Dr. Julian Weller, wissenschaftlicher Mitarbeiter am
Fraunhofer-Institut für Entwurfstechnik Mechatronik IEM, ist
unser Gast für das Thema „Condition Monitoring“. Promoviert hat
er über Prescriptive Analytics, also darüber, wie sich aus
Produktionsdaten konkrete Handlungsempfehlungen ableiten lassen.
In der Praxis steht man davor allerdings meist ein paar Stufen
weiter unten. Zustandsüberwachung klingt nach einem langweiligen
Datenthema, ist aber die Voraussetzung für alles, was danach
kommt. Die klassischen Leistungsstufen reichen von deskriptiv
über Diagnose und Prädiktion bis zur Präskription, und wer die
erste Stufe überspringt, scheitert zuverlässig an der vierten.
Zuerst geht es also darum, Maschinendaten wie Motorstrom,
Anpressdruck oder Vibration überhaupt zu erfassen und zu
kontextualisieren, denn ein Fehlercode 100 ohne Bedeutung ist
kein Zustand, sondern nur eine Zahl.
Technisch führt der Weg von der SPS über OPC UA und die
Maschinennetze der Fabrik nach außen, oder eben über ein
IoT-Device mit SIM-Karte direkt an der Anlage, das den Umweg
durch sieben Sicherheitszonen umgeht. Welche Variante
durchsetzbar ist, hängt stark von der Branche ab, denn Automobil
und Medizintechnik ticken anders als Lebensmittel oder
Möbelindustrie. Dazu kommt die Frage, wer die Überwachung
überhaupt betreibt. Der Komponentenhersteller, der Maschinenbauer
und der Betreiber haben jeweils eigene Interessen, und wer eine
Presse mit eigener Plattform kauft, hat Ofen und Roboter davor
und dahinter trotzdem nicht abgedeckt. Genau deshalb entstehen
daneben immer wieder Retrofit-Lösungen über die gesamte Linie.
Bei der Datenanalyse gilt eine unbequeme Faustregel: Rund zwanzig
Prozent der Projektzeit gehen dafür drauf, überhaupt
herauszufinden, ob in den Daten etwas Verwertbares steckt. Das
läuft hypothesengeleitet und über Gespräche an der Anlage, weil
deutsche Maschinen so gebaut sind, dass sie zwanzig Jahre nicht
ausfallen, und damit fehlen ausgerechnet die Labels für
Fehlerfälle. Alte Serviceberichte werden hier wieder interessant,
weil Sprachmodelle daraus nachträglich Ausfallzeitpunkte
extrahieren können. Kurios ist dabei, dass der für Menschen
optimale Wartungsbericht mit Ankreuzfeldern, Abkürzungen und
rotem Stift für OCR und Sprachmodelle der Albtraum ist. Bei der
Ablage der extrahierten Informationen zeichnet sich ab, dass
reine Textähnlichkeit über Embeddings zu kurz greift und sich
Ansätze durchsetzen, die eher wie Coding-Agenten funktionieren,
also strukturierte Dateien in navigierbaren Ordnerstrukturen.
In der Realität scheitern anspruchsvolle Modelle oft an Concept
und Context Drift, wenn sich Hallentemperatur, Material oder der
Zustand nach einem Teiletausch ändern. Deshalb laufen auf vielen
Anlagen bis heute Grenzwertüberwachungen mit E-Mail-Versand statt
neuronaler Netze, weil der Mehrwert fast identisch ist. Auch mehr
Sensorik ist nicht automatisch besser, denn technische
Verfügbarkeiten multiplizieren sich und jeder zusätzliche Sensor
kann selbst zum Stillstandsgrund werden. Vibrationsanalyse per
Fourier-Transformation braucht zudem Auflösung und
Rechenleistung, die vor Ort meist fehlen. Am Ende zählt, ob die
Überwachung auf Qualität, Leistung oder Verfügbarkeit einzahlt.
Sprachmodelle setzen sinnvoll als Layer darüber an, für
Auswertung, Anpassung von Visualisierungen und Analysecode, aber
eben erst, wenn die Datengrundlage steht.
Links zur Folge:
Dr. Julian Weller auf LinkedIn:
https://www.linkedin.com/in/julian-le-weller
Fraunhofer IEM: https://www.iem.fraunhofer.de
---
Einfach Komplex ist ein Podcast von Heisenware.
Heisenware kennenlernen:
https://heisenware.com/einfach-komplex
Kontakt: podcast@heisenware.com
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.