Fraunhofer-Verbund Produktion
Fraunhofer-Verbund Produktion

Datenhandling

Daten bilden eine wichtige Grundlage für Entscheidungen.

Wir helfen Ihnen bei Fragen wie:

  • Welche Ziele können mit welchen Daten erreicht werden?
  • Wie können die Daten generiert oder erhoben werden?
  • Wie können die Daten verarbeitet und zusammengeführt werden?
Alle ausklappen Alle einklappen

Maschinendaten-Monitoring

Herausforderungen:

  • Auslesen der notwendigen Daten aus verschiedenen
    Maschinensteuerungen
  • 3D-Visualisierung der Daten in Echtzeit
  • Entwurf nutzerzentrierter grafischer Oberflächen
  • Entwurf intuitiver Interaktionsmethoden mittels VR/AR

Lösung:

  • Anbinden verschiedener Steuerungsschnittstellen
    (Profibus, Profinet, OPC UA, …)
  • Rendern von 3D-Daten über moderne Grafikbibliotheken
  • Anbindung von Analysealgorithmen (z.B. KI) möglich
  • Umsetzung des HMI je nach Endgerätetyp und adaptiv an Nutzerkreis angepasst

Vorteile:

  • Datenauswertung und -darstellung entkoppelt von Maschinensteuerung
  • Besseres Verständnis von komplexen Sachverhalten z. B. für Trainings-, Schulungs- und Prüfzwecke

Entwicklung von Smart Sensors

Herausforderungen:

  • Schwingungen enthalten sehr viel Information über den Zustand von Maschinen und die Performance von Prozessen.
  • Digitalisierte Schwingungen beanspruchen ein sehr hohes Speichervolumen und sind deshalb nur schwer via IIoT zu teilen.
  • Digitalisierte Schwingungen sind ohne Vorverarbeitung als Input für Predictive Maintenance nicht geeignet.

Lösung:

  • Um Schwingungen in der Cloud und für AI/ML nutzbar zu machen, extrahieren Smarte Sensoren direkt an der Maschine die benötigten Informationen.
  • Fraunhofer agiert als Entwicklungspartner und kann – je nach angestrebter Umsetzung – langjährige Umsetzungspartner hinzuziehen.

Vorteile:

  • Eine intelligente Vorverarbeitung der digitalisierten Schwingungsdaten direkt am Sensor ermöglicht sowohl die Übertragung im digitalen Netzwerk als auch die Nutzung der extrahierten Informationen im Rahmen einer Predictive Maintenance-Strategie.
  • Die Entwicklung der Vorverarbeitung bedarf des Verständnisses bzgl. Funktionalität und Ausfallverhalten der Maschinen/Prozesse, Kompetenzen der Schwingungsmesstechnik/-diagnostik, Expertise in Soft- und Hardwareentwicklung, AI/ML-Know-How sowie die Möglichkeiten einer entwicklungsbegleitenden Erprobung in einem Technikum.
  • Vom Konzept bis zur Technologiedemonstration agiert Fraunhofer herstellerunabhängig.

Fehlerbasierte Auswahl von Monitoring-Ansätzen

Herausforderung:

Wo macht Monitoring Sinn?

Lösung:

Betrachtung der positiven und negativen Effekte von Monitoring im speziellen Fall.

Ergebnis:

Nur dort in Monitoringsysteme investieren, wo dies Sinn macht.

Modulare CM-Systeme für Maschinen und Anlagen

Herausforderungen:

  • CM-Systeme müssen Daten aus unterschiedlichen Quellen (Sensoren, Steuerungen und Antrieben) zeitsynchron erfassen und für unterschiedliche Use-Cases aufbereiten
  • Schnittstellen zu übergeordneten Softwaresystemen (ERP-, MES- Systeme) sind ebenfalls notwendig
  • Das CM- System muss eine variable Auswahl der für den jeweiligen Anwendungsfall erforderlichen Schnittstellen ermöglichen

Lösung:

  • Modularer Aufbau des CM- Systems mit wiederverwendbaren Schnittstellen und Use-Cases
  • Anpassung an den speziellen Use-Case durch Parametrierung

Vorteile:

  • Schnelle Umsetzung an unterschiedlichen Maschinen / Anlagen möglich
  • Reduktion der notwendigen personellen Ressourcen für Applikationsanpassungen

Risikobasierte Auswahl der Instandhaltungsstrategien (Predictive Maintenance) auf technologischer und wirtschaftlicher Basis

Herausforderungen:

  • Technische und wirtschaftliche Bewertung von Predicitve Maintenance

Lösung:

  • Risikobasiertes Vorgehen zur Identifizierung möglicher Anlagen und Komponenten
  • Standardisierte technische und wirtschaftliche Bewertung der Lösungen
  • Umsetzung und Integration

Vorteile:

  • Risikobasiertes Vorgehen mit wirtschaftlichem Fokus

Erfahrungsbasierte Zustandsbewertung

Herausforderungen:

Wie können Modelle zur Zustandsbewertung komplexer Anlagen bei unzureichender Datenbasis bereitgestellt werden?

  • Fehlende Ausstattung mit Sensorik, fehlende oder fehlerhafte Daten aus der Betriebs- und Instandhaltungshistorie.
  • Seltene Störungen, Mangel an Lernereignissen

Lösung:

Nutzung von Erfahrungswissen

  • Nutzung von implizitem Erfahrungswissen von Maschinen-bedienern, Instandhaltern und Servicepersonal.
  • Beschreibung von Ursachen-Wirkungs-Zusammenhängen zwischen Einflussfaktoren und Beanspruchungen und deren Wirkungen auf den
    Verbrauch an Abnutzungsvorrat mittels linguistischer Regeln und Fuzzy-Logik.

Vorteile:

Schneller Einstieg in eine vorausschauende Instandhaltung

  • Entscheidungsunterstützung über Instandhaltungsmaßnahmen
  • Erklärbarkeit und Akzeptanz der Bewertungsergebnisse
  • Bewahrung von Erfahrungen, Erweiterbarkeit
  • Unterstützung von Risikobewetungen und ML-Modellen zur Zustandsbewertung

Integration von Smart-Data-Lösungen in die IT-Infrastruktur

Herausforderungen:

Wie können Daten aus unterschiedlichen Quellen zusammengefasst und zur weiteren Nutzung aufbereitet werden?

  • Konsistente Zusammenfassung von Daten aus Sensoren, Feldbussystemen, Simulationstools etc.
  • Intelligente Verknüpfung der Daten zur Ableitung von Diagnoseaussagen

Lösung: Softwarepaket Xeidana

  • Datenfusion aus verschiedenen Quellen
  • umfangreiche Datenanalysetools
  • Online- Analyse durch parallele Datenverarbeitung möglich
  • Automatisierung durch Scriptsprache
  • Modularer Aufbau, Erweiterbarkeit durch Plug-Ins

Vorteile:

Eine Software für unterschiedliche Anwendungen

  • Schnelle Erstellung von speziellen Anwendungen
  • Anbindung an Datenbanken oder Cloud- Services