Solche Störungen lassen sich nicht einfach und schnell analysieren. Die Datenauswertung dauert zu lange und bindet Personal.

Zu diesem Zweck hat die Firma Quantis einen Algorithmus entwickelt, der mittels Mustererkennung alle Störungen einer Anlage ermittelt und den zuständigen Mitarbeiter rechtzeitig darüber informiert!

In Zeiten der Automatisierung und der zunehmenden Digitalisierung in der Getränkeabfüllindustrie haben Anlagenbetreiber trotz allen Fortschritts noch immer Probleme, Anlagenstillstände durch unentdeckte Verschlechterungen oder Störungen, zu erkennen.

Diese Störungen haben vielfältige Ursachen, und können nicht immer auf Anhieb erkannt werden, denn alle Maschinen in verketteten Anlagen unterliegen bestimmten Regelverhalten. Daher können sich zum Beispiel schnell aufeinanderfolgende Störungen auf die Leitmaschine durchschlagen und die Anlage zum Stillstand bringen. Es können auch Änderungen in Maschinenkonfigurationen ein anderes Maschinenverhalten bewirken, oder es gibt eine Zunahme von Eigenstörungen aufgrund von überalterten Maschinen. Auch ein simples Fehlen von Materialien kann der Grund für einen Anlagenstillstand sein.

Bei einem Ausfall der Anlage ist eine schnelle Ursachenanalyse oft nicht problemlos möglich. Visuell kann man auftretende Störungen zwar identifizieren, aber die Auswertung nimmt einige Zeit in Anspruch. Dadurch entstehen Kosten, die es zu vermeiden gilt. Die Vorgaben der Werksleitung bezüglich Ausbringungen sind eng gesetzt, und lassen sich am Ende des Tages vielleicht nicht mehr verwirklichen.

Durch den von Quantis entwickelten Algorithmus werden mittels Mustererkennung in nahezu Echtzeit alle Störungen der Anlage ermittelt!

Der Algorithmus misst permanent die Datenströme aus den Maschinen einer Anlage und wertet diese aus. Wurde eine Störung oder eine Verschlechterung an einer der Maschinen festgestellt, kategorisiert, und priorisiert der Algorithmus diese Störungen nach Kritikalität, denn nicht jede Störung schlägt bis zur Leitmaschine durch. Bei sich einschleichenden Verschlechterungen oder Veränderungen im Verhalten der Anlage setzt der Algorithmus eine SMS oder E-Mail an den Verantwortlichen ab, so werden teure Anlagenausfälle verhindert, denn es können rechtzeitig regulierende Maßnahmen ergriffen werden, bevor es zu Maschinenstillständen kommt! Außerdem werden im Gegenzug auch Verbesserungen im Verhalten der Maschinen angezeigt, so kann man ablesen, dass die eingeleiteten Maßnahmen auch wirksam sind. Der Algorithmus trifft auch tendenzielle Aussagen über künftiges Verhalten der Maschinen in einer Anlage, und informiert den Verantwortlichen bereits zum richtigen Zeitpunkt, falls es zu Verschlechterungen der Anlage kommt.

Dieses Verfahren wird bereits erfolgreich bei Kunden eingesetzt.
Es ist kein langer Lernprozess für den Algorithmus erforderlich, die Zeitspanne zwischen Implementierung und den korrekten Voraussagen betragen Wochen, nicht Monate! Quantis ist mit seiner Technologie dem Generieren von digitalen Zwillingen weit voraus, da dieser Aufwand viel größer, zeitaufwendiger und damit für den Anlagenbetreiber erheblich teurer ist.

Die Darstellung der gewonnenen Daten des Algorithmus erfolgt übersichtlich und in grafisch aufbereiteten Dashboards. Dabei sind Heatmaps und Histogramme wertvolle Instrumente, um nicht nur kurzfristige Trends, sondern auch langfristige Änderungen im Verhalten der einzelnen Maschinen abzubilden. Die dargestellten Ergebnisse bedürfen keiner komplizierten Analyse oder Interpretation durch Personal, die Daten sind leicht verständlich aufbereitet.

Die Nutzung des Algorithmus ist in unterschiedlichen Anlagentypen in der Abfüllindustrie einsetzbar, wie in PET-, Glas- oder Dosenlinien.

Der Algorithmus kann zudem auch in bereits bestehende IIoT-Plattformen oder andere MES-Lösungen integriert werden. Quantis bietet auch eine eigene Plattformlösung, die Pocket Factory an, um den Algorithmus bei Kunden zu implementieren, ganz nach ihren Bedürfnissen.

Für Anlagenbetreiber ist es wichtig, dass der Algorithmus:
– Verhaltensänderungen und Störungen der einzelnen Maschinen in einer Anlage überwacht
– Benachrichtigungen bei Verschlechterungen der Anlage absetzt
– die Ergebnisse ohne Analyse und Interpretation einfach ablesbar sind
– für unterschiedlichen Anlagentypen einsetzbar ist
– eine Reduktion um 50 % durch Störungen verursachter Anlagenstillstände ermöglicht
– in andere IIoT-Plattformen und MES-Lösungen integrierbar ist
– erfolgreich bereits im Einsatz ist.

Es funktioniert!