Kein Blick in die Glaskugel: Prädiktive Instandhaltung

Predictive Maintenance, die vorausschauende Instandhaltung, bedeutet agieren statt reagieren: Sensoren erfassen Parameter, beispielsweise Schwingungen oder Temperaturen. Algorithmen analysieren die Messdaten in Echtzeit und liefern Hinweise, ob und wann eine Wartung oder eine Reparatur erforderlich ist. „Mit KI erweitern wir die Möglichkeiten der prädiktiven Instandhaltung. So spüren selbstlernende Algorithmen versteckte Muster in den Datenströmen auf und erkennen vielschichtige Wirkzusammenhänge“, sagt Nabert. Die Vorteile: Noch bevor Schäden die Funktion einer Maschine beeinträchtigen, können sie zielgerichtet behoben und so Ausfallzeiten minimiert werden. Zudem entfallen vorbeugende Wartungen in festen Intervallen, die Kosten werden gesenkt.

Diese Methoden ermöglichen mehr als die bloße Instandhaltung: „Mit ihnen können wir auch den aktuellen Zustand eines Systems – ob Fahrzeuge, Motoren, Prüfstände oder andere Maschinen – bestimmen, vorhersagen und entsprechend optimieren. Wir nennen das Predictive Health Monitoring“, sagt Nabert. Das bedeutet: Mit Hilfe der Berechnungen während des laufenden Betriebs können die Systeme optimal arbeiten.

Für die Modelle nutzen Nabert und seine Kollegen Sensordaten, zum Beispiel über Druck, Temperatur, Leistungsaufnahme oder Körperschall. Je mehr Daten in guter Qualität vorliegen, umso besser. Daraus werden Modelle wie Künstliche Neuronale Netze – etwa Feedforward-Netze, Convolutional Neural Network (CNN), Netze mit LSTM (Long Short-Term Memory) – oder Algorithmen basierend auf Entscheidungsbäumen entwickelt. Zusätzlich verwenden die Experten physikalische Informationen wie thermodynamische Zusammenhänge und Schaltpläne. Nabert: „Für die Qualität der Modelle ist es sinnvoll, so viel Wissen wie möglich zu integrieren. Deshalb nutzen wir auch hybride Ansätze, um physikalische Informationen in datenbasierte Modelle zu integrieren.“

Mit den prädiktiven Zustandsmodellen werden sowohl Fehler und Systemausfälle vorhergesagt als auch die Performance des Systems verbessert. Die Systemüberwachung macht durch die Prognose von Veränderungen einzelner Bauteile – zum Beispiel durch Verschleiß – eine bedarfsgerechte Wartung von Fahrzeugen, Prüfständen und anderen Maschinen möglich. Außerdem können mit den Methoden und Informationen aus den Motorsteuergeräten wesentliche Fahrzeugparameter überwacht werden. „Wir entwickeln Funktionen, um ein Fahrzeug stets im optimalen Zustand zu betreiben, sodass beispielsweise den Anforderungen an Emissionen, Haltbarkeit und Performance zugleich mit maximaler Zuverlässigkeit Rechnung getragen wird“, berichtet Nabert. IAV setzt diese Methoden umfassend von Verbrennern bis hin zu elektrifizierten Antrieben ein, außerdem zur Datenplausibilisierung und Überwachung von Prüfständen.

IAV sammelt seit Jahren Erfahrungen im Predictive Maintenance und im Predictive Health Monitoring. In einem Anwendungsfall wurden mittels künstlicher neuronaler Netze (Autoencoder) und kontrafaktischer Analyse Fehler im Umfeld von Motorsteuergeräten erkannt und die Fehlergröße präzise geschätzt, etwa bei der Vertrimmung der Nockenwelle. Die Methoden zur robusten Überwachung von Bauteilverschleiß und dessen Vorhersage nutzte IAV unter anderem bei der Ventil-Verkokung.

Nicht nur die Autoindustrie setzt auf Predictive Health Monitoring: Für einen Elektrogroßhändler in Süddeutschland arbeitet das IAV-Team um Christian Nabert an einer Maschinenüberwachung mit IoT. „Der Händler möchte wissen, wann er seinen Kunden welche Ersatzteile zum Beispiel für eine Kabelschneidemaschine anbieten soll“, skizziert der Fachreferent die Aufgabe. Dafür wurden Sensoren an den Maschinen angebracht und entsprechende Modelle entwickelt. So kann der Großhändler seinen Kunden rechtzeitig Ersatzteile empfehlen und mit einem zusätzlichen Service punkten. Außerdem optimiert er seine Lagerhaltung und spart Kosten.

Der Artikel erschien in der automotion 03/2020, dem Automotive Engineering-Fachmagazin von IAV. Hier können Sie die automotion kostenfrei bestellen.