Jahr: 2017

In diesem letzten Artikel unserer Ananomalierkennungs-Serie zeigen wir ein praktisches Beispiel der Anomalieerkennung. Wir erklären, in welchem Szenario der Anomalieerkennung wir uns befinden und welche Anomalien wir in Betracht ziehen. Mehr Einzelheiten erfahren Sie in den vorhergehenden Artikeln zum selben Thema: „Die drei verschiedenen Arten von Anomalieerkennung“ und „Die drei Szenarien der Anomalieerkennung“.

Es handelt sich um einen Elektromotor. Dieser dreht mehrere durch einen Antriebsriemen miteinander verbundene Metallscheiben. Die einzelnen Teile des Motors und die Scheiben vibrieren, wenn der Motor läuft. Die Vibrationen werden mit einem drahtlosen Vibrationssensor der Firma Neratec gemessen. Diese Messungen ermöglichen die Erkennung möglicher Anomalien des Motors.

Abb. 1: Elektormotor an unserem Stand auf der SINDEX 2016 in Bern. Blau: Motor. Rot: Vibrationssensor. Grün: Echtzeitanomalieerkennung.

Die vollständige Anlage ist in Abb. 1 dargestellt. Der Motor ist blau, der Vibrationssensor rot und die Benutzeroberfläche grün umrahmt. Wir haben diese Versuchsanordnung bei der großen, alle zwei Jahre stattfindenden Technologiemesse Sindex 2016 aufgebaut.

In den nächsten Kapitteln gehen wir in wenigen Zeilen auf die Einzelheiten der Problemerkennung, Problemlösung und Durchführung der Anomalieerkennung ein.

Problemerkennung:

Die Hauptursachen von Funktionsstörungen eines solchen Motors sind folgende: Der Motor dreht sich zu langsam, zu schnell oder eine der Metallscheiben ist in Unwucht. Weitere Funktionsstörungen haben wir absichtlich außer Acht gelassen, da sie mit einem Vibrationssensor nicht von anderen Störungen unterscheiden lassen. Ein Problem der Stromversorgung beispielsweise, verhindert, dass der Motor läuft: Wie wäre ein Stromunterbruch vom ausgeschalteten Motor mit einem Vibrationssensor zu unterscheiden?

Wir wollen herausfinden, ob der Motor richtig funktioniert und die verschiedenen Anomalien erkennen. Wir haben also ein Klassifizierungsproblem mit fünf Klassen:

1. 1. Der Motor ist ausgeschaltet
2. 2. Der Motor funktioniert normal
3. 3. Der Motor läuft zu langsam
4. 4. Der Motor läuft zu schnell
5. 5. Eine der Metallscheiben ist in Unwucht

Im Vorfeld haben wir Messungen jeder Klasse vorgenommen und jede Messung einer der fünf Klassen zugeordnet. Dadurch sind die zu erkennenden Anomalien vollständig bekannt.

Problemlösung:

Die zur Verfügung stehenden Daten werden durch den Vibrationssensor gesammelt. Dieser stellt ein Signal mit 2 kHz Abtastrate zur Verfügung. Dieses Signal haben wir mittels Fast Fourier Transformation (FFT) in den Frequenzbereich transformiert. Die Features (verwendete Merkmale) unseres Modells sind somit die Koeffizienten der Fourier-Transformierten.

Abb. 2: Mittlere Frequenzen je nach Zustand des Motors (ausgeschaltet, normal, zu schnell, zu langsam)

Im vorliegenden Beispiel haben wir mehrere Modelle angewandt und getestet. Unser Ziel war es, richtige Vorhersagen schnell und mit einem einfachen Algorithmus zu erhalten. Unsere Wahl fiel schließlich auf den Algorithmus Random Forest. Er ist einfach anzuwenden, schnell, erzielt zufriedenstellende Ergebnisse und gibt Auskunft über den Einfluss der verschiedenen Features (Merkmale) auf die Anomalienklassifizierung.

Durchführung:

Das Projekt wurde mit der Software Dataiku durchgeführt. Es erleichtert und beschleunigt Datenimport, -bereinigung und -verarbeitung. Auch das Erstellen eines Modells ist einfacher. Unseren Algorithmus Random Forest können wir mit einem einzigen Klick anwenden und auswerten.

Abbildung 3: Datenfluss des Projekts in Dataiku

Abschließend ein kurzes Video, das auf der SINDEX aufgenommen wurde, und in welchem wir unseren Motor live vorstellen:

Nach der Konsumgüterindustrie verändert die Digitalisierung vermehrt auch die Industrielandschaft. Oder anders gesagt: der Vormarsch Cyber-Physikalischer Systeme (CPS) findet bereits spürbar statt. Prof. Wernher van de Venn von der ZHAW hat dazu eine Vorlesungsreihe mit dem Thema „CAS Industrie 4.0 Implementierung“ aufgelegt. Deren erstes Modul «Cyber-physikalische mechatronische Systeme und Smart Factory-Konzepte auf Anlagenebene“ wurde im März 2017 von LeanBI bestritten. Hier ein kurzer Abriss:

Zentrale Fragen der Vorlesungsreihe

Die zentralen Fragen der Vorlesungsreihe mit insgesamt sechs Modulen sind:

• Wie entwickelt man im Kontext von Industrie 4.0 Anlagen und Systeme?
• Wie integriert man neue Fertigungstechnologien sowie verbundene Objekte zu einer intelligenten Steuerung?
• Wie erhält man auf dieser Basis neue Services, Produkte und Geschäftsmodelle mit einem Mehrwert für Anwender und Kunden?
• Welche neuen Risiken entstehen im Umfeld von Industrie 4.0 und wie werden diese gemanaged?

Aufbau von Modul A

In allen Modulen wird auf einen guten Mix aus Vorlesung und Workshops geachtet, um den Teilnehmern (Leitende in Produktion u. Logistik, Geschäftsführer von KMUs, CTOs und CIOs sowie Ingenieure, Softwareentwickler und -Architekten, Marketingfachleute usw.) mögliche Lösungen und praktische Erfahrung an die Hand zu geben.

Das insgesamt 2-tägige Modul A umfasste dabei die folgenden Themen:

• Einführung Industrie 4.0
• Schweizer Maschinenhersteller Use Case
• Einführung in Cyber Physikalische Systeme
• Technologien von CPS
• Security und CPS
• CPS Anwendung und Modellierung auf Anlagen
• Workshop: „CPS Ideen“
• Von Mechatronic zu CPS: Ein historisch-technischer Abriss
• Von Daten zum Nutzen
• Algorithmen in CPS (Doppellektion)
• CPS und digitale Geschäftsmodelle: Methoden
• Workshop: „Methoden zur Erarbeitung digitaler Geschäftsmodelle auf Basis Cyber-physikalischer Produktions- und Anlagensysteme“

Ziel dieses ersten Moduls war es, den Studierenden ein Grundverständnis von CPS-Systemen und ihrer vielfältigen Ausgestaltungs- und Anwendungsmöglichkeiten zu geben. Einer der Schwerpunkte dabei waren «Neue Service- und Geschäftsmodelle mit Industrie 4.0», und dort insbesondere im Bereich „Predictive Maintenance“.

Die Anwendung auf die Praxis: zwei Workshops

In den zwei integrierten Workshops konnten die Teilnehmer dann das Erlernte versuchsweise in selbst gewählten CPS-Beispielen in die Praxis umsetzen:

• Die Produktion von Elektro-Velos
• Predictive Maintenance am Förderband einer Kehrichtverbrennungsanlage
• Eine «Smarte Krücke», die eine gehbehinderte Patienten in nutzbringender Weise unterstützt
• Ein intelligenter Schaltschrank, der sich den weltweit unterschiedlichen Witterungsbedingungen selbständig anpasst

Schon während der Vorlesungen, ganz besonders aber in den Workshops war deutlich zu beobachten, wie die Teilnehmer dank der intensiven Auseinandersetzung mit den Themen Digitalisierung und CPS zunehmend eine «digitale Phantasie» entwickelten und begannen, in neuen Geschäftsmodellen zu denken und diese miteinander zu diskutieren.
Übrigens ein Phänomen, welches LeanBI auch in zahlreichen Kundengesprächen und -Workshops beobachtet: anfänglich Skepsis oder sogar Unsicherheit schlägt bei Beschäftigung mit dem Thema in Interesse und gelegentlich sogar in kaum noch zu bremsende Begeisterung um.

Kurzer Abriss der Vorlesungsreihe

Nach Darstellung u.a. der CPS-Situation in der Schweiz, der historischen und (sicherheits-)technischen CPS-Aspekte und verschiedener Algorithmen und (z.T. sogar historischer) Use Cases schloss sich der Bogen in Modul A mit dem allgemein viel Unsicherheit auslösenden Thema «Digitale Geschäftsmodelle».

Aber auch hier gelang es, den Teilnehmern einen praktikablen mehrstufigen Ansatz zu vermitteln, der unmittelbar auf bestehende und auf neue (digitale) Geschäftsmodelle angewendet werden kann.
Insbesondere die unabdingbare Ausrichtung auf den Nutzen solcher Geschäftsmodelle war anfänglich ein intensiver Diskussionspunkt, entwickelte sich aber im Verlauf des Moduls A geradezu zu einer alles verbindenden «Klammer» für die Einführung von CPS nach dem Motto: der Kundennutzen muss immer der Ausgangspunkt für die Implementierung solcher Systeme sein.

Fazit

Cyber-Physikalische Systeme sind gar nicht so «ausserirdisch» oder neu, wie oft angenommen wird. Es gibt vielmehr gute historische Beispiele und praktische Einstiegsmöglichkeiten, deren Nutzen sich schon nach kurzer Zeit manifestiert. Die sequentiellen CPS-Aufbaustufen im industriellen Alltag sind häufig:

1. 1. Produktverbesserung
2. 2. Prozessverbesserung
3. 3. digitales Geschäftsmodell und seine Optimierung

So verliert das Thema viel von seinem Schrecken und wirft rasch erste Erfolge ab.
Die hochaktuelle Vorlesungsreihe der ZHAW leistet dafür einen wertvollen Beitrag.

Die Digitalisierung der Welt – insbesondere der industriellen – ist in aller Munde. Und wir von LeanBI spüren in unserem Umfeld nicht nur grosses Interesse an diesem Thema, sondern auch eine gewisse Unruhe und Sorge, „den Zug zu verpassen“:
Beinahe täglich werden wir mit Fragen konfrontiert wie: „Wie findet ein KMU den besten Einstieg in die Thematik?“, „In welchem Bereich lässt sich am einfachsten oder schnellsten Nutzen erzeugen?“ oder „Wie machen es andere – und welche Fehler wollen wir vermeiden?“. Zusammen mit unseren Kunden konnten wir hier schon viele befriedigende Antworten erarbeiten.

Diese Fragen bewegen offensichtlich sehr viele Firmen im In- und Ausland, oft aber mangelt es dabei an ganz konkreten, in die Praxis umsetzbaren Schritten. Und genau hier setzt das Digital Enterprise Forum Lucerne (DEFL) am 2. Mai 2017 an: „Es zeigt anhand von praktischen Beispielen, was hinter den verschiedenen Themen der Digitalisierung steckt und wie Firmen diese heute bereits umgesetzt haben“ (Zitat).

Programm

Das Programm besteht am Vormittag aus Impulsreferaten und Praxisbeispielen zu den Themen IoT, E-Commerce, Bots und Industrie 4.0. Der Nachmittag der Veranstaltung ist der Praxisteil: Umsetzungspartner aus den verschiedensten Bereichen zeigen ihre bereits umgesetzten Digitalisierungs-Projekte. Hier können Sie sich Ideen und Anregungen für Ihr eigenes Unternehmen holen und mit den erfahrenen Spezialisten Ihr individuelles Anliegen diskutieren. Auch wir von LeanBI sind dort mit einem eigenen Stand und einem Kurzvortrag zum Thema „Produktionsoptimierung“ vertreten. Das detailierte Programm finden Sie hier im Veranstaltungsprogramm. Natürlich freuen wir uns, wenn Sie uns dort besuchen und wir Ihre ganz spezielle Situation gemeinsam besprechen können.

Ziel der Veranstaltung:

Denn das ist genau das Ziel der Veranstaltung: Sie haben eine klare Vorstellung davon gewonnen:

• was die ersten konkreten Umsetzungsansätze und -Schritte in Ihrem KUM sein könnten
• wie Sie und Ihr Unternehmen am besten und schnellsten zu ersten nutzbringenden Resultaten kommen können
• und vielleicht sogar schon, welche Projekte Sie mit welchen Spezialisten umsetzten könnten

Anmeldung

Sie können sich zum DEFL am 2. Mai 2017 direkt über www.defl.ch anmelden. Am besten verwenden Sie dafür unseren Kunden-Promo-Code LeanBI@DEFL, dank dem sich die Anmeldegebühr auf Fr. 250 (anstatt Fr. 350) reduziert.

Wir freuen uns den Start unseres KTI Projekts mitzuteilen:
leanPredict: Erforschung und Entwicklung einer agilen Lösung zur Zustandsüberwachung und vorausschauenden Instandhaltung für intralogistische Systeme.

Predictive Maintenance für intralogistische Systeme ist aufgrund vieler bewegter Komponenten aufwändig und komplex. Durch die Erforschung von Idealkombinationen aus neuen, leistungsfähigen Internet of Things-Sensortechnologien und Advanced Machine Learning-Algorithmen können Aufwand und Komplexität des Prozesses stark reduziert werden. Ziel ist es, eine skalierbare und ökonomische Lösung nach Baukastenprinzip für Materialflusssysteme zu schaffen.

Das KTI Projekt wird mit folgenden Partnern umgesetzt:

Predictive Maintenance (PdM) bietet signifikante Einsparpotenziale in der Instandhaltung. Die kontinuierliche, durch Sensoren gestützte Erfassung von Maschinenzustandsdaten ist die Basis für eine algorithmenbasierte Prognose von Maschinenausfällen und ermöglicht damit eine Fehlervermeidung durch rechtzeitige Wartung. So lassen sich in der Instandhaltung beachtliche Kosteneinsparungen von bis zu 40 Prozent erzielen. Jedoch ist die Realisierung der PdM bis dato sehr aufwändig und komplex, da die meisten Maschinen bisher mit massgeschneiderter Sensorik nachgerüstet und für Ausfallprognosen Algorithmen speziell entwickelt werden müssen. Insbesondere bei intralogistischen Systemen, die aus zahlreichen dem Verschleiss ausgesetzten, viel bewegten Komponenten bestehen, erforderten PdM-Projekte deshalb grosse Investitionen.

Vor diesem Hintergrund ist es das Ziel des vorliegenden FuE-Projekts, eine End-to-End-Lösung für Predictive Maintenance nach Baukastenprinzip zu entwickeln, die durch Einsatz von neuen, leistungsfähigen Plug-and-Play-Sensoren und -Algorithmen die Komplexität des Prozesses stark reduziert. Neuartig ist dabei die modulare Integration von schlüsselfertigen Internet-of-Things-Messsystemen und vorspezifizierten Algorithmen, die nach Bedarf flexibel innerhalb verschiedener Anwendungsfälle der Intralogistik eingesetzt werden können, sowie eine globale Überwachungsstrategie, die nur wenigen Messstellen erfordert. Auf diese Weise wird ein skalierbares und ökonomisches Angebot geschaffen, das es Unternehmen mit Stetigförderanlagen ermöglicht, an den Vorteilen einer vorausschauenden Instandhaltung zu partizipieren.