Aion von AiSight – Maschinenüberwachung inkl. Echtzeit FFT-Analyse (Fast Fourier Transform) und KI-Algorithmen in der Firmware dank Edge-Computing Architektur

Zwei wichtige Faktoren, die bei der Entwicklung einer Digitalisierungsstrategie berücksichtigt werden müssen, sind, dass alle Prozesse digitalisiert werden können und dass dies manchmal einfacher ist als gedacht.

Basierend auf diesen Prinzipien wächst AiSight, ein in Berlin ansässiges, junges, internationales Startup, weiterhin erfolgreich.

Die neueste Version ihrer Lösung „Aion“ wurde gerade veröffentlicht.  Es nutzt Algorithmen der künstlichen Intelligenz, um den Zustand einer Maschine in Echtzeit zu bestimmen, Fehler vorherzusagen und die Maschinenparameter basierend auf Sensordaten dynamisch zu regulieren.  Aion besteht sowohl aus Hardware- als auch aus Softwarekomponenten.

Die Hardware besteht aus einem Sensorkit, das eine Vielzahl von Sensoren enthält und so optimiert ist, dass eine Plug & Play-Installation ohne spezielles Fachwissen möglich ist.

Die Software verwendet maschinelle Lernmodelle, um den Zustand einer Maschine zu bewerten, Anomalien zu identifizieren und Fehlerursachen basierend auf Mustern und physikalischen Parametern in den Sensordaten zu bestimmen.  Der Schlüsselalgorithmus dieser Lösung ist das „akustische Fingerprinting“, bei dem physikalische Parameter aus den Sensordaten extrahiert werden, um Muster zu identifizieren.

Was Aion von anderen Lösungen auf dem Markt unterscheidet, ist die einfache Implementierung und Skalierbarkeit, die diese sehr fortschrittlichen Analysen auch für KMU zugänglich macht.

Unter den Anwendungen von Aion finden sich auch Industrieventilatoren.  Die Funktionsweise der Lösung setzt ein gründliches Wissen darüber voraus, weshalb solche Maschinen ausfallen können.  Basierend auf diesem Wissen ist es möglich, die von Ventilatoren oder anderen Maschinen ausgehenden Schwingungen zu interpretieren und sie mit einem bestimmten Fehler zu verknüpfen.

Die Hauptfehler, mit denen Industrieventilatoren konfrontiert werden können, sind Lagerfehler.  Die Lager sind eine der wichtigsten Komponenten eines Ventilators, daher kann die Vorhersage ihrer Fehlfunktion äußerst wichtig sein.  Die Hauptursachen für einen Lagerfehler sind Schmierung (das Schmiermittel kann aufgrund hoher Temperaturen unzureichend, ungeeignet oder verschlechtert sein) und Verunreinigungen, die auftreten, wenn Fremdstoffe und Partikel mit dem Lager in Kontakt kommen.

Durch Beobachtung von Vibrationen ist es möglich, einen Lagerfehler zu erkennen.

 

 

 

 

(Abbildung 1)

Die Vermeidung von Lagerfehlern ist auch möglich, indem wichtige Ereignisse überwacht werden, die die Wahrscheinlichkeit von Lagerfehlern erhöhen können. 

Es folgen einige Beispiele.

-Unwucht. Diese Fehler treten im Allgemeinen auf, wenn sich Material auf den Laufradschaufeln ansammelt und dies dann von einigen Schaufeln ungleich abplatzt oder wenn hohe Temperaturen, die ein Ventilator im Betrieb erreicht, eine ungleichmäßige Ausdehnung einiger Komponenten des Laufrades verursachen. Diese Unwucht erhöht die Wahrscheinlichkeit eines Lagerfehlers exponentiell. 

 

 

 

 

(Abbildung 2)

-Fehlausrichtung:  Dieser Fehler hängt hauptsächlich mit der falschen Installation neuer Geräte (wie Kupplung, Antrieb etc.) oder mit Wellen und Lagern zusammen, die nicht richtig montiert wurden.

 

 

 

 

 

(Abbildung 3)

Neben der Erkennung von Fehlern oder Schlüsselereignissen, die zu diesen führen könnten, kann die Vibrationsüberwachung auch die aktuellen Wartungsvorgänge optimieren.  Es gibt zwei Beispiele für Fehler, die auf unsachgemäße Wartungsarbeiten zurückzuführen sind.

Erstens treten nach Wartungssitzungen, bei denen das Lager auf der Welle gewechselt wird, häufig Fehlausrichtungen auf.  Durch die ständige Überwachung von Industriemaschinen ist es auch möglich, solche Fehler sofort zu erkennen.

Zweitens ist bei Industrieventilatoren eine ordnungsgemäße Reinigung der Schaufeln von grundlegender Bedeutung.  Eine zu häufige oder zu späte Durchführung dieses Vorgangs kann zu einer Verringerung der Effizienz führen.  AiSight ist in der Lage, diese Art von Fehlern zu erkennen und die Planung der Wartungsvorgänge zu vereinfachen, um mit maximaler Leistung zu arbeiten.

Die Art und Weise, wie AiSight den Bediener auf all diese Fehler aufmerksam machen kann, ist sehr einfach: Aion kann an jede Industriemaschine angeschlossen werden.  Seine Sensoren verfolgen viele Parameter wie Temperatur, Magnetfeld und hauptsächlich Vibration.  Die dreiachsige Analyse ermöglicht eine hochauflösende Überwachung aller Arten von Geräten. Die Firmware führt eine FFT-Analyse (Fast Fourier Transform) und eine Reihe verschiedener Signalverarbeitungstechniken in Echtzeit durch.  Die FFT-Analyse kann die Zeitbereichsdaten erfassen mit der Erkennung von transienten Signalen, Schwebungen sowie wiederkehrenden Stoßfolgen und diese in den Frequenzbereich umwandeln, um den Bedienern zu zeigen, wie sich die Vibrationen der Maschine verhalten und wie diese mit der Normalität verglichen werden (wie in den obigen Grafiken dargestellt).  Die Analyse der Frequenzgraphen erleichtert die Erkennung der Grundursache hinter jedem Fehler.  Die Algorithmen für maschinelles Lernen, die die Analyse durchführen, sind bereits für die Interpretation dieser Daten geschult und für die direkte Anwendung in den im Sensor eingebetteten leistungsstarken Mikroprozessoren optimiert.  Dies ist möglich durch eine Kombination der neuesten Fortschritte in der Mikroprozessortechnologie und der Optimierung von Algorithmen für extrem leistungsschwache Umgebungen.  Die Edge-Computing-Architektur impliziert, dass nur relevante Daten an die Cloud gesendet werden, wodurch der Datenverkehr erheblich reduziert wird.

Alle Daten sind in Echtzeit auf dem Dashboard sichtbar. Wenn ein Fehler erkannt wird, werden Warnungen nicht nur über das Dashboard (siehe Titelbild), sondern auch per E-Mail und SMS gesendet, um ein rechtzeitiges Eingreifen zu ermöglichen.

Bei rotierenden Geräten kann diese Analyse zu einer durchschnittlichen Erhöhung der Betriebszeit um 6% führen, was sich positiv auf die Gesamtanlageneffektivität (OEE) auswirkt.  Die Wartungsproduktivität kann sich im Durchschnitt um 45% verbessern. Meistens wird sie entsprechend den Anforderungen der Geräte geplant und durchgeführt, wodurch die Belastung der Bediener durch ungeplante Eingriffe verringert wird.