Digitale Zwillinge: Ein Schlüssel zur Energieeinsparung in der Fertigung

Energieeffizienz ist in den letzten Jahren zu einem wesentlichen Bestandteil der Nachhaltigkeit in der Fertigung geworden. Die Welt steht vor Herausforderungen wie dem Klimawandel, der Erschöpfung der Ressourcen und den steigenden Energiekosten.

Aufgrund der geopolitischen und wirtschaftlichen Bedingungen sowie der bestehenden Vorschriften schwanken die Energiekosten ständig, was es für die Hersteller zu einer Herausforderung macht, den Energieverbrauch zu steuern. Die gute Nachricht ist, dass Hersteller die Technologien von Industrie 4.0 und Industrial IoT (IIoT) nutzen können, um ihren Energieverbrauch zu senken und die Nachhaltigkeit zu erhöhen. Eine solche Technologie ist der Digitale Zwilling.

Ein Digitaler Zwilling ist ein virtuelles Abbild eines physischen Systems, das zur Simulation und Vorhersage seines Verhaltens in Echtzeit verwendet werden kann. In der Fertigung können Digitale Zwillinge dabei helfen, den Energieverbrauch zu überwachen und zu optimieren, indem sie ein digitales Modell von Anlagen und Prozessen bereitstellen. Durch die Verwendung von Daten aus Sensoren und anderen Quellen kann der Digitale Zwilling das Verhalten von Maschinen, einer Produktionslinie oder bei Bedarf einer ganzen Fabrik simulieren. So können Hersteller Verbesserungsmöglichkeiten einschließlich Energieeinsparungen erkennen und ihre Prozesse optimieren, um den Verbrauch zu senken.

Einer der vielversprechendsten Trends bei Digital Twins für den Energieverbrauch ist der Einsatz von KI/ML-Algorithmen zur Optimierung. Diese Algorithmen können große Datenmengen von Sensoren, Geräten und anderen Quellen analysieren, um Muster zu erkennen und die Energienutzung zu optimieren. Digitale Zwillinge können zwar ein leistungsfähiges Werkzeug für die Verwaltung des Energieverbrauchs sein, aber es gibt auch Beispiele, die nicht gut funktionieren. Ein Grund dafür ist die Verwendung von Daten geringer Qualität, die zu ungenauen Simulationen und Vorhersagen führen können. Ein weiterer Grund ist das mangelnde Verständnis der im Entwicklungsprozess gesammelten Daten, was dazu führen kann, dass ein Digitaler Zwilling nicht das tatsächliche Verhalten des Systems widerspiegelt.

Die Entwicklung eines Digitalen Zwillings für den Energieverbrauch umfasst mehrere Schritte. Der erste Schritt besteht darin, die Geräte oder Prozesse zu identifizieren, die überwacht und optimiert werden sollen. Dies kann durch die Analyse von Energieverbrauchsdaten und die Identifizierung von Bereichen mit hohem Energieverbrauch geschehen. Der nächste Schritt ist die Erstellung eines digitalen Modells der Geräte oder Prozesse. Dazu werden Daten von Sensoren und anderen Quellen gesammelt und ein digitales Abbild des Systems erstellt.

Sobald der digitale Zwilling erstellt ist, kann er verwendet werden, um das Verhalten des Systems zu simulieren und vorherzusagen und Möglichkeiten für Energieeinsparungen zu identifizieren. Dazu müssen Simulationen durchgeführt und die Daten analysiert werden, um Muster zu erkennen und das System im Hinblick auf die Energieeffizienz zu optimieren. Aber wie machen wir die ersten Schritte und stellen sicher, dass wir qualitativ hochwertige Daten verwenden, die sich wirklich auf die Leistung des Systems auswirken, anstatt ein irrelevantes digitales Rauschen zu erzeugen? 

Lassen Sie uns also die Fragen zusammenfassen, die wir berücksichtigen sollten:

• Wie lassen sich potenzielle Bereiche der Energievergeudung identifizieren? Wie findet man Engpässe und Ineffizienzen?
• Wie werden die Daten analysiert und welcher Ansatz sollte für die Automatisierung verwendet werden?

Identifizierung von Problemen

Die Entwicklung des digitalen Zwillings erfordert einen durchdachten Ansatz für jedes Detail des Systems. Und bevor wir damit beginnen, eine Kopie einer ganzen Produktionslinie oder Anlage zu erstellen, müssen wir uns auf einige Grundlagen konzentrieren, um ihre Rolle im gesamten Prozess zu simulieren.

Motoren, Lager, Aktuatoren und Getriebe sind Schlüsselelemente fast jeder Maschine. Wenn wir über die Optimierung des Energieverbrauchs sprechen, sollten wir uns unter anderem auch diese Teile genauer ansehen. Fehlfunktionen führen in der Regel zu einem erhöhten Energieverbrauch, um eine unausgewogene Leistung zu kompensieren. Infolgedessen erhöht sich der Verschleiß der Komponenten bis hin zum Totalausfall.

Die Überwachung dieser Komponenten in Echtzeit führt nicht nur zu mehr Energieeffizienz, sondern bietet auch die Möglichkeit einer anpassungsfähigen vorausschauenden Wartung, die Kosteneinsparungen und eine genaue Prozesssteuerung ermöglicht.

Aber wäre es nicht besser, einfach ein Wartungsteam zu schicken, das nachforscht, sobald wir einen erhöhten Energieverbrauch feststellen? Aber wie skalierbar ist dieser Ansatz? Wie viele Daten werden gesammelt, um einen Ausfall in der Zukunft zu verhindern? Können kleinere Probleme im Schatten größerer und offensichtlicherer Ausfälle beobachtet werden? Ein intelligenter Ansatz besteht darin, die Zeit des Wartungsteams effektiv zu nutzen, um einige fortgeschrittene Probleme zu lösen. Und natürlich spielen sie eine entscheidende Rolle bei der Entwicklung von Digital Twins, indem sie wertvolle Erkenntnisse über Geräte und Leistung liefern.

Nehmen wir an, wir verfügen über industrietaugliche Sensoren (z.B. für Vibration, Temperatur, Lärm, Feuchtigkeit usw.) und einige SPS, die Motoren und Getriebe steuern und Daten über die Leistung senden. Welche Methode sollte verwendet werden, um die Leistungsüberwachung zu automatisieren und aussagekräftige Analysen zur frühzeitigen Erkennung eines abnormalen Energieverbrauchs bereitzustellen?

Methoden

Jede Produktionsumgebung ist einzigartig. Daher ist es fast unmöglich, vorherzusagen, welche Methode die besten Ergebnisse liefert. In der Regel kombinieren effektive Lösungen zur Überwachung des Energieverbrauchs mehrere Algorithmen, um den Wert ihrer datengestützten Erkenntnisse zu erhöhen. Wir werden uns auf die gängigsten Algorithmen konzentrieren:

• Schwellenwerte
• Langzeitgedächtnis (LSTM)
• Analyse des Schwingungsspektrums
• Thermische Modelle.

Schwellenwerte

Die Erkennung von Fehlfunktionen in Motoren, Lagern und Getrieben ist von entscheidender Bedeutung, um zusätzlichen Energieverbrauch, mögliche Geräteausfälle und Ausfallzeiten zu vermeiden. Der einfachste Ansatz ist die Festlegung von Schwellenwerten für verschiedene Komponenten, wie z.B. die Lagertemperatur und die Vibrationsstärke des Motors. Ein plötzlicher Anstieg der Temperatur oder der Vibrationen über das normale Maß hinaus kann auf eine mögliche Fehlfunktion hinweisen. Diese Methode eignet sich jedoch nur zur Erkennung bestehender Probleme. Um größere Probleme zu vermeiden, muss das Gerät sofort angehalten werden. Um diese Einschränkung zu überwinden, können KI-/ML-Algorithmen eingesetzt werden, um Fehlfunktionen zu erkennen, bevor sie auftreten, und so einen effizienten und unterbrechungsfreien Betrieb zu gewährleisten.

LSTM (Langzeitgedächtnis)

Das Langzeitgedächtnis (Long Short-Term Memory, LSTM) ist eine beliebte Methode, um das Verhalten verschiedener Prozesse vorherzusagen. Es wird häufig verwendet, um z.B. die Überhitzung eines Motors vorherzusagen, ohne dass ein thermisches Modell erforderlich ist. Stattdessen stellen wir einem LSTM-Modell Daten zur Verfügung, das dann die zu erwartenden Verhaltensmuster identifiziert. Durch den Vergleich der aktuellen Daten mit der Vorhersage des Modells können wir Abweichungen erkennen und das Wartungsteam alarmieren, um das betroffene Maschinenteil zu überprüfen.

Obwohl dieser Ansatz vielversprechend erscheint, ist die Anwendung auf einen tatsächlichen Motor nicht so einfach. Die Anlagenteile arbeiten nicht kontinuierlich, und die Motoren starten und stoppen häufig je nach Betriebsart und Belastung der Anlage. Diese Eingabeparameter wirken sich auch auf die Ausgabe des LSTM-Modells aus, was zu Fehlalarmen und verpassten Erkennungen führt. Infolgedessen liefert diese Methode nur durchschnittliche Ergebnisse.

Trotz seiner Einschränkungen bleibt LSTM ein wertvolles Werkzeug für die vorausschauende Wartung in der Fertigung, insbesondere für die Identifizierung von Verhaltensmustern bei Geräten, die kontinuierlich arbeiten. Andere Techniken der Digitalen Zwillinge bieten jedoch möglicherweise präzisere Vorhersagen für den intermittierenden Betrieb. Letztendlich erfordert die Wahl des effektivsten Ansatzes eine sorgfältige Abwägung des Herstellungsprozesses und der betroffenen Ausrüstung.

Analyse des Schwingungsspektrums

Die Verwendung von Schwingungsdaten zur Überwachung des mechanischen Zustands von Anlagen ist in der Industrie bereits seit langem etabliert. Die Idee, eine Fourier-Transformation auf Vibrationsdaten anzuwenden, um nieder- oder hochfrequente Komponenten zu identifizieren, die wertvolle Informationen liefern könnten, gewinnt jedoch zunehmend an Aufmerksamkeit. Die größte Herausforderung liegt in der Erfassung von Daten mit einer ausreichend hohen Abtastrate, die für eine genaue Spektrumanalyse erforderlich ist. Um diese Herausforderung zu meistern, kann die Spektrumanalyse auf einem Gateway-Gerät implementiert werden, anstatt die Rohdaten in die Cloud zu senden, was unpraktisch und kostspielig wäre.

Die ersten Ergebnisse unserer Proof-of-Concept-Studien deuten darauf hin, dass die Spektrumsanalyse auf dem Gateway-Gerät effektiv ist, um bestehende Fehlfunktionen von Maschinenkomponenten zu identifizieren. Die Studie ergab jedoch keine Muster, die potenzielle Fehlfunktionen in der Zukunft vorhersagen könnten. Nichtsdestotrotz bietet dieser Ansatz eine vielversprechende Lösung zur Verbesserung der Wartungs- und Energieverbrauchspraktiken in der Fertigungsindustrie. Durch die Identifizierung von Problemen, bevor sie schwerwiegend werden, können die Hersteller Ausfallzeiten reduzieren, Kosten sparen und die Energieeffizienz insgesamt verbessern.

Thermische Modelle

Die Erwärmung eines physischen Körpers ist direkt proportional zur verbrauchten elektrischen Leistung, so dass es möglich ist, Temperaturdaten zu nutzen, um Fehlfunktionen in Maschinen zu erkennen. Durch den Vergleich der Berechnungen eines physikalischen Modells mit den tatsächlichen Daten von Motoren, wie z.B. Leistungsaufnahme und Betriebsmodus, ist es möglich, vorherzusagen, wann eine Fehlfunktion auftreten könnte. Dieser Ansatz hat sich bei der frühzeitigen Erkennung von Problemen bewährt, so dass Wartungsarbeiten während der geplanten Ausfallzeiten durchgeführt werden können. Die Empfindlichkeit von Temperaturschwankungen in mechanischen Systemen macht diese Methode zu einem wertvollen Instrument, um potenzielle Probleme zu erkennen und weitere Schäden zu verhindern.

Zusammenfassung

Der Einsatz von Digitalen Zwillingen zur Energieeinsparung in der Fertigung wird immer beliebter, da die Unternehmen versuchen, ihre Nachhaltigkeit zu erhöhen und die Energiekosten zu senken. Die Optimierung des Energieverbrauchs kann mit der Überwachung einiger gängiger Anlagenteile wie Motoren, Lager und Getriebe beginnen, ihre Digitalen Zwillinge erstellen und allmählich zu höheren Ebenen der Leistung einer Produktionslinie / Anlage gelangen. Zur Automatisierung der Leistungsüberwachung können verschiedene Methoden eingesetzt werden, darunter die Einrichtung von Schwellenwerten, Long Short-Term Memory (LSTM), die Analyse von Schwingungsspektren und thermische Modelle. Die Kombination verschiedener Ansätze erhöht die Chancen auf genauere Vorhersagen und eine effektivere Optimierung des Energieverbrauchs.

Die Erstellung detaillierter Modelle von Basiselementen wie Motoren, Getrieben, Aktuatoren und Lagern des Systems ermöglicht eine fortschrittlichere Leistung des Digitalen Zwillings, was zu einer Senkung der Betriebskosten und einer effektiven Energieeinsparung führt.