Ultraschall und KI als ultima ratio der Instandhaltung?

Zustandsorientierte Instandhaltung spart Kosten und wertvolle Zeit, da Ersatzteile nicht auf Basis von Zeitintervallen oder Betriebsstunden, sondern auf Basis der tatsächlichen Abnutzung gewechselt werden. Das grundsätzliche Technologieportfolio für die zustandsorientierte Instandhaltung hat sich über die letzten Jahre kaum geändert. Im Wesentlichen kann eine Instandhaltung auf folgende Technologien zurückgreifen:

• Ölanalyse
• Vibrationsanalyse (einfach, primär auf Basis von Schwellenwerten)
• Vibrationsanalyse (komplex, im Sinne der Schwingungsanalyse)
• Ultraschall (passiv, durch Erfassung von Schallwellen im Frequenzbereich über 20 kHz)
• Infrarot / Thermografie

Vor dem Hintergrund einer kosteneffizienten Instandhaltung, ist ein gutes Verhältnis von Nutzen zu Aufwand besonders wichtig.

Der Nutzen kann primär über die gelieferte Ergebnistiefe abgeleitet werden, während der Aufwand durch entsprechendes Investment in Sensorik, als auch den laufenden Aufwand für die Auswertungen getrieben wird.

Stellt man die einzelnen Technologien entlang dieser Kriterien dar, ergibt sich sinngemäß folgendes Bild:

Jede dieser Technologien hat ihren festen Platz im Predictive Maintenance Portfolio und idealerweise beherrscht eine Instandhaltung alle Technologien. Aufgrund der Komplexität und der begrenzten Ressourcen ist dies jedoch ein eher unrealistisches Unterfangen.

Daher ist die Frage, die sich jedes Unternehmen stellen muss:

Welche Predictive Maintenance Technologie setze ich vor dem Hintergrund begrenzter Ressourcen ein?

Ultraschall hebt sich aufgrund seiner einzigartigen (physikalischen) Eigenschaften von den anderen Technologien ab, wodurch sich diese Technologie als erste Wahl durchsetzen könnte.

• Ultraschalltechnologie wird durch künstliche Intelligenz (KI) aufgrund Ihrer physikalischen Eigenschaften den größten Fortschritt erfahren.
• Ultraschall hat ein sehr breites Anwendungsgebiet, was weit Uber die Überwachung von Lagern und rotierenden Bauteilen hinausgeht.
• Ultraschall ist eine Technologie mit einem sehr guten Nutzen/Aufwand-Verhältnis und einfacher Anwendung
• Ultraschall braucht keine permanenten Sensoren

Die Gründe für das sehr gute Nutzen/Aufwand-Verhältnis von Ultraschall liegen primär in der einfachen und noninvasiven Messmöglichkeit. Anlagen wie Motoren, Pumpen etc. können wahrend des normalen Betriebes völlig noninvasiv gemessen werden und die Anwendungsgebiete erstrecken sich auch in viele andere Bereiche (zum Beispiel Detektion von elektrischen Störungen und Leckagen).

Da die Einführung einer neuen Technologie auch immer mit Aufwand verbunden ist, sollte auch sichergestellt werden, dass die entsprechende Technologie "zukunftssicher" ist. Da die Digitalisierung auch vor der Instandhaltung nicht Halt macht und der Einsatz von KI und Machine Learning einen immer höheren Stellenwert einnehmen, ist eine entscheidende Frage für die Zukunftssicherheit von Ultraschall:

Warum wird Ultraschall in Kombination mit KI den größten Fortschritt erfahren?

• Aufgrund seiner physikalischen Eigenschaften kann Ultraschall nur in sehr geringem Ausmaß "Modenwechsel" durchführen. Dies bedeutet, dass zwei Motoren in unmittelbarer Nahe die Messung nicht negativ beeinflussen. Ultraschall "wandert" nicht aus dem Gehäuse des einen Motors in die Luft und dringt dann in das Gehäuse des nächsten Motors ein.
• Fabriken verursachen wenig Ultraschallgeräusche. Dadurch sind die Daten sehr rein und frei von Hintergrundgeräuschen. Vereinzelte Quellen von luftbasiertem Ultraschall (zum Beispiel Leckagen) vermischen sich nicht mit den von Anlagen verursachten Körperschall.
• Ultraschall hat eine hohe Informationsdichte und wenige Sekunden Messzeit an einer Anlage ermöglichen die Auswertung.

Diese Eigenschaften ermöglichen es, aus Datenquellen von unterschiedlichen Fabriken und Anlagen zu lernen und beispielsweise die Wartung zu verbessern. Man kann damit ähnliche Motoren aus unterschiedlichen Fabriken und unterschiedlichen Alters per Software zu einem virtuellen Motor zusammenfügen. Auf dieser Basis hat man dann ein digitales Abbild eines Motors über die Lebenszeit.

Wie genau diese virtuellen Abbilder sind, muss die Praxis noch zeigen, erste Erfolge gibt es aber schon (siehe Praxisbeispiele am Ende des Artikels). Aufgrund des zu erwartenden Fortschritts durch die Kombination von Ultraschall mit KI wird sich auch die eingangs gezeigte Übersicht zugunsten von Ultraschall verändern.

Ein weiterer Vorteil der Ultraschalltechnologie ist die Möglichkeit, auf permanente Sensoren zu verzichten und mit einem Handgerät wöchentliche, monatliche beziehungsweise quartalsweise Messungen durchzuführen. Je nach Kritizitat der Anlage, kann diese Vorgehensweise auch bei kritischen Anlagen die permanente Überwachung mit Sensoren ersetzen.

Dadurch erspart man sich die Komplexität einer permanenten Sensorlandschaft und durch die manuellen Messungen, wird die Instandhaltungsmannschaft in die Wartung intensiv eingebunden.

Der Begriff KI ist sehr dehnbar und oftmals stellt sich die Frage, was damit eigentlich gemeint ist. Daher möchte ich im Folgenden auch einen kurzen Einblick in die Auswertelogik von Ultraschalldaten geben und die Frage beantworten:

Wie erfolgt die Auswertung von Ultraschalldaten mit Künstlicher Intelligenz?

Die Basis für die Auswertung ist die wahrend der Messung abgespeicherte Datei. Im Fall von Ultraschall ist dies oftmals ein Format, in dem auch Musik in hoher Qualität gespeichert wird.

Die künstliche Intelligenz hat auf diese Messung dann grundsätzlich zwei Sichtweisen:

a) Der Verlauf eines Messwertes über die Zeit. Diese Sichtweise wird auch "Time-Domain" genannt und eine visuelle Darstellung sieht typischerweise folgendermaßen aus:

Für die Auswertung durch künstliche Intelligenz, werden diese Berge, Taler, Abstände und deren Änderungen über die Zeit mittels statistischer Faktoren mathematisch beschrieben.

b) Die zweite Sichtweise der künstlichen Intelligenz fokussiert auf die Analyse der Frequenzbereiche, auch "Frequency-Domain" genannt. Die farblichen Unterschiede repräsentieren die Starke des Signals in unterschiedlichen Frequenzbereichen:

Jede Messung wird noch zusätzlich in einzelne Abschnitte zerlegt, wodurch in Summe pro Messung einige hundert verschiedene Faktoren extrahiert werden. Dies ist dann praktisch der Fingerabdruck von Anlagen, ähnlich wie bei der App "Shazam" zur Erkennung von Musikstücken.

Die Auswertung von Ultraschalldaten mit künstlicher Intelligenz ist ein sehr neues Gebiet, daher folgen zum Abschluss dieses Artikels für den Anwender noch ein paar Beispiele aus der industriellen Praxis, die die aktuellen Möglichkeiten, Herausforderungen und Grenzen aufzeigen:

Folgende Beispiele sind aus unserer industriellen Praxis. Damit soll es dem Leser ermöglicht werden, eine zentrale Frage zu beantworten:

Was kann Ultraschall in Kombination mit Künstlicher Intelligenz in der Praxis leisten?

Beispiel 1: Bei dieser Anlage handelt es sich um eine Kreiselpumpe, bei der wir eine Erstmessung gemacht haben. Die Pumpe ist dafür zuständig, ein zähflüssiges Medium (Harz) von A nach B zu pumpen. Alle Indikatoren zeigten auf "Ausfall naht". Die Frage an den zuständigen Instandhalter, ob er diese Einschätzung teilt, ergibt: Ja, die Pumpe erreicht bereits mehrmals pro Schicht den notwendigen Druck nicht mehr und wird morgen getauscht. Ohne die Anlage zu kennen, oder spezifische Daten dieser Anlage zu haben, wurde der kritische Zustand korrekt erkannt.

Beispiel 2: Die Messung einer CNC-Spindel ergibt ein geschätztes Alter von drei Jahren (Fingerabdruck), obwohl der Kunde diese erst vor sechs Monaten getauscht hat. Dies wundert den Mitarbeiter an der Anlage nicht, denn dieser erzählt von einem drei Tage andauerten Kampf des (mutmaßlich schlecht geschulten) Monteurs die Spindel einzubauen. Eine Vorbeschädigung im Rahmen des Einbaus ist wahrscheinlich, der erhöhte Verschleiß war klar messbar.

Beispiel 3: Es gibt aber auch Beispiele, wo unsere künstliche Intelligenz daneben liegt. Bei einem unserer Kunden läuft eine Ölpumpe einer CNC-Maschine, die mit einer Außentemperatur von 90 Grad Celsius und allen Ultraschallindikatoren auf "Ausfall naht", bereits viele Monate die prophezeite Lebensdauer Uberschritten hat. An dieser Stelle mochte ich aber auch betonen, dass der andere Fall (=überraschender Ausfall, obwohl Anlage als unkritisch eingestuft wurde) noch nicht eingetreten ist.

Beispiel 4: Nach der Erstmessung bei einem Pumpenlager in einem Heizkraftwerk, waren alle Indikatoren eindeutig auf "Ausfall naht". Unser System hatte beim Kunden noch 'Pilotstatus', wodurch kein präventiver Tausch durchgeführt wurde. Vier Wochen später kam es zu einem Lagerschaden mit hohen Folgekosten.

Als Unternehmen muss man sich konstant die Frage stellen, welche technologischen Neuheiten man für das eigene Unternehmen eher früh und welche man eher spät, beziehungsweise überhaupt nicht einführt. Daher möchte ich noch abschließend die Frage beantworten:

Was verpasse ich als Unternehmen, wenn ich auf diesen Zug nicht beziehungsweise erst später aufspringe?

Mit dem Konzept des "virtuellen Motors", der mit Ultraschall und künstlicher Intelligenz möglich ist, kann man sehr leicht einen Einstieg in Predictive Maintenance finden. Der nachhaltige Wettbewerbsvorteil eines Unternehmens wird aber dadurch entstehen, dass man diese allgemeinen Daten durch Messungen der eigenen Anlagen anreichert, um die Abschätzung der Restlebensdauer immer genauer zu machen.

Unternehmen, die an den klassischen Instandhaltungskonzepten festhalten verpassen daher die Chance, die genauen Fingerabdrücke eines "Ausfalls" beziehungsweise des "Neuzustandes" Ihrer Anlagen zu digitalisieren. Diese Chancen sind auch wirklich unwiederbringlich verloren, da sich der Abnutzungsgrad von Anlagen über die Jahre nicht künstlich beschleunigen lasst und die nächste Chance manchmal erst in vielen Jahren, beziehungsweise Jahrzehnten wiederkommt. Vor jedem Tausch von Ersatzteilen sollten sich Unternehmen daher die Frage stellen: Verpasse ich eine einmalige Chance, den Gesundheitszustand meiner Anlagen zu digitalisieren?