Von simulierten Schwingungsdaten zur Cloud-basiertem Predictive Maintenance
Übersicht
Zustandsüberwachung (Condition Monitoring) ist der Prozess der Überwachung von Parametern einer Maschine, um eine signifikante Veränderung zu identifizieren, die die Entwicklung eines Fehlers anzeigt. Die Verwendung von Condition Monitoring ermöglicht es, die Instandhaltung zu planen oder andere Maßnahmen zu ergreifen, um einen Ausfall der Anlage zu verhindern. Condition Monitoring bringt den Vorteil, jene Bedingungen, die die normale Lebensdauer verkürzen könnten, zu entdecken, bevor sie sich zu einem großen Fehlverhalten entwickeln. Traditionell wurde die Zustandsüberwachung durch manuelles Sammeln von lokal auf den Maschinen gespeicherten Daten und deren Analyse in einer entfernten Zentrale durchgeführt.
Mit dem Aufkommen von vernetzten Systemen (IoT) können nun auch Condition Monitoring Anwendungen einfach implementiert werden, die eine nahezu Echtzeit-Systemüberwachung ermöglichen. Maschinen-Daten werden über das Internet in die Cloud hochgeladen. Online-Analytics, die auf der Cloud laufen, können komplexe System-Charakteristiken abschätzen und sich anbahnende Fehler erkennen. Dies ist ein wichtiges Merkmal von IoT-Systemen, die es Ingenieuren ermöglicht, ein Problem rechtzeitig zu adressieren, bevor ein katastrophaler Fehler auftritt.
Im Webinar wird als Beispiel für eine Predictive Maintenance Applikation ein Anwendungsfall zur Durchführung einer Online-Zustandsüberwachung eines Bandfördersystems veranschaulicht.
Wir verwenden ein Simulink-Modell, um die RMS-Schwingungsamplitude aus dem Bandfördersystem zu simulieren. Dieses Modell wird mittels automatischer C-Code Generierung auf einem Raspberry Pi portiert und die auf dem Pi erzeugten Daten werden zu einer IoT Platform (ThingSpeak) zur Fehlererkennung und Benachrichtigung gesendet. Die Daten aus dem Modell werden einmal pro Sekunde in die Cloud hochgeladen, der Zustand des Systems wird einmal pro Minute mit MATLAB auf ThingSpeak geschätzt, wofür ein Zeitreihenmodell im Zustandsraum eingesetzt wird. Der geschätzte Zustand des Systems wird dann verwendet, um entstehende Fehler zu erkennen und bei Bedarf Benachrichtigungen zu senden oder um eine Empfehlung für eine bevorstehende Wartung zu triggern.
Highlights
- Überblick über Data Analytics mit MATLAB
- Beispiel einer Predictive Maintenance Anwendung
- Überblick zu den Möglichkeiten von IoT mit MATLAB
- Einführung des ThingSpeak Web Services
Über den bzw. die Referenten
Dr.-Ing. Rainer Mümmler ist Senior Application Engineer bei MathWorks und beschäftigt sich mit Themen wie Data Analytics, Predictive Maintenance, Hardware Connectivity, Image Processing und dem Internet der Dinge (ToT). Vor seiner Tätigkeit bei MathWorks war er für unterschiedliche Unternehmen aus dem Luftfahrtbereich tätig. Rainer Mümmler hat Luft- und Raumfahrttechnik an der TU München studiert und während seiner Promotion an der Universität der Bundeswehr München einen Windkanal modernisiert und Forschung im Bereich der Aerodynamik durchgeführt.
Aufgezeichnet: 25 Okt 2017
