Diese Website verwendet Cookies, damit wir dir die bestmögliche Benutzererfahrung bieten können. Cookie-Informationen werden in deinem Browser gespeichert und führen Funktionen aus, wie das Wiedererkennen von dir, wenn du auf unsere Website zurückkehrst, und hilft unserem Team zu verstehen, welche Abschnitte der Website für dich am interessantesten und nützlichsten sind.
Vorausschauende Wartung der Rolltreppen für die Prager Verkehrsbetriebe
Sicher kennen Sie das aus eigener Erfahrung. Die mechanischen Teile von Maschinen nutzen sich bei ständigem Gebrauch ab.
Daher müssen Sie genau wie die Betreiber der Anlagen in der Prager U-Bahn wissen, wann eine Wartung und der Austausch einer beschädigten Komponente erforderlich sind, um deren Ausfall rechtzeitig zu verhindern.
Neuron soundware löst dieses Problem durch den Einsatz einer vorausschauenden Wartungs-Technologie. So auch in der Prager U-Bahn. Diese Technologie hilft bei Kontroll- und Inspektionsarbeiten, sich auf bestimmte Geräte (oder Teile davon) zu konzentrieren und den Verschleißgrad besser zu überwachen.
Ziel dieser Lösung ist es, die Anzahl der Störungen und die Ausfälle von Rolltreppen zu minimieren. Dank Informationen über den Zustand gefährdeter Komponenten in den Anlagen für das Serviceteam werden Wartungszeit und damit verbundene Kosten reduziert. Eine automatisierte, digitalisierte Lösung für langfristige Wartungsdienste verlängert die Lebensdauer der Anlagen.
Teil der gelieferten Lösung ist eine einfache Software (nShield), die die gesammelten Daten der Rolltreppe anzeigt, während die Datenerfassung von der IoT-Hardwarelösung (nBox) durch akustische Sensoren bereitgestellt wird. Darstellung und Analyse des Rolltreppenverhaltens erfolgen mittels Klang und KI in Echtzeit.
Anhand mathematischer Modelle ist es möglich, die Abweichung des Verhaltens einer bestimmten Komponente vom Normalzustand zu erkennen. Durch die Anwendung von Kenntnissen über den Aufbau und das Verhalten des Bauteils ist es dann möglich, einen bestimmten Fehler zu bestimmen und dem Bediener eine Empfehlung für einen Eingriff und eine mögliche Reparatur oder den Austausch der Komponente zu geben.

Der Instandhalter erhält eine übersichtliche Software zum Status der einzelnen Komponenten, inklusive Insight-Diagnostik und Empfehlungen zur Inspektion an einem bestimmten Standort der Rolltreppe. Der Zugriff auf die Maschinenstatusinformationen erfolgt nicht vor Ort und online.
Wie sehen die Verkehrsbetriebe selbst die Zusammenarbeit
„Wie jede Transportanlage können auch Rolltreppen ausfallen, wodurch das Risiko besteht, dass ein kritischer Teil der Infrastruktur ausfällt. Wir sind der Digitalisierung der Geräteüberwachung gegenüber sehr aufgeschlossen und haben uns daher für eine Lösung entschieden, die akustische Daten von Sensoren sammelt und mittels künstlicher Intelligenz weiter auswertet. Dadurch können wir das Gerät aus der Ferne überwachen und rechtzeitig einen Spezialisten bereitstellen, wenn wir in der Zentrale vom Neuron soundware-Gerät eine Warnung über eine Zustandsänderung der Komponenten an den Rolltreppen erhalten“, sagt Ing. Petr Vondráček, Leiter der Abteilung Transportmittel, Verkehrsbetriebe der Hauptstadt Prag, AG.




So sieht der Gründer von Neuron soundware dieses einzigartige Projekt
Bei Rolltreppen erschweren der komplexe Zugang zu den Geräten, der Bedarf an außerplanmäßigen Reparaturen und längere Wartezeiten auf Ersatzteile die Reparaturen.
Neuron soundware hat insgesamt 21 Rolltreppen mit 189 Sensoren ausgestattet und zählt damit die Prager Verkehrsbetriebe zu seinen weiteren Kunden, die eine automatische Überwachung von Maschinen in der Automobil-, Bergbau- und Energieindustrie einsetzen.
„Geräte, wie zum Beispiel Rolltreppenkomponenten, sind dort schwer zu erreichen, wo es oft kein Telefonsignal oder Internet gibt. Für diese Fälle haben wir eine Version unseres Gerätes entwickelt, die es uns ermöglicht, das Signal komplett im Endgerät, also direkt am Ort der Tonaufnahme, zu erfassen. Wir verwenden eine zuverlässige und kostengünstigere Lösung, um Daten langfristig direkt im Mikrocomputer zu verarbeiten, ohne Terabyte an Daten von jedem Gerät in die Cloud verschieben zu müssen.“ erläutert Ing. h. Pavel Konečný, CEO, Neuron soundware das Projekt.
So sieht das Projekt von der Installierung bis zur Inbetriebnahme aus
Installierungsphasen
In ausgewählten Maschinenräumen sind Rolltreppen mit einem Satz piezoelektrischer Sensoren ausgestattet, die über eine installierte Verkabelung Schallproben von überwachten Maschinenkomponenten an die nBox-Zentraleinheit abgeben, die sie über eine LTE-Verbindung zur Verarbeitung und Speicherung in die Cloud sendet.
Phase der akustischen Datenerfassung und Überwachung
Schallproben aus dem Rolltreppenbetrieb werden in kurzen Abständen rund um die Uhr in der Cloud gespeichert. Die Künstliche Intelligenz überwacht rund um die Uhr die akustischen Proben der Rolltreppen und wertet diese gegen das Sollverhalten der Rolltreppe aus.
Warnphase und Training des Neuronen-Netzes zur Auswertung der erfassten Daten
Bewertet die Künstliche Intelligenz die Geräuscheffekte der Rolltreppen als auffällig, wird der Kunde (Verkehrsbetriebe) in Echtzeit über die nShield-Plattform benachrichtigt.
Die erfassten Daten werden mit dem trainierten Neuronen-Netz ausgewertet. Die Daten werden grafisch im Webportal visualisiert, wo die Mitarbeiter der Verkehrsbetriebe auf sie zugreifen können.
Gleichzeitig werden die Betreiber per E-Mail und SMS über einen assistierten Alarm aufgrund möglicher Klangveränderungen an bestimmten Bauteilen mit Hinweisen zu einer möglichen Ursache und Empfehlungen zu Korrekturmaßnahmen durch einen technischen Diagnostiker informiert.
Phasen der Auswertung und Empfehlungen
Der Alarm wird qualitativ bewertet und der Kunde (Verkehrsbetriebe) erhält eine Bewertung der Abweichung, einschließlich Empfehlungen für Wartungsaktivitäten in der Anlage.
Bewertungsphase der Dienstleistung und der gesammelten Daten
Anschließend wird die aufgezeichnete Abweichung mit der durchgeführten Aktivität ausgewertet und danach der Algorithmus verbessert. Gleichzeitig wird dadurch eine Möglichkeit gesucht, die einen ähnlichen Fehlertyp noch früher erkennen kann. Dies erhöht die Rentabilität der Lösung deutlich.