Vorausschauende Wartung für Sondermaschinen

19.05.2022
Von: Institut für Angewandte Forschung und Wirtschaftskooperationen

Durch die vorausschauende Wartung von Produktionsanlagen mit einem Predictive-Maintenance-System lassen sich hohe Kosten einsparen. Im Forschungsprojekt PRISMA von Prof. Dr. Martin Weiß wird ein solches nun erstmals auch für Sondermaschinen angewandt.

Das Projektteam Markus Franke (OTH Regensburg), Michael Kronfeld (Baumann GmbH), Martin Weiß (Projektleiter OTH Regensburg), Robert Halladay (Projektleiter Baumann GmbH), Markus Schwab (Baumann GmbH) und Sebastian Bock (OTH Regensburg) vor einer Fertigungszelle mit Roboter, wie sie im Projekt untersucht wird. Fotos: Baumann Automation

Das Projektteam Markus Franke (OTH Regensburg), Michael Kronfeld (Baumann GmbH), Martin Weiß (Projektleiter OTH Regensburg), Robert Halladay (Projektleiter Baumann GmbH), Markus Schwab (Baumann GmbH) und Sebastian Bock (OTH Regensburg) vor einer Fertigungszelle mit Roboter, wie sie im Projekt untersucht wird. Fotos: Baumann Automation

Eine Fertigungszelle mit Roboter, wie sie im Projekt untersucht wird.

Eine Fertigungszelle mit Roboter, wie sie im Projekt untersucht wird.

Predictive-Maintenance-Systeme kommen heutzutage bereits in vielen Industrieanlagen zum Einsatz. Dabei wird ein in großen Stückzahlen produziertes Komponenten-Produkt, zum Beispiel eine Bremse, betrachtet. Durch die Kombination von physikalischen und KI-basierten Modellen werden unter Verwendung großer Datenmengen Lebensdauer- und Wartungsvorhersagen erstellt. „Die Anwendung von Predictive-Maintenance-Algorithmen im Sondermaschinenbau stellt einen hochinnovative Technologie dar, die teure Service-Einsätze vermeiden kann“, sagt Prof. Dr. Martin Weiß von der Fakultät Informatik und Mathematik. Er leitet das Forschungsprojekt PRISMA, das in Kooperation mit der Baumann GmbH, einem mittelständischen Experten für verschiedenste Automationssysteme aus Amberg, durchgeführt wird. Prof. Weiß ist überzeugt: „Unsere Entwicklung wird dem Projektpartner mittel- und langfristig helfen, seine Marktposition zu sichern und weiter auszubauen.“ Zudem profitierten indirekt auch die weitestgehend in Deutschland ansässigen Kunden des Amberger Anlagenbauers, indem sich für deren Maschinen sowohl Stillstandzeiten als auch Reparaturkosten markant verringern werden. Das dreijährige Projekt hat ein Gesamtvolumen von 815.000 Euro. Die OTH Regensburg wird im Rahmen der Förderlinie „Digitalisierung“ des Bayerischen Verbundforschungsprogramms (BayVFP) vom Freistaat Bayern mit knapp 250.000 Euro unterstützt.

Konservative Wartung bedeutet höheren Verschleiß

Bislang sind beim Spezial- und Sondermaschinenbau noch weitestgehend herkömmliche Wartungsmethoden üblich. Ein bestimmter Sondermaschinentyp, etwa eine Roboterzelle für eine spezielle Bearbeitungsaufgabe, wird nämlich in niedriger, höchstens zweistelliger Stückzahl produziert, wodurch die Menge an analysierbaren Daten entsprechend kleiner ist. Das bedeutet, dass Verschleißteile mit konservativ angesetzten Wartungs- und Wechselintervallen meist früher als nötig ersetzt werden, um einen Anlagenstillstand um jeden Preis zu vermeiden, oder dass Fehler, die nicht durch im Wartungshandbuch identifizierte Verschleißteile hervorgerufen werden, oft erst dann erkannt werden, wenn die Anlage nicht mehr funktionsfähig ist. Der letztere Fall erfordert einen Serviceeinsatz,  bei dem Wartungstechniker*innen weder auf die zeitlichen Verläufe aller Messdaten noch auf etwaige Modelle, die daraus Vorhersagen oder Ausfallwahrscheinlichkeiten generieren könnten, zurückgreifen können. Stattdessen sind sie in der Regel stark auf die auf Expertenwissen und Erfahrung basierende Vermutung des Anlagenbetreibers angewiesen, um einen Anlagenfehler eingrenzen zu können. 

Trick: Komponenten der Sonderanlagen werden untersucht

An diese Ausgangslage knüpft nun PRISMA an: Zentral ist die Erkenntnis, dass es auch bei Sondermaschinen durchaus möglich ist, aufgrund eigener Datenanalyse Fehlerbilder zu erkennen und einzugrenzen und damit Serviceeinsätze erheblich zu verkürzen oder ganz zu vermeiden. Voraussetzung dafür ist es aber, trotz geringerer Stückzahlen eine ausreichende Datengrundlage zu schaffen. Zu diesem Zweck sieht das Projekt vor, statt der Sonderanlagen deren Komponenten wie zum Beispiel Roboter oder pneumatische Schiebeeinheiten zu untersuchen, die in größeren Stückzahlen eingesetzt werden. Die Komponenten werden zunächst physikalisch modelliert. Daten aus dem laufenden Betrieb und einem digitalen Zwilling werden dann zum Training von Verfahren des maschinellen Lernens eingesetzt. Das Herzstück des Projekts, die Software PRISMA, führt die verschiedenen Prozesse dann zusammen und prognostiziert Fehler, bevor sie auftreten. Da die Maschinenkomponenten dabei einzeln, aber auch im Zusammenspiel mit der Gesamtanlage betrachtet werden, entsteht ein modularer Baukasten, der über die einzelne Maschine hinaus auf eine Vielfalt von Sondermaschinen übertragen werden kann.

Zurück