Predictive-Maintenance Ausfallzeiten mithilfe von KI signifikant reduzieren

Redakteur: Alina Hailer

Industrie 4.0 erfolgreich im Karosseriebau umgesetzt: Mit einem Predictive-Maintenance-System ist es Festo gelungen, Aufallzeiten in der Automobilindustrie um 25 Prozent zu reduzieren.

Firmen zum Thema

In der Cloud des Systems wird eine Instandhaltungsapplikation betrieben, die die Daten der Schweißzangenroboter in einem Instandhaltungs-Dashboard abbildet.
In der Cloud des Systems wird eine Instandhaltungsapplikation betrieben, die die Daten der Schweißzangenroboter in einem Instandhaltungs-Dashboard abbildet.
(Bild: Festo)

Der Anbieter von Automatisierungstechnik gibt an, Ausfallzeiten in der Automobilbranche mithilfe von Künstlicher Intelligenz um bis zu 25 Prozent reduzieren zu können. Ausschlaggebend dafür ist ein Predictive-Maintenance-System, welches in den servopneumatischen Schweißzangenrobotern im Karosseriebau implementiert ist. Dafür erkennt das System frühzeitig Prozessabweichungen, sorgt dafür, dass die Instandhaltung optimiert wird und Energie gespart wird.

Mehrwertlösungen generieren

Kundenspezifische Lösungen ermöglichen mit dem Wissen über die Applikation agile, innovative Ansätze. Aus den Erfahrungen ergeben sich Potentiale, diese Lösungen für das Standardgeschäft zu multiplizieren.

Die Herausforderung liegt dabei darin, mit den Daten aus den Geräten, den Daten aus dem Applikationsumfeld und dem Wissen über die Prozesse echte Mehrwerte für den Endkunden zu liefern.

Bereits realisierte Anwendungsbeispiele können den Mehrwert verdeutlichen. So soll es Automobilherstellern beispielsweise möglich sein, Zangenreparaturen in produktionsfreie Zeiten zu verlagern und damit die Verfügbarkeit ihrer Anlagen zu erhöhen.

Der Status der Zange lässt sich im Leitsystem abbilden. Automatisierte Reparaturaufträge und sogar „Lebensläufe“ von Zangen sollen so einfach generiert werden können. Filterfunktionen ermöglichen Vergleiche. Das frühzeitige Erkennen von Undichtigkeiten führt zu Energieeinsparungen, denn vor allem Energie- und Instandhaltungskosten spielen im Karosseriebau eine große Rolle.

Predictive Maintenance über die Cloud

Beim Widerstandspunktschweißen in mechatronischen Systemprodukten werden heute schon viele Daten verarbeitet und zu Diagnosen vorverdichtet, die für die Instandhaltung nutzbar sind. Jedoch reicht es nicht aus, Daten nur bereitzustellen und anzuzeigen. Gegenüber klassischen Condition-Monitoring-Ansätzen ergeben sich mit Predictive Maintenance auf Basis in Zukunft erweiterte Möglichkeiten: Daten werden aus den Geräten mit Prozessdaten zusammengeführt und mit Analytics-Modellen sowie cloudbasierten Lösungen ausgewertet.

Festo hat die vorhandenen Anlagen-PCs der Roboterzellen um eine Software erweitert, die die Diagnosedaten der Schweißzange einsammelt und an einen Cloud-Eingangspunkt sendet. In der Cloud läuft eine Instandhaltungsapplikation, die neben der Darstellung der Daten im Browser, visualisiert über Instandhaltungs-Dashboards, auch die Bewertung der Daten hinsichtlich voraussichtlicher Lebensdauer vornimmt.

Herausforderung Datentransport

Laut Dr. Jan Bredau – Leiter der Abteilung Anwendungssoftware für Systemlösungen bei Festo – war der Datentransport von der Produktion in die Cloud die größte Herausforderung. Vor allem, weil Themen wie Netzwerkauslastung, Prozessorlasten und Datensicherheit „Neuland“ waren.

Das Hardwarekonzept der servopneumatischen Schweißzange entwickelte Festo in enger Abstimmung mit Experten aus der Automobilbranche. Damit konnten die Entwickler von Festo relevante Anforderungen der Branche berücksichtigen – bis hin zur Reduzierung der Hüllkurve.

Der Anwender kann den Steuerteil, bestehend aus Elektronik- und Pneumatikteil, wahlweise und je nach Anwendung in einem Block oder getrennt voneinander montieren und betreiben. Durch Anbindung an das Werksinstandhaltungssystem werden vorausschauende Wartungsaufträge in ihrer gewohnten Umgebung ausgelöst und, wenn gewünscht, per SMS auf das Mobiltelefon des Instandhalters geschickt.

(ID:47564150)