Beim Condition-Based-Maintenance-Verfahren werden Live-Zustandsdaten wie Temperatur, Vibration, Drehzahl oder Stromverbrauch erfasst, um Instandhaltungsmaßnahmen am tatsächlichen Maschinenzustand auszurichten. Dafür müssen die Daten jedoch in verwertbare Informationen umgewandelt werden. Hier setzt die von Actemium entwickelte IoT-Connection-Box an. Diese bietet standardisierte Schnittstellen, integrierte Sensorik und ein praxisnahes Einführungskonzept, das sich etwa für die Nachrüstung von Bestandsmaschinen eignet.
Modular nachrüsten und skalieren
Herzstück der Box ist ein kompakter Wago-Controller, der Betriebs-, Maschinen-, Prozess- und Energiedaten erfasst. Dual-Ethernet-Schnittstellen und Netzwerktrennung nach IEC62443 ermöglichen die Integration in bestehende IT- und OT-Strukturen. Zusätzliche Sensorik lässt sich bei Bedarf nachrüsten. Die Daten werden etwa über Parallelabgriff im Schaltschrank erfasst, im Controller vorverarbeitet und anschließend über OPC UA oder MQTT an ein Edge-System übertragen, auf dem unter anderem Wago Analytics und die Wago Solution Plattform laufen. Für Analyse, Visualisierung und Alarmierung stehen Docker-Container bereit. Sie lassen sich flexibel auf dem Controller, dem Edge-PC oder in der Cloud einsetzen und mit ONNX (Open Neural Network Exchange) können trainierte KI-Modelle in einer standardisierten Form ausgetauscht und performant ausgeführt werden. Controller und Edge-Dienste laufen in einem zentral orchestrierten Swarm-Cluster. Auf diese Weise lassen sich Software-Updates und Funktionsanpassungen ohne Unterbrechung der Produktion zentral ausrollen.
Von der Sandbox zum Rollout
Bei der Einführung dient in einer Sandbox-Umgebung zunächst eine geringe Anzahl an Bestandsmaschinen als Pilot. Dort werden die benötigten Zustandsdaten identifiziert, um zu klären, wie sie am effizientesten erfasst werden können. Parallel wird bewertet, wie sich das System in die bestehende IT-/OT-Infrastruktur integrieren lässt und welche zusätzliche Sensorik aus technischer und wirtschaftlicher Sicht sinnvoll erscheint. Denn Vibrationssensoren sind deutlich teurer als einfache Temperatursensoren – Akustik- oder Schwingungssensoren sind mit der Auswertung ein Vielfaches kostspieliger.
Nach erfolgreichem Testlauf in der Sandbox werden die gewonnenen Erkenntnisse für den wirtschaftlichen und standardisierten Rollout auf weitere Maschinen oder Anlagen genutzt. Dieser Schritt-für-Schritt-Ansatz reduziert Risiken, ermöglicht gezielte Optimierungen und sorgt dafür, dass das CBM-System skalierbar und nachhaltig implementiert werden kann.
KI-gestützte Analyseverfahren
Die Methoden zur Auswertung der Zustandsdaten orientieren sich am Anwendungsfall und der Kritikalität der Maschine. Für den Einstieg eignen sich etwa einfache Schwellenwertanalysen. Darüber hinaus gehen Verfahren wie das Supervised und das Unsupervised Learning: Erstgenanntes kommt zur Anwendung, wo umfangreiche, gelabelte historische Daten vorliegen und konkrete Fehlerbilder zuverlässig erkannt werden sollen. Das Unsupervised Learning wird häufig zur Anomalieerkennung in weniger kritischen Anwendungen genutzt und liefert wertvolle Hinweise auf schleichende Veränderungen. Es eignet sich besonders für Bestandsmaschinen, für die nur wenige historische Daten verfügbar sind und bei denen Ausfälle selten auftreten. Ergänzend ermöglichen autoregressive Modelle die Analyse von Zeitreihen, um Trends und sich langsam entwickelnde Störungen (zunehmender Verschleiß, Verstopfungen etc.) frühzeitig zu erkennen und prognostizierbar zu machen. Mit diesem modularen Analysekonzept können Unternehmen klein anfangen und die Komplexität je nach Bedarf erhöhen.
