktive Wartung oder Model-Based Predictive Maintenance, die aus den gemessenen Werten und einem entsprechenden Beobachtermodell auch auf den Zustand von Größen schließen lässt, die nicht messtechnisch erfasst werden. Der Vorteil dieser Methode ist neben der Einsparung von Sensorik auch die Möglichkeit der Erfassung schwer bzw. nicht direkt messbarer Größen.

Der Einsatz von MATLAB für die Entwicklung von Funktionen für Predictive Maintenance sorgt dafür, dass Sie die an der Maschine gemessenen Daten (z.B. über OPC) einlesen und auswerten können. Dabei greifen Sie auf einen großen Umfang an vorgefertigter Funktionalität (z.B. für die Frequenzanalyse) zurück und erhalten dennoch die volle Flexibilität bei der Implementierung Ihrer Algorithmen.

In Simulink entwickelte Modelle unterstützen Sie beim Entwurf und der Umsetzung Ihrer Lösung für Model-Based Predictive Maintenance.

Die Codegenerierung mittels MATLAB Coder, Embedded Coder (C/C++) und Simulink PLC Coder (IEC61131-3 Structured Text) setzt die entwickelten Predictive Maintenance Algorithmen in ausführbaren Code für Embedded Controller und Industriesteuerungen (SPS) um.

Siehe auch : MATLAB

Übersicht zum System-Design für Industrie 4.0

Mit Anwendungsbeispielen und Antworten auf die Top 3 Fragen von Ingenieuren