→ LOGIN

Störung im Kolbenkompressor beim Automobilhersteller

Neuron Soundware erkannte eine drohende Störung im Kolben-Helium-Kompressor für die Getriebehärtung in der Automobilindustrie.

Im März 2021 entdeckte unsere KI eine drohende kritische Störung im Kolbenkompressordie später ihren Höhepunkt in Maschinenstillstandszeiten. Die frühzeitige Erkennung dieses Fehlers ist ein konkretes Ergebnis und ein Beweis dafür, wie Algorithmen für maschinelles Lernen kann helfen bei vorausschauende Instandhaltung.

Neuron soundware Automotive Fallstudie Heliumkompressor von Martina Wallková

Einsatz von AI in kritischen Produktionsanlagen

Im Jahr 2021 wählte ein anerkannter europäischer Automobilhersteller Erkennung akustischer Anomalien von Neuron Soundware für seine Automobilherstellung Anlage, um die Kontinuität des Betriebs des Anlassofens zu gewährleisten.

Zwei Kolben Heliumverdichter sind mit dieser Technologie und Helium-Druckbehältern ausgestattet. Unter Druck stehendes Helium wird zur Kühlung (Härtung) der Werkstücke an Getriebeteilen in der Härtekammer verwendet.

Fällt diese Ausrüstung aus, läuft der Hersteller Gefahr, dass sich die Produktion verzögert. Längere ungeplante Ausfälle können sogar zu Verlusten in Höhe von Millionen von tschechischen Kronen führen. Deshalb ist es wichtig, solche Ausfälle zu verhindern, bevor sie auftreten.

Erkennung von Anomalien und bevorstehenden Fehlern in der Praxis

Im Januar 2021die Sensoren und IoT Ausrüstung wurden auf dem Kompressor eingesetzt.
1. Februar 2021: die erster Datensatz begann die Aufnahme am Kompressor.
5. Februar 2021: Nach der Erfassung des ersten Datensatzes wird die AI-Erkennung Modell auf den Kompressor angewandt wurde. Das bedeutet, dass die KI fünf Tage lang mit den Nenndaten (Verhalten) des Kompressors "geübt" hat, damit sie die Geräusche des Normalbetriebs erkennt und lernt, Geräusche zu unterscheiden, die nicht normal sind und auf eine Störung hinweisen könnten.
März 12, 2021: An Kolben und Zylinder 2 wurden Kratzer entdeckt. während der regulären Wartungsarbeiten des Kunden am 12. März; diese wurden repariert und der Kompressor getestet. Bei der anschließenden Analyse des Signals stellte unser Neuron-Soundware-Diagnostiker fest, dass es sich wahrscheinlich um bereits vorhandene Schäden die in den ursprünglichen Daten enthalten waren, weshalb der Algorithmus sie nicht erkannt hat.
14. März 2021Der Kompressor wurde zwischen 20.00 und 22.00 Uhr wieder in Betrieb genommen.
März 16, 2021: Der Kunde hat Kontrollmessungen des Kompressors auf Vibrationen und Temperatur geprüft. Die Ergebnisse lagen innerhalb der normalen Parameter.
März 16, 2021Um 12:11 Uhr, kurz nach den Kontrollmessungen, wurde die Anomalie auf der Neuron Soundware Plattform erhöht, die den Grad der Beschädigung der Maschine anzeigen über dem Schwellenwert liegt, bei dem das Modell eine Warnung aussendet. Warnungen ging dreimal aus:
- 12:11 - 12:21 Uhr (innerhalb eines Zeitraums von 10 Minuten) am 16. März
- 15:30 - 15:41 Uhr (innerhalb von 11 Minuten) am 16. März
- 4:00 - 5:31 Uhr (innerhalb von 91 Minuten) am 17. März Leider hatte die Diagnoseschicht aufgrund anderer Aufgaben keine Zeit, den Kompressor erneut zu überprüfen.
17. März 2021, gegen 4:00 Uhr morgens: Zylinder 2 zeigten Anzeichen von Druckabfall. Wegen der gerade durchgeführten Kontrolle und weil im letzten Jahr ein ähnlicher Fehler am Kompressor aufgetreten war, Das Wartungspersonal beschloss, den Kompressor zu ersetzen, anstatt ihn zu reparieren.
März 17, 202117:00 Uhr: nach etwa 12 Stunden Außerbetriebnahme, der neue Kompressor wird in Betrieb genommen.

Was ist der Wert der installierten Überwachungsdienste?

Die NSW-Diagnose sagte wiederholt den Nennzustand von Zylinder 2, Kompressor, voraus, obwohl die konventionellen Mittel zur Bewertung des Maschinenzustands mittels Vibrodiagnose und Temperaturmessung, die einige Stunden zuvor durchgeführt wurden, den drohenden Fehler nicht erkannt hatten. Die erste Warnung kam 16 Stunden vor dem Auftreten der Störung und der Kompressor wurde außer Betrieb genommen.

Da die Auswertung der Warnungen nicht zu einer Produktionsunterbrechung führte, zeigt uns dieser Fall den Wert der Überwachungslösung in der Praxis. Außerdem erhält Neuron Soundware dadurch ein wertvolles Datenbeispiel, das zur weiteren Verbesserung des Algorithmus beiträgt.

Der Fall veranschaulicht auch sehr gut die Folgen von Maschinenfehlern, die nicht rechtzeitig erkannt werden.

Diese Störung verursachte bei diesem anerkannten europäischen Automobilhersteller 12 Stunden Stillstand beim Härten des Getriebes, einschließlich vier Stunden Entleerung der Härtekammer und 80% der Produktionsabfälle, die aufgrund des unterbrochenen Härteprozesses entsorgt werden sollten.

Die wichtigsten Ergebnisse dieser Fallstudie

Da Kompressorstörungen relativ häufig auftreten und die Geräte eine wesentliche Rolle im Betrieb spielen, hat die installierte Technik einen großen Mehrwert. Die frühzeitige Erkennung eines bevorstehenden Ausfalls kann dazu beitragen, einen Maschinenfehler zu erkennen und Produktionsausfälle zu vermeiden, die zu Verlusten in Millionenhöhe führen können.

Der beste Weg, um Störungen an Industriemaschinen zu verhindern, ist folgender: Installieren Sie IoT-Geräte und -Sensoren an einer kritischen Maschine, sammeln Sie Nenndaten während des Maschinenbetriebs, um das KI-Modell zu "trainieren" (das dauert ein paar Tage), und setzen Sie dann sofort einen kontinuierlichen Überwachungsdienst für die ausgewählte Maschine ein. Es ist wichtig, schnell auf Warnungen zu reagieren und eine angemessene Reaktion zu wählen, um Verluste zu minimieren.

Der Wert des Dienstes für den Kunden wächst mit der Zeit. Je mehr Anomalien erkannt werden, desto besser wird die KI bei der Diagnose.

Anfangs, als die Überwachungslösung auf der Maschine eingesetzt wird, erhält der Kunde einen Mehrwert in Form einer Fernüberwachung der Anlage. Er weiß, ob die Maschine in Betrieb ist oder ausfällt, und er hat Zugang zu den Daten für seine eigenen Analysen und Inspektionen. So erhält er Informationen über Anomalien in der Anlage. Diese Informationen werden zunächst durch den qualifizierten Rat eines menschlichen Diagnostikers ergänzt. Mit einem fortgeschrittenen, trainierten Modell ist die KI schließlich in der Lage, diese Anomalien selbst zu bewerten.

KI-gestützte Überwachung ist eine Investition in die Zukunft, die mit der Zeit nur noch wächst. Produktionsleiter, die diese Investition tätigen, haben einen klaren Vorteil gegenüber denjenigen, die nur vorbeugende Wartung betreiben und für alle Wartungsaufgaben auf teures Personal zurückgreifen müssen.

Da auf dem Markt immer weniger Fachkräfte zur Verfügung stehen und der Druck auf Innovation und Digitalisierung wächst, ist jetzt der richtige Zeitpunkt, um in AI-gestützte Überwachung. Wenn Sie weitere Informationen wünschen, zögern Sie bitte nicht, uns zu kontaktieren.

Anhang: Wichtige Ausrüstungsparameter - Details zur Installation von Kolbenkompressoren und Sensoren

Bei der überwachten Maschine handelt es sich um einen J.P. Sauer&Sohn-Kolbenkompressor, Modell WP 318L, mit folgenden Kenndaten: Kapazität 235 m3/h, Leistung 58 kW, Arbeitsdruck 40 bar, Umdrehungen 1480 U/min. Der Kompressor arbeitet im Start/Stopp-Betrieb und benötigt etwa fünf Minuten, um die Heliumtanks auf Druck zu bringen, danach hat er etwa 10 Minuten Stillstandzeit. Der Kompressor läuft stufenweise an: Stufe 1 - Zylinder 1 und 2 erzeugen einen Druck von 2,6 bar, Stufe 2 - Zylinder 3 erzeugt einen Druck von 12 bar, und Stufe 3 - erzeugt einen Druck von 36 bar.

Der Kolbenkompressor besteht aus einem Kühlmechanismus, der mit einem Block verbunden ist, an dem vier Zylinder in einem Halbkreis im Abstand von 45 Grad angebracht sind. Der Block ist außerdem über einen Flansch mit dem Elektromotor verbunden.