Überwachen der Maschinenstabilität mit Data-Science
Veröffentlicht am 16. Juli 2021 in Industry 4.0
Sanity-Check für die Maschine
Wie funktioniert die Prüfung? Die Signale von Sensoren und (wo möglich) Aktoren werden in einer hohen Intervallfrequenz aufgezeichnet, analysiert und mit dem Maschinenprozess und dem Steuerungsprogramm verknüpft. In Zusammenarbeit mit den Maschinenführern und/oder Technikern erhalten Sie so einen detaillierten Einblick und können Abweichungen und Unstimmigkeiten erkennen, z. B. Fehlausrichtungen von Sensoren, Fehlkonfigurationen und verschlissene Teile. So können Sie die Zahl der Kurzausfälle reduzieren oder die Ursache für ein intermittierendes und unklares Problem finden.
Überwachung der Maschine
Die ständige Überwachung ermöglicht die Erkennung von Prozess- und Qualitätsanomalien sowie Trendabweichungen und liefert Empfehlungen für die vorausschauende Wartung. Die Maschinenumrüstzeit und weitere Eingabedaten stehen für das Trainieren der Modelle zur Verfügung. Diese müssen regelmäßig aktualisiert werden, um die Genauigkeit von Prognosen zu gewährleisten und weiter zu verbessern.Der Sysmac KI-Controller von OMRON im Einsatz
Wussten Sie, dass OMRON eine Maschinensteuerung mit einer Sysmac-Bibliothek für künstliche Intelligenz anbietet? Wir können Sie bei einem Proof-of-Concept unterstützen und Sie bei der Implementierung des KI-Controllers in Ihrer Anlage begleiten. OMRON bietet auch eine AI-as-a-Service-Lösung an. Dabei übernehmen wir die komplette Implementierung, alle Updates, Upgrades und die Instandhaltung. Denn auch KI-Systeme müssen regelmäßig betreut werden, damit sie sich verbessern und an die erkannten Veränderungen im Maschinenverhalten und/oder im Produktionsprozess anpassen.
Fallstudie: OMRON Manufacturing of The Netherlands
Vor kurzem wurde im Werk von OMRON Manufacturing of the Netherlands (OMN) an der NX-Montagelinie ein Data-Science-Projekt mit Schwerpunkt auf der Pin-Stitcher-Maschine durchgeführt, die Stifte in Kunststoffgehäuse stitcht.Die Pin-Stitcher-Maschine enthält mehrere Motoren und Sensoren, die gleichzeitig über 50 Signale generieren. Ziel dieses Projekts war die gleichzeitige Überwachung aller Signale und die Erkennung von Anomalien. Die Signale wurden vom KI-Controller in Intervallen von 2 Millisekunden als Ereignisdaten erfasst und für die Datenanalyse und Anomalieerkennung gespeichert.
Eines der häufigsten Probleme bei Pin-Stitcher-Maschinen wird durch Biege- und Rollenzuführungsmotoren verursacht, wenn die Maschine die Rolle nicht in der richtigen Weise bewegt. Dieses Problem erfordert eine Wartungsmaßnahme, die die gesamte Produktionslinie für fast eine Stunde zum Stillstand bringt. Mit der Anomalieerkennung können die Fehler frühzeitig erkannt werden. Dann wird ein Alarm an die Techniker und die Instandhaltung gesendet. Im Fall der Pin-Stitcher-Maschine wird der Alarm bereits einige Stunden vor dem Auftreten eines größeren Problems aktiviert. Dieser frühzeitige Alarm verhindert den Stillstand der Maschine, da das System rechtzeitige Instandhaltungsmaßnahmen sicherstellt und eine einfache Korrektur ohne nennenswerte Maschinenstillstände vorschlägt.
Hinzu kommt, dass subtile Veränderungen an der Maschine für Menschen nicht erkennbar sind. Wenn die Maschine bei jedem Produktionszyklus langsamer wird, und sei es nur um ein paar Millisekunden pro Woche, wird dies von den Maschinenführern oder Technikern nicht bemerkt. Im Laufe der Zeit könnte die Maschine 10 % langsamer werden und an einem Tag 15 % weniger produzieren. Die Ursache für dieses Problem kann jedoch durch die Überwachung des Signalverhaltens mithilfe von Modellen zur Erkennung von Anomalien festgestellt werden. Dadurch können entsprechende Einstellungen vorgenommen werden, um die Leistung der Maschine auf einem hohen Niveau zu halten.
Möchten Sie den größtmöglichen Mehrwert aus Ihren Betriebsdaten ziehen, oder gibt es ein Problem, dessen Lösung in Ihren Daten verborgen sein könnte? Laden Sie das folgende Whitepaper herunter, um mehr zu erfahren.
