Vergleich von Predictive Maintenance Methoden für Thermosysteme

Inhalt:
Das Thema Predictive Maintenance (PMA, vorrausschauende Instandhaltung) gewinnt bei Industrieanlagen immer mehr an Bedeutung und stellt unter dem Industrie 4.0 Aspekt das Schlüsselthema im Maschinenbau dar. PMA ist definiert als eine zustandsorientierte Instandhaltung, die auf Basis einer Verschleiß- oder Lebensdauervorhersage durchgeführt wird. PMA greift auf Methoden zurück, die es erlauben, individuelle Wartungsintervalle einer Industrieanlage zu bestimmen und den Prozess der Wartung automatisiert zu initiieren. Im Rahmen eines FuE-Kooperationsprojekts7 zwischen der CeraCon GmbH und der Hochschule für angewandte Wissenschaften Heilbronn soll ein Thermosystem unter Automation aufgebaut und eine PMA Strategie umgesetzt werden, welche anschließend auf weitere Industrieanlagen adaptierbar sein soll. Aufgrund der Vielschichtigkeit der Industrieanlagen ist eine intelligente Lösung erforderlich, um individuelle Wartungsstrategien je nach Anlagenzustand anbieten zu können. Aus diesem Grund wird im Vorhaben auf Methoden des maschinellen Lernens (ML) zurückgegriffen. Die wesentlichen Schritte einer intelligenten PMA Strategie sind das digitale Erfassen von (Sensor-) Daten, deren Auswertung, die Analyse der erfassten Daten und die Vorhersage von wahrscheinlichen Ereignissen. Zunächst wurden mögliche Komponenten-Defekt-Kombinationen (KDK) der Industrieanlage mithilfe von gängigen technischen Risikoanalysemethoden (FMEA, Risikograph, Fehlerbaumanalyse) analysiert. Unter KDK versteht man die Zuordnung einer Verschleißkomponente der Industrieanlage zu einem potentiell auftretenden Defekt. Ein Bauteil kann somit je nach Anzahl der möglichen Defekte mehrere KDK’s aufweisen. Jeder KDK wurden mögliche Detektionsmaßnahmen, wie z.B. die physikalische Vibrationsmessung oder die elektrische Strommessung, zugeordnet. Zu den analysierten Detektionsmaßnahmen wurden geeignete Sensoren ausgewählt und bzgl. der PMA Strategie analysiert. KDK’s mit gleichen Detektionsverfahren wurden kombiniert und Messdaten mit den jeweiligen Sensoren aufgenommen.