Retrofit bezeichnet die Modernisierung und das Nachrüsten von bestehenden Maschinen und Betriebsmitteln. Oftmals verfolgt es das Ziel der Einbindung und Vernetzung dieser Maschinen in ein digitalisiertes Umfeld. Durch den Retrofit können Unternehmen außerdem Leistungssteigerungen erzielen, da die Maschinen schneller, flexibler, präziser sowie sicherer und energiesparender werden.
Vorteile des Retrofits
Oftmals stellt der Retrofit eine besonders wirtschaftliche Alternative zur Neuanschaffung dar. Durch den Retrofit verlängert sich die Lebensdauer von bestehenden Produktionssystemen. Gleichzeitig wird eine Leistungssteigerung der Maschine bei geringen Kosten erzielt. Ein weiterer Vorteil liegt in der Zeitersparnis gegenüber einer Neuanschaffung. Dadurch, dass die Maschine dieselbe bleibt, sind keine weiteren Personalschulungen notwendig. Außerdem fällt die Maschine durch den Retrofit nur kurzzeitig aus.
Condition Monitoring und Predictive Maintenance
Die Vernetzung der Maschinen untereinander und die Auswertung der Daten mittels Künstlicher Intelligenz (KI) ermöglichen Condition Monitoring und Predictive Maintenance. Condition Monitoring bezeichnet die kontinuierliche Zustandsüberwachung einer Maschine; Predictive Maintentance die vorausschauende Wartung der Maschinen auf Basis der Auswertung von Maschinendaten. Folgen dieser Maßnahmen sind die Steigerung der Maschinenverfügbarkeit sowie die Möglichkeit der frühzeitigen Ersatzteilbestellung.
Die Digitalisierung der Maschinen kann außerdem im Sinne von Industrie 4.0 für datengestützte Geschäftsmodelle verwendet werden, um zum Beispiel eine Produktplanung auf Basis der Analyse von Kundenverhalten und -bedürfnissen anzubieten.
Datenanalyse mittels KI
Künstliche Intelligenz wird außerdem dafür genutzt, die Daten aus der durch Retrofit erweiterten Maschinensteuerung zu analysieren. Wird durch den Retrofit neue Sensorik in die Maschine eingebracht, muss die Signalverarbeitung ebenfalls implementiert werden, da die Messsignale meistens nicht direkt im System verwendbar sind. Bei der Signalvorverarbeitung wird das Signal aufbereitet, um zum Beispiel Rauschen in den Messdaten zu reduzieren. Bei der anschließenden Feature-Berechnung werden zusätzliche Informationen aus dem Datensignal abgeleitet (z. B. Hoch- und Tiefpunkte sowie Steigungen). Im Anschluss erfolgt die Untersuchung des Messwertverlaufs mit einem Machine Learning Ansatz.
Die vorverarbeiteten Signaldaten und berechneten Features des Messsignals können beispielsweise mit dem Unsupervised Learning Ansatz geclustert werden. Dabei gibt es verschiedene Methoden wie zum Beispiel das k-Nearest-Neighbor-Theorem (K-NN) oder die Support-Vektor-Maschine (SVM). Anhand dieser Methoden werden Daten basierend auf Ähnlichkeiten und Unterschieden in Gruppen aufgeteilt und geclustert.
Ein Praxisbeispiel
Ein Unternehmen lässt einen Retrofit an einer Bohrmaschine durchführen, um eine automatische Identifikation der Zustände des Bohrers aus den Echtzeitprozessdaten durch ein entwickeltes Programm zu ermöglichen. Die Verschleißzustände werden mit dem Einsatz von Algorithmen des maschinellen Lernens identifiziert. Dafür werden die Daten bei Probebohrungen aufgezeichnet. Bei der ersten Messung ist der Bohrer neu und wird im Verlauf der Probebohrungen stumpf. Stumpfe Bohrer erzeugen eine Vibrationsfrequenz, die in den Messsignalen aufgezeichnet werden. Um Störungen aus der Umgebung auszuschließen, muss eine große Menge an Daten mit vielen möglichen Störungen erzeugt werden, um das Modell zu trainieren. Anschließend können Unsupervised Learning Ansätze genutzt werden, um anhand der Messsignale zu identifizieren, ob es sich um einen stumpfen oder nicht-stumpfen Bohrer handelt.
Sie interessieren sich für Retrofit oder ein anderes Thema rund um Digitalisierung? Dann sprechen Sie uns gerne an.
