Internet of Things und Sensorik – Digitales Nervensystem für die Predictive Maintenance
Netzwerktechnologie und Sensoren für das Internet of Things werden immer günstiger. Dabei nimmt ihre Leistungsfähigkeit zugleich kontinuierlich zu. Das freut die Instandhaltung. Denn Predictive Maintenance baut auf diesen Basistechnologien auf.
Nikola Tesla wäre vom Internet der Dinge begeistert. Der Physiker und Pionier der Elektrotechnik träumte schon 1926 von einer drahtlos vernetzten Welt. Eines Tages würden Geräte so klein, dass sie sich in der Tasche tragen lassen, die Erde in ein „riesiges Gehirn“ verwandeln, erwartete der Kroate.
Keine hundert Jahre später kommunizierten 2021 fast 36 Milliarden Endgeräte über das Internet der Dinge – auf Englisch „Internet of Things“ (IoT), so das Statistikportal Statista. Bis 2025 werden laut dem Softwarehaus SAP mehr als 75 Milliarden Geräte über das IoT vernetzt sein.
In Deutschland investieren Unternehmen dann knapp acht Milliarden Euro in IoT-Hard- und Software für smarte Fabriken. Das ist doppelt so viel wie heute, hat die auf Internet-Technologien spezialisierte Unternehmensberatung Reply in einer Studie berechnet. Einen ähnlichen Boom erwartet die Unternehmensberatung McKinsey. Nach den Berechnungen ihrer Analysten verdreifachen sich die weltweiten Investitionen in industrielle IoT-Anwendungen bis 2025 gegenüber 2020 auf rund 500 Milliarden US-Dollar.
Sinkende Preise für Sensoren und Mobilfunk treiben die Entwicklung im Internet of Things
Der Optimismus der Experten ist nicht übertrieben. Immerhin sind die Preise für die im industriellen Internet of Things (IIoT) am häufigsten genutzten Endgeräte – Sensoren – in den vergangenen zwei Jahrzehnten von 1,30 Dollar auf im Schnitt nur noch 50 Cent massiv gesunken, so die Analysten von McKinsey. Zugleich sind die Geräte immer smarter geworden. Sie lassen sich feiner kalibrieren, sind programmierbar oder können wie Multikomponentensensoren mehrere Parameter messen.
Auch die Mobilfunk- und Netzwerktechnologie hat massiv an Leistungsfähigkeit gewonnen – bei ebenfalls stark gesunkenen Preisen. Der Anschluss eines Endgerätes an das IoT über den Mobilfunkstandard 5G kostet heute im Schnitt fünf Dollar pro Jahr. Mit 4G schlugen diese Kosten jeden Monat zu Buche. Dabei lassen sich mit 5G erheblich größere Datenmengen in Echtzeit übertragen als mit der Vorgängertechnologie. Ganze 86 Prozent der Unternehmen wollen den neuen Standard daher künftig nutzen, gaben sie in einer Umfrage des Marktforschungsunternehmens IDG Research an.
IIoT – Digitales Nervensystem für Condition Monitoring und Predictive Maintenance
Durch seine Leistungsfähigkeit und die gesunkenen Kosten ist das IIoT zum Nervensystem der Industrie 4.0 geworden. Fast die Hälfte aller Unternehmen nutzt es, um seine Anlagen zu automatisieren, ihren Zustand und die auf ihnen ablaufenden Prozesse überwachen und so die Qualität seiner Produkte zu verbessern, ergab die Untersuchung von IDG. Jeder dritte Betrieb hat mit dem IIoT zudem die Wartung und Instandhaltung seiner Maschinen auf Predictive Maintenance umgestellt.
Diese baut auf dem Condition Monitoring der Anlagen auf. Sensoren messen dabei von der Rotationsgeschwindigkeit eines Werkzeugs, dessen Anpressdruck oder seiner Abdrängung, über die Öltemperatur, Vibration und das Geräuschbild bis zum Stromverbrauch einer Maschine die unterschiedlichsten Daten zu ihrem Betriebszustand. Die Messwerte übermitteln sie an ein Sensor Edge Device. Das kann ein Miniserver oder ein einfaches, im Schaltschrank einer Anlage installiertes und mit deren Feldbus verbundenes, Netzwerk-Gateway sein. In jedem Fall leitet das Edge Device die Informationen per LAN oder WLAN an einen Datensee in der Cloud weiter.
Von dort holt sich eine Predictive-Maintenance-Anwendung die Daten und berechnet mit ihnen, wie es um den Verschleiß der Anlagenkomponenten steht und wie lange diese noch funktionsfähig sind.
Der Aufbau der IoT-Infrastruktur entscheidet über die Sicherheit der IT im Unternehmen
Bei neueren Geräten kann die Software Daten des Condition Monitoring auch aus der Maschinensteuerung beziehen. Die kontinuierliche Online-Übertragung von Informationen aus ihrer Steuerung in die Cloud macht Maschinen und Produktionsanlagen jedoch anfälliger für Cyberattacken als eine auf Edge Devices aufgebaute Infrastruktur. Diese ist somit im Vorteil. Denn für jedes dritte Unternehmen besteht die größte technische Herausforderung bei IoT-Projekten darin, die Sicherheit ihrer IT zu gewährleisten, so die IDG-Studie.
Die Abwehr von Kriminellen fordert die Betriebe massiv heraus, bestätigt auch der auf IT-Sicherheit spezialisierte Internetdienstleister Netscout in seinem aktuellen „Threat Intelligence“-Bericht. Danach dauert es im Schnitt gerade mal fünf Minuten, bis Cyber-Verbrecher ein neu ans Internet der Dinge angeschlossenes Gerät erstmals angreifen.
Offene Standards – Unverzichtbar für den Retrofit älterer Maschinen mit Sensoren
Sensor Edge Devices verringern bei der Predictive Maintenance jedoch nicht nur Sicherheitsrisiken. Wenn die Netzwerkkomponenten mit dem offenen Standard 61131-9 der International Electrotechnical Commission, IEC, arbeiten, lassen sich an sie auch Sensoren einer Vielzahl von Herstellern anschließen. So können Daten von verschiedenen nachträglich mit Sensoren ausgestatteten Maschinen über ein Edge Device in die Cloud fließen. Vorausgesetzt auch die Sensoren arbeiten mit der auf der IEC-Norm aufbauenden IO-Kommunikationstechnologie. Tun sie das, lassen sich mit ihnen Redundanzen in der für die Predictive Maintenance zu schaffenden IT-Infrastruktur vermeiden. Deren Komplexität bleibt überschaubar, wovon wiederum die Sicherheit der IT profitiert.
Jeder zu messende Parameter ist ein Business Case, der sich rechnen muss
Gut überlegt sein will auch, welche Maschinenkomponenten mit Hilfe von Sensoren und dem IIoT überhaupt übewacht und vorausschauend gewartet werden sollen. Das gilt vor allem bei der nachträglichen Ausrüstung älterer Maschinen mit Sensorik. Denn die kostspielige Entwicklung eines Datenmodells und Künstlicher Intelligenz (KI) für die Predictive Maintenance lohnt sich oft nur, wenn sich der Ausfall der entsprechenden Bauteile nicht anhand von Erfahrungswerten vorhersagen lässt und Produktionsprozesse erheblich stört.
Wenn sich der „Business Case“ für die Predictive Maintenance rechnet, lohnt es sich aber meist auch, zusätzlich zu den Maschinendaten Informationen zum Betriebsumfeld der Anlage wie die Umgebungstemperatur oder Luftfeuchte mit Sensoren zu messen. Denn KI kann mit diesen Daten noch zuverlässigere Vorhersagen berechnen.
Mehr Messwerte verbessern nicht notwendig die Predictive Maintenance
Erst wenn Instandhalter, Produktionsleiter und Controller die Frage beantwortet haben, welche Teile einer Maschine oder Anlage sie im Rahmen eines Condition Monitoring digital überwachen wollen, können sie entscheiden, welche Sensoren sie dazu brauchen. Dabei sollten sie nur Messwerte erheben, mit denen die entwickelte KI den Verschleiß sowie die Restlebensdauer von Maschinenkomponenten wirklich zuverlässig beurteilen und vorhersagen kann. Es macht keinen Sinn, alles zu messen, nur weil es messbar ist.
Bei einem einfachen Elektromotor, Servoantrieb oder einer Pumpe kann beispielsweise schon ein bei gleichbleibender Drehzahl erhöhter Stromverbrauch den Verschleiß eines Lagers oder des angetriebenen Werkzeugs anzeigen. Diese Daten liefert oft bereits der vor das Gerät geschaltete Frequenzumrichter.
Bei neun von zehn Rotationsmaschinen dagegen macht es Sinn, in teurere Sensoren wie Ultraschallmikrofone zu investieren und deren Messwerte mit Daten zur Belastung der Maschine zu kombinieren, um die Abnutzung der in den Maschinen verbauten Wälzlager zu überwachen. Denn jede Maschine hat ein unverwechselbares Geräuschprofil. Abweichungen von diesem akustischen Fingerabdruck erkennen Mikrofone viel früher als Vibrations- und Beschleunigungssensoren. Über solche technischen Möglichkeiten in der über das Internet der Dinge vernetzten Welt hätte Nikola Tesla sicher gestaunt.
Diese und viele weitere Technologien können Sie auf der maintenance in Dortmund am 30. und 31. März 2022 entdecken.
