Kommentar von Martin Kram, Eaton Electric Predictive Maintenance und Cloud für den Mittelstand

Wie in den meisten Industrien steigen auch im Maschinen- und Anlagenbau im Zuge der Digitalisierung die Anforderungen. Das Ziel: Mehr Leistungsfähigkeit bei minimalen Ausfallzeiten. Die Lösung liegt in der Vernetzung der Maschinen sowie der Erhebung und Nutzung von umfassenden Maschinendaten. Diese dienen der Optimierung der Leistung durch Condition Monitoring und der Ausfallsicherheit durch Predictive Maintenance.

Anbieter zum Thema

Fujitsu Technology Solutions GmbH

Tableau von Salesforce

Fivetran Germany GmbH

Eaton Electric GmbH Kreditorenbuchhaltung

Was sich in der Theorie einfach anhört und von großen Konzernen auch schon teilweise umgesetzt wird, stellt kleine und mittelständische Unternehmen (KMU) vor Herausforderungen. Insbesondere die Bereitstellung des IT-Know-hows fällt den meisten Maschinenbauern schwer, denn diese kennen zwar die Produkte und ihren Fachbereich aus dem Effeff, haben traditionell aber kaum Berührungspunkte mit der IT. Deshalb sind die meisten KMUs von der Unterstützung kompetenter Partner abhängig, um ihre Produkte fit für die Industrie 4.0 zu machen. Bevor Maschinenbauer Condition Monitoring und Predictive Maintenance anbieten können, müssen zunächst vier Herausforderungen gelöst werden:

• 1. Die Datenerhebung,

• 2. die sichere Datenübermittlung,

• 3. die sichere Datenspeicherung und

• 4. die Nutzbarmachung der Daten.

Die Erhebung von Leistungsdaten auf Anlagenebene reicht heute nicht mehr aus. Um die Maschinenleistung zu optimieren, müssen bereits auf der untersten Maschinenebene umfassend Daten erfasst werden. Über die Basisinformationen zum Zustand von Komponenten wie Schaltern oder Schaltgeräten hinaus („Ein“ oder „Aus“) gilt es, weitere Daten zu erfassen, wie Ströme, Überlast, Temperatur, Fehlermeldungen oder Schaltspiele und Schaltfrequenzen.

Im Zusammenspiel mit Sensordaten der Umgebungsbedingungen stellen die detaillierten Maschinen- und Komponentendaten die Basis für die Realisierung von Konzepten wie Condition Monitoring oder Predictive Maintenance dar. Technische Grundlage für die Datenerfassung kann ein intelligentes Verdrahtungs- und Kommunikationssystem auf Geräteebene, wie SmartWire-DT von Eaton, sein. Im Rahmen eines solchen werden einfachste Komponenten zu Smart Devices, die in der Lage sind, selbst Zustandsdaten zu erheben, analysieren und kommunizieren.

OPC Unified Architecture

Die Datenübermittlung zur IT-Ebene können Bediengeräte, Steuerungen oder HMI/PLC-Kombigeräte wie die Geräte der XV300 Serie von Eaton übernehmen, die mit entsprechenden Datenschnittstellen ausgestattet sind. Als Datenaustauschstandard für eine sichere, zuverlässige, Hersteller- und Plattform-unabhängige industrielle Kommunikation hat sich OPC Unified Architecture (OPC UA) etabliert. Mit ihm lassen sich Rohdaten und vorverarbeitete Informationen von der Sensor- und Feldebene bis hinauf zum Leitsystem und in die Produktionsplanungssysteme transportieren. Dabei eignet sich das Protokoll nicht nur für die M2M-, sondern auch für M2Factory- und M2Cloud-Kommunikation.

Da von möglichst vielen Komponenten umfangreiche Informationen erfasst und gespeichert werden müssen, übersteigt die Datenmenge meist das Leistungsvermögen betriebsinterner Datenspeicherung. Die Folge: Eine zeitliche und quantitative Begrenzung bei der Speicherung auf lokalen Servern verwehrt einen holistischen Blick auf den Lebenszyklus. In der Cloud hingegen sind die Möglichkeiten nahezu unbegrenzt. Trotzdem werden Cloud-Dienste von europäischen Unternehmern insbesondere im Zusammenhang mit Datenschutz oft kritisch gesehen. Die meisten Clouds sind in Rechenzentren in den USA und anderen außereuropäischen Ländern angesiedelt. Dort sind die Datenschutzrichtlinien jedoch deutlich weniger streng, als beispielsweise in Deutschland.

Cloudlösungen helfen auch bei der besseren Nutzbarmachung der Daten. Die Offenheit des OPC-UA-Standards ist die Basis dafür, dass auf die in der Cloud gespeicherten Daten von den unterschiedlichsten Geräten aus zugegriffen werden kann – unabhängig davon, wer sie generiert hat oder welches Betriebssystem sie nutzen. Einige Systeme, wie die Telekom-Cloud, können die Daten nicht nur über einen OPC-UA-Client, sondern auch über einen IoT-Hub oder ein Cloud Gateway nutzbar machen oder nicht-OPC-basierte Kommunikation über einen Web-Browser ermöglichen. So lassen sich die jeweils relevanten Informationen zum Beispiel sowohl auf einem PC beim Maschinenhersteller anzeigen, wie auch auf einem Industrie-PC des Maschinenbetreibers oder auf einem mobilen Gerät wie einem Smartphone.

Kooperation mit T-Systems

Im Herbst 2016 haben daher Eaton, Experte für Energieverteilung, Maschinenautomatisierung sowie Anlagen- und Motorenschutz im Maschinen- und Anlagenbau, und T-Systems mit ihrer langjährigen Expertise rund um Netzwerktechnik, Datenübertragung und cloudbasierte Services eine Kooperation vereinbart, um Kunden als Partner bei der Bewältigung dieser Herausforderungen zu unterstützen. Eaton stellt dabei die Datenerhebung ausgehend von seinem breiten Portfolio an Automatisierungskomponenten sowie den sicheren Transport der Daten in die Telekom-Cloud sicher. Stärke von T-Systems sind das Wissen, wie Big Data und Datenanalysen eingesetzt werden können, um Business-Mehrwerte aus den Daten zu generieren, und die hochsichere Telekom-Cloud, deren Server in Deutschland stehen und damit den deutschen Datenschutzrichtlinien unterworfen sind. Mit den gemeinsam entwickelten Cloud-Services, haben Kunden die Möglichkeit, ihre Maschinendaten effizient und sicher zu erheben, speichern und nutzen und somit ihre Systeme auf einfache Weise „IoT-ready“ zu machen.

Denn Daten werden erst durch ihre Analyse, Auswertung und den damit verbundenen Mehrwerten interessant. Eine wichtige Aufgabe dabei übernimmt das Condition Monitoring: die kontinuierliche Überwachung des Maschinenzustands anhand bestehender Daten und Regeln. So können zum Beispiel Energieverbräuche der einzelnen Komponenten gemessen und so geprüft werden, ob alle Komponenten optimal arbeiten. Gibt es Abweichungen, zum Beispiel, weil der Verbrauch einer Komponente ungewöhnlich hoch ist oder kontinuierlich ansteigt, wird ein entsprechender Alarm ausgelöst und der dafür zuständige Techniker informiert. Cloud-Dienste können also dabei helfen, sowohl die richtigen Maßnahmen zur Reduzierung des Energieverbrauches zu definieren als auch deren Nachhaltigkeit dauerhaft zu überwachen.

Durch weiterführende Dienste wie Predictive Maintenance lassen sich drohende Ausfälle frühzeitig erkennen und die damit verbundenen Stillstandzeiten sowie kostenintensive Reparaturen vermeiden. Hier erarbeiten Eaton und T-Systems Predictive-Maintenance-Szenarien, basierend auf den Datenanalysen, die auch im Bereich der Maschinenoptimierungen eine wesentliche Rolle spielen. So lassen sich die in der Cloud hinterlegten Ist-Werte von Komponenten mit den Soll-Werten vergleichen, um Informationen zur verbleibenden Lebensdauer oder thermischer Überlast zu bestimmen.

Vergleich und Optimierung

Gleichzeitig wird es möglich, die Produktivität von Maschinen zu vergleichen und gezielt Optimierungsmaßnahmen vorzunehmen. Betreibt ein Unternehmen zum Beispiel Spritzgussmaschinen an verschiedenen Standorten, so kommen überall Filter zum Einsatz, die eine gleichbleibende Qualität des erhitzten Kunststoffgranulats gewährleisten sollen. Mit der Zeit setzen sich diese Filter jedoch zu. Der daraus resultierende Druckanstieg ist ein Indiz für den Verschmutzungsgrad des Filters und signalisiert, dass ein Wechsel notwendig ist.

Werden nun über die Lebenszeit der Maschine Daten zum Turnus des Filterwechsels, zu den verschiedenen Filterqualitäten bzw. -herstellern sowie zu den verwendeten Granulaten aufgezeichnet, abgespeichert und analysiert, so kann der Maschinenhersteller wertvolle Rückschlüsse ziehen, unter welchen Bedingungen seine Maschine am längsten fehlerfrei läuft und wie sie am effektivsten zu warten ist. Ein Vergleich der Aufzeichnungen von verschiedenen Maschinen sowie die Analyse der verwendeten Rohstoffe und Filter kann dann aufzeigen, unter welchen Bedingungen ein Filterwechsel seltener notwendig war und wie sich eine höhere Produktivität erzielen lässt.

(ID:44748038)