Vorausschauende Wartung an Industrieanlagen – Bild: Fraunhofer-Institut IPMS 
Demonstrator für die vorausschauende Wartung von Industrieanlagen. – Bild: Fraunhofer-Institut IPMS
Aufbauend auf Ergebnissen des iCampus Projektes ForTune hat das Fraunhofer IPMS einen neuen Demonstrator entwickelt, der Sensorik, Datenerfassung und KI-basierte Datenauswertung für die Zustandsüberwachung und vorausschauende Wartung kombiniert. Damit eröffnen sich neue Möglichkeiten für die vorbeugende Instandhaltung von Anlagen und Maschinen. Das Fraunhofer IPMS nutzt seine Expertise im Edge Computing sowie Echtzeit-Datenübertragung. Dr. Marcel Jongmanns, Leiter des Projekts am Fraunhofer IPMS, erklärt: »Unsere Lösung ermöglicht eine präzise Zustandsüberwachung von Maschinen durch den Einsatz von Sensoren und intelligenter Datenanalyse. Die Integration von KI in die Sensoren ermöglicht es uns, Schäden zu erkennen, bevor sie auftreten, und so Wartungsintervalle zu optimieren und Ausfallzeiten zu minimieren.«
Der ShowCase zeigt ein miniaturisiertes Förderband und demonstriert die Leistungsfähigkeit einer neuartigen Toolbox für die Überwachung von Industrieanlagen. In den Demonstrator werden multimodale Sensoren eingesetzt. Die sensorische Funktion erfasst dabei Beschleunigungen in den Raumrichtungen und die korrespondierenden Drehraten. Zusätzlich werden Magnetfeldsensoren und akustische bzw. Ultraschallsensoren zur Überwachung des Systems eingesetzt. Das System bietet zwei Hauptfunktionen: Die Erkennung der Bandspannung und die Erkennung von Blockaden. Die KI-Modelle basieren dabei auf umfangreichen Datenanalysen und ermöglichen die präzise Vorhersage von Schäden. Um die Genauigkeit der Modelle zu erhöhen, können Echtzeitkalibrierungen durchgeführt werden, um das System an neue Umgebungen anzupassen.
Die Systemlösung des Fraunhofer IPMS zielt darauf ab, die hauseigenen Sensoren mit einer eigenen Edge-Computing-Einheit auf Basis der RISCV-Architektur für eine effiziente Datenverarbeitung direkt am Einsatzort zu kombinieren. Dadurch werden komplexe KI-Operationen sowie Echtzeitanalysen ermöglicht. Sich ändernde Umgebungseinflüsse können so direkt modelliert bzw. in der Analyse berücksichtigt werden. Dadurch wird die Einbindung einer Vielzahl von Sensoren möglich und die Vorhersagegenauigkeit über den Zustand der Industrieanlage deutlich erhöht. Bestehende Limitierungen in der Rechenleistung für die Echtzeitmodellierung in eingebetteten Systemen werden überwunden.