Transfer Multisort Elektronik Germany GmbH

WIRD FÜR DIE MASCHINENZUSTANDSÜBERWACHUNG IMMER EINE SPS BENÖTIGT?


PLC-Steuerungen sind seit Jahrzehnten das Fundament der Industrieautomation, und es ist schwer, sich moderne Produktionslinien ohne sie vorzustellen. Sie eignen sich ausgezeichnet überall dort, wo Prozesssteuerung, Eingangs- und Ausgangssignalverarbeitung, Kommunikation mit Aktoren oder Integration in übergeordnete Systeme gefordert sind.

Das bedeutet jedoch nicht, dass jede Aufgabe zur Maschinenzustandsüberwachung ein vollwertiges SPS-System erfordert.

Stellen wir uns eine Situation vor, in der wir:

prüfen möchten, ob die Schwingungsanalyse den Lagerverschleiß erkennen kann,
einen Demonstrator für den Kunden vorbereiten möchten,
ein Proof-of-Concept-Projekt aufbauen wollen,
Daten sammeln möchten, um ein Machine Learning-Modell zu trainieren,
einen einzelnen Motor, eine Pumpe oder einen Lüfter überwachen wollen.
In solchen Anwendungen kann eine klassische SPS-Lösung oft überdimensioniert sein. Neben den Hardwarekosten müssen die Steuerungskonfiguration, Programmierung, Integration mit anderen Anlagenkomponenten und die spätere Wartung berücksichtigt werden.

Eine alternative Lösung ist ein intelligenter Messknoten, der für die Datenerfassung von Sensoren, deren Analyse und die Weitergabe nur der Ergebnisse an das übergeordnete System verantwortlich ist. So können Projekte viel schneller gestartet werden, bei gleichzeitiger Möglichkeit der späteren Erweiterung.

Dieser Ansatz passt hervorragend zur Entwicklung von Lösungen mit lokaler Datenverarbeitung und künstlichen Intelligenzmodellen, die direkt auf dem Gerät arbeiten. In der Fachliteratur und bei Herstellern wird dies meistens als Edge AI bezeichnet.

WARUM GERADE SCHWINGUNGEN?
Der technische Zustand einer Maschine kann anhand vieler Parameter beurteilt werden. Je nach Gerätetyp werden Temperatur, Stromaufnahme, Druck, Drehzahl oder Geräuschpegel überwacht. Jeder einzelne liefert wertvolle Informationen, doch die Schwingungsanalyse gilt seit vielen Jahren als eine der effektivsten diagnostischen Methoden im Bereich der Instandhaltung.

Das ist kein Zufall.

Die meisten Ausfälle von rotierenden Teilen beeinflussen das Schwingungsverhalten noch lange bevor der Ausfall für den Bediener bemerkbar wird. Verschlissene Lager, unausgewuchtete Rotoren, Wellen-Fehlausrichtung oder mechanische Spiel verursachen Veränderungen im Signal, die schon frühzeitig erfasst und analysiert werden können.

Wird eine Anomalie rechtzeitig erkannt, lässt sich die Wartung oder der Austausch eines Bauteils beim planmäßigen Stopp einplanen. Praktisch bedeutet dies weniger ungeplante Ausfälle und oft auch deutlich niedrigere Instandhaltungskosten.

WAS KANN DURCH SCHWINGUNGSANALYSE ERKANNT WERDEN?
Obwohl das Signal des Beschleunigungsmessers wie eine zufällige Datenmenge erscheint, enthält es viele Informationen über den Zustand der Maschine. Eine passende Analyse erlaubt es, sehr wahrscheinlich die Art des Problems zu bestimmen.

Beobachtete Veränderung Mögliche Ursache
Anstieg der Schwingungsamplitude Unwucht rotierender Teile
Charakteristische Frequenzen im Spektrum Lagerschäden
Erhöhte axiale Schwingungen Wellen-Fehlausrichtung
Unregelmäßige Impulse Mechanische Spielräume oder Getriebeschäden
Veränderungen beim Anlauf Antriebs- oder Motorprobleme
Natürlich liefert die reine Schwingungsanalyse kein vollständiges Bild des Maschinenzustands. Deshalb kombinieren moderne Diagnosesysteme immer häufiger Informationen aus verschiedenen Quellen.

Meistens werden gleichzeitig überwacht:

Schwingungen,
Temperatur,
Stromaufnahme des Motors,
Drehzahl,
Betriebsstunden des Geräts.
Erst die Kombination dieser Parameter reduziert Fehlalarme und ermöglicht eine präzisere Bewertung des tatsächlichen Maschinenzustands.

VOM ROHSIGNAL ZUR INFORMATION

Die reine Schwingungsmessung löst das Problem noch nicht. Die Daten müssen zunächst angemessen aufbereitet werden, um für die Zustandsbewertung nutzbar zu sein.

Dieser Prozess umfasst üblicherweise mehrere Schritte:

Datenerfassung vom Sensor – meist ein MEMS-Beschleunigungssensor, der Beschleunigungen in einer oder mehreren Achsen misst.
Vorverarbeitung des Signals – Störungsbeseitigung, Filterung und Aufteilung der Daten in kurze Abschnitte zur weiteren Analyse.
Merkmalsermittlung – z.B. RMS-Werte, Schwingungsamplituden, Spitzenfaktoren oder Frequenzanalyse mittels schneller Fourier-Transformation (FFT).
Bewertung des Gerätezustands – basierend auf definierten Alarmgrenzen oder einem Machine Learning-Modell.
Weitergabe der Informationen an den Nutzer – als Alarm, Mitteilung oder übermittlung an ein übergeordnetes System.
Noch vor einigen Jahren wurden die meisten dieser Schritte auf einem Industrie-PC oder Server durchgeführt. Die Entwicklung leistungsfähiger Mikrocontroller ermöglicht jedoch zunehmend, die Berechnungen direkt im erfassenden Gerät durchzuführen.

WELCHE ROLLE SPIELT KÜNSTLICHE INTELLIGENZ?
Klassische Condition Monitoring-Systeme basieren meist auf vordefinierten Alarmgrenzen. Überschreitet die Schwingungsamplitude einen definierten Wert, meldet das System ein potenzielles Problem.

Dieser Ansatz ist effektiv, hat aber auch seine Grenzen. Viele Maschinen arbeiten unter variablen Lastbedingungen, so dass starre Schwellenwerte zu Fehlalarmen oder im Gegenteil zu nicht erkannten Defekten führen können.

Daher werden immer häufiger Machine Learning-Modelle eingesetzt, die nicht einzelne Werte, sondern das gesamte Arbeitsmuster des Geräts analysieren.

Das Modell lernt, wie ein normaler Maschinenbetrieb aussieht und vergleicht anschließend jede neue Datenprobe mit dem gelernten Muster. Weicht eine Probe signifikant ab, kann dies als potenzielle Anomalie gewertet werden, die weitere Diagnostik erfordert.

Diese Lösung ersetzt nicht das Wissen eines Instandhaltungsingenieurs, erleichtert aber deutlich das Erkennen subtiler Veränderungen, die bei manueller Analyse großer Datenmengen schwer zu erkennen sind.

LOKALE ANALYSE STATT ÜBERTRAGUNG ALLER DATEN
Bis vor Kurzem war die Übertragung aller Messdaten an Server oder Cloud-Lösungen der Standard. Diese Architektur findet auch heute noch in vielen Anlagen Anwendung, ist aber nicht immer optimal.

Führt das Gerät die Analyse direkt an der Maschine durch, werden an das übergeordnete System nur die Berechnungsergebnisse oder Informationen über erkannte Anomalien übertragen. Dies reduziert die Datenmenge, verkürzt die Reaktionszeit und verringert die Anforderungen an die Kommunikationsinfrastruktur.

Genau dieses Vorgehen bildet die Grundlage für Lösungen, die als Edge AI bezeichnet werden. Die Analyse findet dort statt, wo auch die Daten entstehen – direkt am überwachten Gerät.

ARDUINO UNO Q – INTELLIGENTER MESSKNOTEN FÜR CONDITION MONITORING-ANWENDUNGEN

Da nun bekannt ist, welche Informationen aus der Schwingungsanalyse gewonnen werden können und wie Machine Learning-Modelle helfen, Anomalien zu erkennen, stellt sich die Frage – auf welcher Plattform sollte ein solches System aufgebaut werden?

Arduino hat speziell für solche Anwendungen die Plattform UNO Q entwickelt. Im Rahmen der Kampagne "Entdecke praktische Anwendungen von Edge AI mit Arduino UNO Q" zeigt der Hersteller, dass moderne AI-basierte Anwendungen nicht nur auf Industrie-PCs oder leistungsfähigen Servern laufen müssen. Immer mehr Aufgaben lassen sich lokal – direkt am Gerät mit Sensor-Datenverarbeitung – erledigen.

In der Praxis bedeutet dies die Möglichkeit, ein kompaktes Condition Monitoring-System zu erstellen, das Maschinensignale analysiert und den Benutzer über erkannte Unregelmäßigkeiten informiert, ohne alle Daten in die Cloud zu senden.

WIE SIEHT DIE BEISPIELARCHITEKTUR DER LÖSUNG AUS?
Obwohl jede Anwendung ihre eigene Spezifik hat, bleibt das Grundprinzip des Ablaufs sehr ähnlich.

MEMS-Beschleunigungssensor
        │
        ▼
Arduino UNO Q
        │
Signalverarbeitung
        │
Machine Learning Modell
        │
Zustandsbewertung der Maschine
        │
        ├── Benachrichtigung des Nutzers
        ├── Dashboard
        └── SCADA / MES / IoT-System
Solch eine Lösung lässt sich leicht erweitern. Neben dem Schwingungssensor können noch Temperaturfühler, Stromüberwachung oder Kommunikationsmodule für Ethernet, Wi-Fi oder Bluetooth hinzugefügt werden. So kann das Projekt mit den nächsten Umsetzungsschritten wachsen.

WO SOLLTE MAN ANFANGEN?
Einer der häufigsten Fehler ist der Versuch, gleich zu Beginn das gesamte Maschinenpark-Monitoring zu realisieren.

Besser ist es, mit einem kleinen Pilotprojekt zu starten.

Gut geeignet ist eine Maschine, die:

kontinuierlich arbeitet,
für den Prozess eine Schlüsselrolle spielt,
rotierende Elemente wie Motor, Pumpe oder Ventilator hat,
über eine Historie von Wartungen oder Ausfällen verfügt.
Der erste Projektabschnitt könnte so aussehen:

Installation von Beschleunigungssensor und Hilfssensoren.
Datenerfassung während des normalen Betriebs.
Analyse der gesammelten Messwerte.
Training oder Konfiguration eines Anomalie-Erkennungsmodells.
Test des Systems unter realen Bedingungen.
Ausweitung der Lösung auf weitere Maschinen.
Dieser Ansatz ermöglicht eine schnelle Bewertung der Wirksamkeit, senkt Investitionskosten und sammelt Erfahrungen für die weitere Projektentwicklung.

WELCHE KOMPONENTEN WERDEN BENÖTIGT?
Arduino UNO Q ist nur das zentrale Element der Gesamtlösung. Über die passende Auswahl der übrigen Komponenten entscheidet maßgeblich die Effektivität des Systems.

Je nach Anforderungen empfiehlt sich der Einsatz von:

Komponente Rolle im System
Arduino UNO Q Einheit zur Datenerfassung und -analyse
MEMS-Beschleunigungssensor Schwingungs- und Beschleunigungsmessung (für Prototypen z.B. Modulino ABX00101)
Temperatursensoren Zusätzliche Maschinenzustandsdiagnose (für Prototypen z.B. Modulino ABX00103)
Kommunikationsmodule Übertragung der Ergebnisse an das übergeordnete System (UNO Q unterstützt nativ WiFi 5 / Bluetooth 5.1)
Industrielle Netzteile Zuverlässige Energieversorgung des Geräts
Kabel, Verbinder und Gehäuse Aufbau einer vollständigen Messstation
Dank des umfangreichen Angebots von TME lassen sich alle für den Demonstrator oder die komplette Teststation benötigten Komponenten an einem Ort beziehen. Das verkürzt die Projektumsetzung und erleichtert spätere Erweiterungen.

ZUSAMMENFASSUNG
Moderne Maschinenzustandsüberwachung ist längst kein Privileg mehr der größten Industrieanlagen. Die Entwicklung miniaturisierter Sensoren, leistungsfähiger Mikrocontroller und Machine-Learning-Modelle ermöglicht es, erste Condition Monitoring-Projekte heute viel schneller und kostengünstiger zu realisieren als noch vor einigen Jahren.

Das bedeutet natürlich nicht, dass SPS-Systeme an Bedeutung verlieren. In vielen Anwendungen bleiben sie erste Wahl. Immer öfter sieht der erste Schritt jedoch anders aus – statt ein komplettes Automatisierungssystem zu planen, bauen Ingenieure einen kleinen, intelligenten Messknoten, der hilft, die Konzeption zu überprüfen und potenzielle Vorteile der Zustandsüberwachung zu bewerten.

Plattformen wie Arduino UNO Q fügen sich hervorragend in dieses Konzept ein. In Kombination mit passenden Sensoren, Kommunikationsmodulen und weiteren Komponenten aus dem TME-Sortiment wird eine skalierbare Lösung möglich – vom einfachen Demonstrator bis zum umfassenden System zur Unterstützung der Instandhaltung.

ENTDECKE MEHR ANWENDUNGEN FÜR ARDUINO UNO Q
Maschinenzustandsüberwachung ist nur eines der Beispiele für den Einsatz der Arduino UNO Q Plattform. Schau dir auch an, wie sie verwendet werden kann für:

Qualitätskontrolle mit AI Vision Inspection,
lokale KI-Agenten direkt auf dem Gerät laufen zu lassen.
Zur Seite „Entdecke praktische Anwendungen von Edge AI mit Arduino UNO Q“