Engineers in steel factory working on digital tablet

Bild: goodluz - Fotolia.com

Engineers in steel factory working on digital tablet

Bild: goodluz – Fotolia.com

Sie kennen das wahrscheinlich von ihrem privaten PKW: Sie fahren auf der Autobahn, alles ist in Ordnung – aber irgendwann hören Sie ein merkwürdiges Geräusch. Sie denken “Oh, je, was ist mit dem Wagen los?” Aber offensichtlich fährt er ja noch. Also das Auto ist noch nicht kaputt.

Aber jetzt stellen Sie sich ein paar Fragen: “Ist das überhaupt ein Problem meines Autos – oder nur ein Geräusch von außerhalb? Bedeutet dieses Geräusch womöglich einen Schaden, den ich reparieren muss? Welches Ersatzteil brauche ich? Muss ich sofort zur Werkstatt?”

In industriellen Anwendungen ist die Situation ähnlich. Allerdings sitzt hier nicht immer jemand neben den Ausrüstungsteilen und hört das Geräusch mit menschlichen Ohren. In allen teuren, großen Aggregaten und in der gesamten Anlage werden Sensoren verbaut, die verschiedene Parameter messen. Sie sollen helfen, eben jene Frage zu beantworten: “Ist das Aggregat noch in Ordnung – oder nicht?”

Die derzeit aktuelle Technik des Condition Monitoring zur Beantwortung dieser Frage beruht auf einem Vergleich der von der Sensorik gelieferten Messwerte mit festen Grenzwerten. Deren Unter- oder Überschreitung löst einen Alarm aus. Der Haken: Diesen Grenzwert muss ein Mensch mit Fachwissen und Erfahrung irgendwann einstellen – und dann bleibt er fest.

Das führt manchmal zu Schwierigkeiten. So ist etwa die notwendige Erfahrung nicht unbedingt vorhanden. Der Hersteller gibt natürlich einen Wert vor, aber der ist meist auf der sehr, sehr sicheren Seite. Sie bekommen dann viele Alarme, was Sie aber nicht wollen. Das größte Problem an diesen festen Grenzen ist jedoch, dass Sie falsche Alarme bekommen – also bei einem Zustand, der nicht wirklich ein ungesunder Zustand ist. Zudem treten in der Praxis auch immer wieder Zustände auf, die tatsächlich ungesund sind, aber dennoch nicht alarmieren. Das kommt daher, dass mit solchen festen Grenzwerten jeder einzelne Messwert völlig separat als Individuum betrachtet wird.

Dem ist aber oft nicht so! Eine Maschine, etwa ein Industriekompressor, trägt nicht selten 200–300 Messpunkte. Deren Messwerte korrelieren natürlich miteinander, sind also nicht unabhängig voneinander. Es macht also keinen Sinn, etwa Schwingungen, die an Lager 1 auftreten, separat von denen an Lager 2 zu analysieren. Sie sind gemeinsam zu betrachten!

Root Cause Analyse

Messreihen lassen sich mit Root-Cause-Analysen in Verbindung zueinander bringen. Mittels hierarische Anordnung wurde bereits in einem praktischen Fall ein Verursacher ermittelt, der nach ingenieurtechnischer Analyse nicht infrage kam. – Bild: Algorithma Technologies

Genau das aber erlauben feste Grenzwerte nicht. Deshalb führen sie schließlich zu Fehlalarmen. Es werden nämlich schlicht Informationen, die theoretisch vorhanden sind, für die Interpretation nicht genutzt. Die Schlussfolgerung lautet mithin: Wir trennen uns von diesen festen Grenzen und führen dynamische Grenzen ein. Dazu ist allerdings einiges an mathematischem Aufwand notwendig. Das Werkzeug dazu liefert ein Methodenbaukasten, den das maschinelle Lernen, auch künstliche Intelligenz genannt, zur Verfügung stellt. Damit lässt sich aus der Aufzeichnung von komplizierten Messdaten die Entscheidung ableiten: “Führt das zum Ausfall – und wenn ja – wann und warum?” Die Vorgangsweise dabei ist folgende: Es wird ein Erwartungswert für den jeweiligen Messwert ermittelt und mit dem gemessenen Wert verglichen. Der berechnete Wert hat natürlich eine gewisse Schwankungsbreite, denn Berechnungen mit empirischen, erfassten Daten lassen sich nie präzise durchführen. Diese Unschärfe wird als Konfidenzintervall bezeichnet.

Die Erkenntnis ist schließlich folgende: Liegt der gemessene Wert innerhalb des Konfidenzintervalls, so verbleibt zumindest dieser Wert im gesunden Bereich. Verlässt er diesen, liegt der Messwert im ungesunden Bereich. Nun ist der Ansatz, einfach Grenzwerte nicht statisch, sondern dynamisch werden zu lassen, nicht ausreichend für eine praktische Lösung. Die Frage ist vielmehr, wie sich das umsetzen lässt. Es geht ja nicht darum, einfach diese Begrenzung aufzuheben. Das Geheimnis darin liegt darin, zu sagen “Ich rechne mir einen Erwartungswert für diese Messung aus – und zwar anhand aller anderen Messungen, die zur Verfügung stehen.”

Nehmen wir an, der Kompressor hat 300 Messstellen, und 299 Messstellen davon dienen dazu, auszurechnen, wie die dreihundertste lauten sollte. Das heißt, die gesamte Anlage wird als eine Einheit betrachtet. Aus allen von der Anlage vorhandenen Informationen wird ein mathematisches Modell erstellt. Mit dessen Hilfe lässt sich dann jede der Messgrößen mit einem Erwartungswert versehen. Dieser berücksichtigt alle möglichen Einstellungen am Gerät, sogar aus dem Vorprozess, oder auch die Qualität der Rohstoffe.

Nun wird berechnet, was passiert, wenn etwa ein Lastwechsel erfolgt. Ein solcher Vorgang lässt sich nicht adäquat abbilden, wenn auf einen Messwert einfach feste Grenzwerte gesetzt werden. In einem solchen Falle liegt einfach die Information, wann ein Lastwechsel kommt, nicht vor. Bei ganzheitlicher Betrachtung ist das jedoch bekannt, denn die vorliegenden Messwerte fließen alle in die Formel des mathematischen Modells ein. Warum funktioniert diese Art der mathematischen Modellierung? Sie ist erfolgreich, weil die Anlage physikalisch ist. Die Maschine respektiert die Physik, respektiert die Chemie – und diese Gleichungen bleiben immer gleich. Werden nur genügend Daten gesammelt, dann bilden die Gleichungen das Objekt adäquat ab.

Das Verhalten eines Kompressors, einer Turbine oder einer Pumpe folgt bekanntermaßen einer Differenzialgleichung. Das einzige Problem dabei ist – wir kennen sie nicht. Aber wir können anhand der Messdaten, die vorliegen, diese Differenzialgleichung beobachten und dann anhand dieser Daten ihre Lösungen wieder mathematisch ermitteln. Also haben wir sie doch! Wir müssen nur über die Krücke – messen, Daten-Sammlung, rechnen – gehen. Dabei wird allerdings nicht die Gleichung für eine theoretisch perfekte Pumpe ermittelt. Die Gleichung gilt für die konkrete, gealterte, etwas dreckige Pumpe, die tatsächlich in der Anlage steht.

Das Ganze führt dazu, dass weniger falsche Alarme auftreten. Wenn die Maschine tatsächlich ungesund ist, gibt es auch tatsächlich einen Alarm. Das löst die Probleme der “false Positives” und “false Negatives”, die beim herkömmlichen Condition Monitoring auftreten.

Dr. Patrick Bangert

Kontakt:

algorithmica technologies, Tel.: 0421 16149427, E-Mail: p.bangert@algorithmica-technologies.com