Projekt 35679/01

Entwicklung eines Systems zur Prognose bevorstehender Wartungs-/Instandhaltungsmaßnahmen und Identifikation ungünstiger Betriebszustände von Bauteilen raumlufttechnischer Geräte und Kälteanlagen

Projektträger

Simon Process Engineering GmbH
Ellerbachstr. 16
55546 Neu-Bamberg
Telefon: +49 6703 9699150

Zielsetzung

Derzeit werden sowohl raumlufttechnische als auch kältetechnische Anlagen präventiv gewartet. Dieses Wartungsprinzip führt u. a. zu einem vorzeitigen Wechsel von noch intakten Anlagenkomponenten oder ungünstige Betriebszustände werden erst beim Wartungstermin erkannt.
Ziel des Vorhabens SmartMaintenance war die Entwicklung eines softwarebasierten Überwachungssystems zur Prognose bevorstehender Wartungs-/Instandhaltungsmaßnahmen und Identifikation ungünstiger Betriebszustände von wartungsrelevanten Bauteilen von raumluft-technischen Geräten (kurz RLT-Geräte) und Kälteanlagen. Durch die Auswertung von kontinu-ierlich erfassten Mess- bzw. Betriebsdaten sollte der Algorithmus prognostizieren, wann mit einer Reparatur/ Wartung des betroffenen Anlagenbauteils zu rechnen ist. Zur Datenübertragung sollte das „Long Range Wide Area Network“ (kurz LoRaWAN) eingesetzt werden.
Durch die kontinuierliche Überwachung der wartungsrelevanten Komponenten, soll ein vor-zeitiger Austausch von noch intakten Anlagenkomponenten verhindert werden. Dieser Um-stand würde bspw. den Verbrauch an Filtermaterialien bei RLT-Geräten reduzieren. Ebenso würde das Erkennen von ungünstigen Betriebszuständen zu einer Verlängerung der Lebensdauer von Anlagenkomponenten führen und den Energieverbrauch senken.

Arbeitsschritte

Zunächst wurden die Anforderungen an den Bewertungsalgorithmus sowie die LoRaWAN-Architektur bzw. den Datentransfer formuliert. Anschließend analysierte MultiCross, welche Daten/Informationen je überwachter Komponente bereits geräteintern erfasst werden. Während der Projektlaufzeit blieben mehrere Versuche erfolglos einen Hersteller oder Planer von kältetechnischen Anlagen für das Vorhaben zu gewinnen. In Folge konnte nicht analysiert werden, welche Messdaten ausschlaggebend sind, um die Ausfallwahrscheinlichkeit eines Kompressors zu bestimmen.
Für die Komponente Luftfilter wurden historische Datenreihen eines RLT-Geräts am Standort eines Pharmaunternehmens analysiert. Für den Ventilator waren die Werte einer Vibrationsmessung entscheidend, um den Zustand bewerten zu können. Hierfür wurde ein Versuchs-stand an der TH Bingen errichtet, um die notwendigen Datensätzen an einem Versuchsventilator zu ermitteln.
Die Datenreihen zur Druckdifferenzmessung bei Luftfiltern wurden mittels stochastischer Funktionen und der linearen Regressionsanalyse ausgewertet. Die Rohdaten der Vibrationsmessung wurden einer Fast Fourier Transformation unterzogen. Die erarbeitete Erkennung ungünstiger Betriebszustände basiert auf einer Grenzwertüberschreitung in Abhängigkeit der Zeit. Das heißt, wenn bspw. die gemessene Druckdifferenz am Zuluftfilter des RLT-Geräts über dem zulässigen Grenzwert in einem definierten Zeitraum liegt, dann sollte der Filter bzw. die Filter kontrolliert werden. Die Grenzwerte wurden unter Berücksichtigung normativer Vor-gaben sowie Praxiserfahrungen definiert. Zudem wurde ein Kommunikationsmodell unter Nutzung der LoRaWAN-Technologie und Anbindung externer Daten-Clouds erarbeitet.
Das erarbeitete mathematische Modell zum SmartMaintenance Algorithmus wurde in einen Programmablaufplan überführt und programmiert. In einem realen Muster-Supermarkt wurde das erarbeitete Gesamtsystem SmartMaintenance unter realen Bedingungen an einem RLT-Gerät getestet.

Ergebnisse

Die entwickelte Basisversion der SmartMaintenance-Software beinhaltet das IO-Modul, die Schnittstelle zur TTN LoRaWAN Cloud, die Schnittstellen zu externen Clouds bspw. von Geräteherstellern, das Prognosemodul SmartMaintenance und das Frontend Maintenance-Modul.
Das IO-Modul stellt sicher, dass die Daten der Messungen über die jeweiligen Schnittstellen kontinuierlich gespeichert werden und zur Weiterverarbeitung zur Verfügung stehen. Ebenfalls können die Daten überwacht und visualisiert werden.
Das Prognosemodul SmartMaintenance nutzt diese Daten, um daraus bereinigte Tagesmittelwerte zu erzeugen. Die Bereinigung sieht vor, dass Ausreißer der Messungen aus den Datenreihen entfernt werden, um die Prognose nicht unnötig zu verfälschen. Für die Prognose wird über eine lineare Regression die Regressionsformel bestimmt. Daraus kann dann die Restlaufzeit bis zu einem definierten Schwellenwert berechnet werden.
Mit den Restlaufzeiten aller Komponenten kann dann der Betreiber problemlos den optimalen Wartungszeitpunkt bestimmen, der für alle Komponenten in Ordnung ist.
Die Schnittstellen zu externen Clouds sind notwendig, um die gerätebezogenen Messdaten herunterzuladen, welche in der jeweiligen Cloud des Anlagenherstellers kontinuierlich gespeichert werden.
Im Frontend Maintenance-Modul werden die Ergebnisse des Prognosealgorithmus, wie u. a. die voraussichtliche Anzahl von Tagen bis eine Wartung sinnvoll ist, dargestellt. In der Software kann man diese Kennzahl im IO-Modul als Wert überwachen und bei Unterschreitung einer selbst gesetzten Grenze sich per E-Mail alarmieren lassen. Des Weiteren ist es möglich die prognostizierten Kennzahlen aller vorausschauenden Wartungen in Fließbildern zu visualisieren und somit im Blick zu behalten.
Die Innovation von SmartMaintenance ist die selbstständige Bewertung der Betriebszustände und Berechnung von Ausfallwahrscheinlichkeiten an RLT-Geräten mit dem Ziel die Lebensdauer dieser Komponenten zu verlängern und die Wartung effizienter zu gestalten. Zudem setzt SmartMaintenance für die Datenerfassung und Kommunikation teilweise auf die neuartige LoRaWAN-Technologie.

Öffentlichkeitsarbeit

Der Gesellschafter der SIPE GmbH, Herr Prof. Dr. R. Simon, wird eine Teilmenge der erzielten Ergebnisse im Rahmen seiner Tätigkeit als Hochschuldozent an der TH Bingen im Fachbereich Life Sciences and Engineering einbringen.
In direkten Gesprächen mit Anwendern werden wesentliche Merkmale und Vorteile der entwickelten SmartMaintenance-Software erläutert.

Fazit

Die durchgeführten Arbeiten bzgl. der Entwicklung eines Algorithmus zur Prognose der Ausfallwahrscheinlichkeiten bzw. des nächsten notwendigen Wartungstermins am Beispiel der Komponenten Luftfilter und Ventilatoren bei RLT-Geräten haben gezeigt, dass die elementare Voraussetzung für derartige Prognosen die Erfassung und Bereitstellung von Messdaten ist.
Ebenso wurde bewiesen, dass das prinzipielle Vorhaben, Messdaten an einer Stelle im Rechenzentrum zu zentralisieren und mit Hilfe eines Algorithmus mögliche Ausfallwahrscheinlichkeiten zu prognostizieren, erfolgreich umsetzbar ist.
Die aus ökologischer Sicht erzielten Einsparungen hinsichtlich eines verminderten Energieverbrauchs bei RLT-Geräten oder die Verlängerung der Produktnutzungszeit können aus ökonomischer Sicht sicherlich nicht immer den gewünschten Gewinn erzielen. Nur bei entsprechend teuren Verbrauchsmaterialien und langen Anfahrwegen kann auch ein finanzieller Mehrwert entstehen.

Übersicht

Fördersumme

124.992,00 €

Förderzeitraum

11.05.2020 - 11.03.2022

Bundesland

Nordrhein-Westfalen

Schlagwörter