Machine Learning bei Objekten und auf Materialflussebene.
19. 四月 2021

预测性维护,防患于未然

  • 对于屡获殊荣的Rovolution拣选机器人,TGW 应用状态监测
  • 数字孪生是工业 4.0 时代的核心创新 

在工业4.0的发展过程中,对重要部件的状态进行监测可以避免物料处理系统的停机。内部物流专家TGW的认知系统开发主管Maximilian Beinhofer博士表示,诀窍在于不断优化系统的可用性。

如果在发生故障之前不进行维护,会有什么后果?

Dr Beinhofer:在设备故障后,为恢复设备正常运行而执行的维护活动,称之为故障维护(Corrective Maintenance, CM),又称事后维护。由于这种维护方式往往发生在设备故障之后,对于用户而言往往会存在意外停机造成损失、维修造成设备二次故障等诸多弊端。此外,在某些情况下,首先需要进行故障排除才能找到故障。这个过程往往需要耗费宝贵的时间。

 

是否定期更换易损件,就能轻松解决这一问题?

的确,这种方式称为预防性维护(Prevention Maintenance, PM),又称定时维护,即在故障发生前,检修者根据生产计划和维护经验,按照规定的时间和周期进行维护。这种维护方式保证了非常高的系统可用性,但缺点是成本较高,因为有些部件还能继续使用就被更换了(过剩维护)。那么,问题的关键就在于找到一个合理、恰当的时机。因此,状态维护(Condition-Based Maintenance, CBM)和预测性维护(Predictive Maintenance, PdM)提供了很好的解决方案。它们基于所谓的“数字孪生”技术,被誉为工业4.0领域的核心创新之一。

预测性维护是如何工作的?

利用传感器监测部件的状态,可以运行软件模拟来识别设备是否出现问题。理想情况下,这个过程是实时或者近乎瞬时完成的。大致的做法是:应用智能算法(即机器学习和数据科学领域的方法),通过传感器获取数据,并以智能的方式链接或合并这些数据,从而对部件状态或磨损情况做出非常精确的判定。由于无需加装传感器,这样做可以大大节约成本。

 

您可以举一个例子吗?

以TGW的Rovolution拣选机器人为例。我们测量夹具中的真空状态,一旦出现压力损失(例如由于含尘气体浓度增高),我们就可以即刻发现并进行干预。

对于原来没有配置必要传感器的系统来说,该如何应对?

可以选择加装传感器,例如用于测量振动。需要的传感器数量取决于系统规模,可能在几个到几百个不等。因此,事先进行成本效益分析尤为重要。但一般来说,对现有物料处理系统进行改造是可行的。

 

预测性维护和惯例维护的区别是什么?

这两种方法是相互依存的。状态监测是预测性维护的基础。利用传感器获得的数据分析和判定部件的磨损程度。有了这些数据之后,您可以使用预测性维护软件来预测已经达到特定值的部件还可以持续工作多久,比如说三个月。那么,惯例维护将建议您在三个月内采取适当的行动方案。

 

预测性维护主要有哪些优势?

一般来说,预测性维护的优势在于降低成本,优化系统可用性。同时,智能算法确保自学习系统持续优化。



系统哪些区域需要预测性维护?

所有区域,当然最关键的是具备连接功能的单元。举个例子还说,如果10个拣选站中有1个出现故障,那么可用性仍然可以达到90%。但是如果一个分拣系统出了故障,那么就会立即导致整个系统宕机,因为所有物品都要经过这个系统。

 

预测性维护的挑战是什么?

第一个挑战是如何以小谋大,花小力气解决大问题。第二个是技术上的挑战,即如何利用系统的网络,传输预测性维护软件所需的数据。反馈循环则是第三个挑战。如果输送系统出现问题,必须上报现场技术人员。作为制造商,必须开发一套智能的方法,既能实现快速反馈,又适合自动评估。

TGW针对哪些模块开发预测性维护?

Rovolution拣选机器人已经具备了状态监测功能。同时,我们正在开发一种用于数据采集和处理的特定云解决方案。其理念是记录从机电产品到IT的所有数据。当然,这个过程符合GDPR和数据安全的相关规定。我们记录多个客户的数据,因此新客户将从中受益,并从软件中获得关于如何优化其系统的建议。

数字孪生就是这个过程的结果。您可以使用回放模式分析过去的事件,也可以实时查看当下正在发生的事件,还可以对未来做出预测。

关于解决方案对预测性维护的需求,它的发展趋势如何?

这个话题现在很火。我认为未来5到10年内,所有售出的系统都将提供这项服务。即使是现在,大型单机设备都标配振动传感器。在流程互通互联的大规模物料搬运系统中,仍然采用多种维护策略相结合的形式。

 

客户是否看到了优势?他们是否愿意为这样的服务买单?

我相信从长远来看,维护合同背后的商业模式将会改变。新的工具和服务为客户提供了便利和优势。这些优势最终将体现在总体拥有成本(TCO)上。


Mr Beinhofer, 非常感谢您接受本次采访!

TGW press release

Predictive maintenance: Anticipating problems before they occur
DOCX
62.49 kB

Maximilian Beinhofer

Head of Cognitive Systems Development
JPG
1.03 MB

PickCenter Rovolution

JPG
3.78 MB

发现TGW

PickCenter RovoFlex® Headerbild
Company / Corporate
Integrated Systems

RovoFlex ist Material Handling Innovation of the Year

Engelbert Strauss Referenz Fashion Video Preview
Case Studies - Fashion & Apparel
Fashion & Apparel

engelbert strauss

Case Studies - Industrial & Consumer
Industrial & Consumer

Thomann

Intralogistik für Fashion & Textil
Fashion & Apparel
Industries

鞋服