Projektbeispiel: Entwicklung einer industriellen App

Wir freuen uns über das nachfolgende Projekt erfahren zu haben. Es wurde eine App entwickelt , mit welcher der Zustand und somit der Verschleiß von Getrieben überwacht werden soll. Über diese App zur vorschauenden Wartung in einem großen Lebensmittelkonzern hatten wir 2015 berichtet.

Lesetipp: In diesem Artikel erhalten Sie einen kompakten Überblick der einzelnen Methoden zur Instandhaltung

Instandhaltung mittels Apps

Wenn der Verschleiß an einer Komponente erkannt wird, können Apps dabei helfen, um sowohl die Instandhalter*innen und/oder das entsprechende Serviceunternehmen über den notwendige Instandhaltungsbedarf zu informieren.

Apps können Daten aus der Cloud leicht abrufen und direkt auf dem Smartphone darstellen und auswerten. Eine Informationszentrale für die Instandhaltung kann aufgebaut werden, um Daten zentral in der Cloud zu speichern, um die Rohdaten in aussagekräftige Daten hinsichtlich des tatsächlichen Verschleißes der Komponenten zu aggregieren.

Auf den ersten Blick nicht zu erkennen, ist der Vorteil, dass die Nutzer einer App mit unterschiedlichen Versionen arbeiten können. Dabei werden unterschiedliche Teile der gleichen Informationen mit einer eventuell unterschiedlichen Datennutzung verarbeitet. Die Aufteilung in unterschiedliche Versionen kann aufgrund unterschiedlicher Smartphone-Betriebssysteme oder auch in den Lizenzmodellen begründet sein.

Welche Parameter für den Verschleiß an Getrieben kann eine APP erfassen?

Um den Verschleiß in elektrischen Antrieben im Onlinemodus zu erkennen, können unterschiedliche Parameter herangezogen werden:

• Prozessgrößen wie Druck oder Temperatur ändern sich indirekt infolge eines fortschreitenden Verschleißes und können meist günstig erfasst werden.
  
• Akustische Größen, allen voran Körperschall und Luftschall (sog. mechanischer Fingerabdruck), sind recht einfach zu messende Parameter, die direkt Aufschluss über den Material- und Lagerverschleiß von rotierenden Körpern geben.
  
• Mechanische Kenngrößen wie etwa die Messung der Drehzahl, des Drehmoments oder der Kraft geben einen Aufschluss darüber, inwieweit beispielsweise der Materialverschleiß von rotierenden Teilen vorangeschritten ist.
  
• Elektrische Größen – insbesondere die Stromaufnahme von Motoren, aber auch Spannungsänderungen oder elektrische Widerstandsänderungen – eignen sich als günstige, indirekte Messgrößen, die in erster Linie die Aufnahme von Reibungskräften erfassen.

Projektbeispiel Predictive Maintenance App

Im Rahmen eines Projekts zur Verschleißerkennung wurden unterschiedliche Parameter an einem Getriebe, das in Rolltreppen eingebaut wird, erhoben und deren Signifikanz hinsichtlich Verschleißerkennung geprüft. Dieser elektrische Antrieb bildet das ursprüngliche System, das um die Erfassung und Auswertung von Verschleißgrößen modular erweitert wurde.

Im Projekt werden sowohl die Prozessgrößen Temperatur und Ölstand als auch die mechanische Größe Drehzahl neben der akustischen Größe Körperschall (dreidimensional) gemessen und ausgewertet. Einerseits spielt die leichte Zugänglichkeit zu diesen Parametern eine große Rolle, andererseits ist es im Rahmen der Verschleißerkennung nötig, dass die Kombination aus diesen Messgrößen eine möglichst eindeutige Gut-Schlecht-Trennung hinsichtlich Materialverschleiß zulässt. Um herauszufinden, welche der erhobenen Messgrößen, bzw. welche Kombination aus diesen, die erforderliche Gut-Schlecht-Klassifikation zulässt, wurde eine Modellbildung entsprechend durchgeführt.

Architektur der Datenströme

Grundsätzlich wurde auf eine flexible Datenstruktur gesetzt, beispielsweise durch variable Framelängen in den Datenpaketen, um die Kompatibilität in beide Richtungen, also von der Datenquelle zur Cloud sowie von der Cloud zur App zu gewährleisten.

Die erhobenen Daten werden in einer Google Tabelle gespeichert. Das bietet unterschiedliche Vor- und Nachteile. vorteilig ist die Datensicherheit, da Google einen sicheren Algorithmus zur Authentifizierung sowie Verschlüsselung der Datenpfade einsetzt. Damit wurde ein Publish/Subscribe-System umgesetzt, bei dem im Gegensatz zum klassischen Client-Server-System eine Reihe von Clients (Instanzen der App), die Daten bei einer Reihe von Servern (von Sensorik und den Übertragungseinheiten der Getriebe), als Services abruft.

Datensicherheit

Der eingesetzte Datenspeicher hat sich im Projekt sehr bewährt. Besonders im Falle eines Kommunikationsabrisses entweder zwischen dem Publisher und der Cloud-Tabelle oder zwischen der Tabelle und dem Client kommt es nicht zum Systemausfall. Im ersten Fall gehen Daten verloren, die womöglich den Einlernvorgang verlängern. Das ist allerdings nicht kritisch bezüglich der Funktion, während im zweiten Fall kein Datenverlust zu beklagen ist, weil diese dann zeitversetzt trotzdem noch verarbeitet werden. Hintergrund ist, dass der aktuelle Verschleißzustand in den Rohdaten in der Cloud gespeichert bleibt und die App reproduzierbar jederzeit den aktuellen Datenbestand lesen und aggregieren kann.

Datenauswertung

Im Wesentlichen kann die Datenauswertung zentral oder dezentral erfolgen. Während der zentralen Verarbeitung in der Cloud werden zwar Rechnerkapazitäten eingespart, allerdings ist die App in diesem Fall auf die Visualisierung reduziert und kann im Falle des Ausfalls der Cloud – beispielsweise auch durch
Kommunikationsfehler – nicht mehr genutzt werden.

Um das Gesamtsystem robust gegenüber Kommunikationsstörungen zu gestalten, stützt sich die Anwendung auf eine dezentrale Auswertung. Wichtig zu erwähnen ist, dass die Algorithmen auf dem Endgerät plattformunabhängig funktionieren, damit die gleichen Rohdaten zum gleichen Ergebnis, sprich dem aktuellen Verschleißzustand des Getriebes, führen.

Projektfazit

Im vorliegenden Projekt hat sich dieses Vorgehen bewährt, wenn beispielsweise im Dauerbetrieb der App im Funkloch zeitweise keine Übertragung möglich war, sich die App aber sofort, als der Empfang wieder realisiert wurde, wieder synchronisieren konnte. Durch die dezentrale Datenverarbeitung wurde das Tor zum Edge Computing aufgestoßen. In diesem Projekt war das Ziel allerdings nicht die Effizienzsteigerung an sich, sondern vielmehr die Erhöhung der Verfügbarkeit und damit der Zuverlässigkeit des Gesamtsystems, die auch durch umfangreiche Tests nachgewiesen werden konnte.

Eigenen Prototypen im Rahmen
einer APP-Schulung entwickeln

Sponsored Post

„Winserat/ Anzeige“

Bei diesem Artikel handelt es sich um ein Winserat. Trotz Artikelsponsoring, welches notwendig ist, um unsere Leser/innen nicht mit Bannerwerbung vom Wesentlichen abzulenken, versichern wir eine kritische und herstellerunabhängige Berichtserstattung. Über 90 % unserer Inhalte sind redaktionell entstanden und mit den entsprechenden Hinweisen aus der Praxis, mittels eines Experteninterviews, ergänzt worden. So wie dieser Artikel sind alle weiteren Artikel klar gekennzeichnet.

Wir bedanken uns bei Prof. Dr.-Ing. Christian Döbel, vom Steinbeis-Transferzentrum Integrierte Systeme und Digitale Transformation (ISD) in Waltershausen, für den Einblick und die Hintergrundinformationen zu dieser App-Entwicklung.