SpindelCheck

Status Quo

Die derzeitigen Wartungspraktiken für Spindeln bei SEW sind hauptsächlich reaktiv und präventiv ausgelegt und verfügen nicht über fortgeschrittene Predictive-Maintenance-Fähigkeiten. Spindelausfälle führen häufig zu ungeplanten Produktionsstillständen, beeinträchtigen die Betriebseffizienz und erhöhen die Wartungskosten.

In den letzten zehn Jahren hat SEW IFM-Sensoren in Verbindung mit der IFM Moneo-Plattform für die manuelle Spindelüberwachung eingesetzt.

Diese Lösung liefert zwar wertvolle Daten, erfordert jedoch erhebliche manuelle Eingriffe und ermöglicht keine automatisierte Früherkennung potenzieller Ausfälle.

Die aktuellen Wartungsstrategien umfassen:

• Geplante vorbeugende Wartung in festen Intervallen
• Reaktive Reparaturen nach Spindelausfällen
• Manuelle Inspektionen und Diagnosetests

Diese Ansätze bringen mehrere Herausforderungen mit sich:

• Unerwartete Ausfallzeiten aufgrund unerkannter Spindelprobleme
• Suboptimale Zuteilung von Wartungsressourcen
• Eingeschränkte Fähigkeit zur genauen Schätzung der verbleibenden Nutzungsdauer (RUL) von Spindeln

Ein Übergang zu vorausschauender, datengesteuerter Wartung ist erforderlich, um diese Einschränkungen zu beheben und die Gesamtzuverlässigkeit der Anlagen zu verbessern.

Ziel

Implementierung einer IIoT-basierten Predictive-Maintenance-Lösung zur Spindelüberwachung mit folgenden Zielen:

• Erfassung hochauflösender Sensordaten für die Spindelzustandsanalyse, idealerweise unter Verwendung vorhandener Sensoren
• Kontinuierliche Überwachung des Spindelzustands
• Implementierung von Anomaly Detection und Ausfallvorhersage
• Reduzierung ungeplanter Ausfallzeiten durch Frühwarnsystem
• Schaffung der Grundlage für einen potenziellen flächendeckenden Rollout und robuste Predictive-Maintenance-Strategie
• Optimierung der Wartungspläne basierend auf dem tatsächlichen Zustand
• Bereitstellung umsetzbarer Erkenntnisse über eine benutzerfreundliche Schnittstelle

Stand der Technik

Es gibt viele bestehende AI / Machine-Learning-Ansätze zur Überwachung rotierender Maschinen und zur Vorhersage von Ausfällen:

AI-based Predictive Maintenance nutzt tendenziell die meisten Signale zur Vorhersage von Ausfällen, darunter:

1. Vibrationsanalyse (Frequency Domain Analysis, FFT)
2. Temperaturüberwachung
3. Akustische Emissionsmessung
4. Strom-/Leistungsüberwachung
5. Machine Learning für Anomalieerkennung
6. Remaining Useful Life (RUL) Vorhersage

Von diesen ist Vibration das dominierende Signal für die Spindelgesundheit. Die erfolgreichsten RUL-Systeme basieren auf Beschleunigungssensordaten (rohe Zeitreihen plus Envelope / Spectral Transforms). Time-Domain-Statistiken (RMS, Kurtosis) und Envelope-Spectrum-Features werden nach wie vor häufig als starke, interpretierbare Indikatoren verwendet.

Time-Frequency-Representations & CNNs sind ein sehr effektiver Pattern-Recognition-Ansatz. Die Umwandlung von Fenstern in STFT/CWT/Spectrogram-Images und das Training von CNNs (oder CNN → LSTM Hybrids) liefert starke Performance bei Bearing/Spindle-Aufgaben, insbesondere beim Umgang mit komplexen Vibrationssignaturen. Neuere Ansätze kombinieren CNNs mit Sequence Models (Bi-LSTM) oder Variational Autoencodern für robuste Feature Extrahierung.

Recurrent Models werden weiterhin häufig eingesetzt. Sequence Models (LSTM / Bi-LSTM / Transformers) behandeln temporale Abhängigkeiten gut. Transformers und Wavelet-Self-Attention-Hybrids werden für längere Abhängigkeiten und Cross-Sensor-Fusion erforscht und übertreffen LSTMs in Benchmarks oft, wenn genügend Daten verfügbar sind.

State-of-the-Art-Arbeiten kombinieren zunehmend Methoden (z.B. CNN → Transformer, CNN + VAE + BiLSTM), um starke lokale Feature Extraction mit temporaler Modellierung und Unsicherheitsschätzung zu verbinden. Diese Hybrids schneiden bei komplexen Multi-Sensor-Datensätzen tendenziell am besten ab.

Lösungsvorschlag

Um die Predictive-Maintenance-Lösung in die bestehenden Systeme von SEW zu integrieren, werden Sensordaten in eine Analytics-Plattform eingespeist, wo Preprocessing, Feature Extraction und Machine-Learning-Algorithmen angewendet werden.

Zur Erfassung hochauflösender Daten bis zu 100 kHz, die für fortgeschrittene Vibration Analysis benötigt werden können, wird Motius direkte Verbindungen zu IFM-Sensoren über industrielle Protokolle (z.B. OPC-UA, MQTT, Modbus, Serial Connection) untersuchen, sofern unterstützt, oder Edge-Computing-Geräte nutzen, um rohe Sensordaten zu erfassen und abzuspeichern.

Alternativ könnte der vorhandene VSE100 kurze Bursts von rohen Daten bei hohen Sampling-Raten aufzeichnen, die dann periodisch getriggert und zur Analyse abgespeichert werden können.

Falls direkter Hochfrequenz-Datenzugriff mit IFM-Sensoren nicht machbar ist, wird das Team Montronix-Sensoren evaluieren.

Zusätzliche Hardware kann bei Bedarf in Betracht gezogen werden, um die Data-Acquisition-Anforderungen zu erfüllen.

Um sicherzustellen, dass die erfassten Daten für die beabsichtigten Analysen geeignet sind, wird das Projektteam eng mit SEW zusammenarbeiten, um sicherzustellen, dass Sensorplatzierungen, Konfigurationen und Datenqualität den Anforderungen der Predictive-Maintenance-Modelle entsprechen. Dies kann die Validierung von Sensorkalibrierung, Sampling-Raten und Datenintegrität sowie die Definition von Messverfahren umfassen.

Daten werden entweder on-premise bei SEW, oder in SEW's Microsoft Fabric Umgebung abgespeichert.

Prozessintegration

In der Explorationsphase wird das Projektteam eng mit SEW zusammenarbeiten, um aktuelle Prozesse zu verstehen und Integrationspunkte für Predictive-Maintenance-Fähigkeiten zu identifizieren.

Das Projektteam wird die bestehenden Wartungsprozesse von SEW abbilden, um Folgendes zu identifizieren:

• Geplante Wartungsintervalle und Entscheidungskriterien
• Reaktive Wartungsauslöser und Reaktionsverfahren
• Datenquellen, die derzeit für Wartungsentscheidungen verwendet werden (manuelle Inspektionen, Moneo-Alarme, Wartungsprotokolle)
• Wichtige Stakeholder und Kommunikationskanäle
• Dokumentations- und Berichtsanforderungen

Datenerfassung

Parallel zur Prozessbewertung evaluiert das Projektteam die Datenerfassung von IFM und / oder Montronix-Sensoren. Das Team wird validieren, dass die gesammelten Daten eine ausreichend hohe Auflösung und Qualität bieten.

Pilotsystem

Ein Pilotsystem wird parallel zu bestehenden Prozessen entwickelt und läuft nebenher, ohne größere Änderungen zu erfordern:

• Data Recording: Einige Maschinen mit IFM / Montronix-Sensoren werden ausgestattet, um kontinuierlich rohe Sensordaten aufzuzeichnen und abzuspeichern (on-premise oder Cloud, in Absprache mit SEW's IT)
• Parallel Validation: Predictive Insights werden mit Wartungsteams zur Validierung gegen tatsächliche Spindelbedingungen geteilt, lösen aber während des PoC keine direkten Wartungsaktionen aus
• Feedback Loops: Regelmäßige Kollaborationssitzungen zum Vergleich von Modellvorhersagen mit beobachtetem Spindelverhalten und Wartungsergebnissen
• Alert Refinement: Iterative Anpassung der Detection-Sensitivität basierend auf operativem Feedback, um False Positives zu minimieren und gleichzeitig sicherzustellen, dass kritische Probleme erkannt werden

Übergangsplanung

Basierend auf den Erkenntnissen aus dem Pilotsystem wird gemeinsam mit SEW definiert:

• Wie Predictive Alerts in die bestehende Wartungsplanung integriert werden sollen
• Rollen und Verantwortlichkeiten für das Monitoring und die Reaktion auf System-Insights
• Erforderliche Dokumentation für Wartungspersonal
• Integrationspunkte mit bestehenden IT-Systemen
• Eskalationsverfahren für kritische Alarme

Dieser kollaborative Ansatz stellt sicher, dass die finale Lösung mit den operativen Realitäten von SEW übereinstimmt und mit minimaler Störung übernommen werden kann.

Systemkonzept

Die Systemarchitektur besteht aus drei Hauptebenen:

1. Sensoren & Data Acquisition
2. IT Software Platform
3. User Interface für die Wartung

Während die Sensor-Hardware die Grundlage der Datenerfassung bildet, ist die IT Platform für Datenspeicherung, Preprocessing und fortgeschrittene Analytics verantwortlich. Das User Interface zeigt Alarme und Ergebnisse der Vorhersagen aus unserem Modell, vor allem für SEW's Wartungsteam.

graph TB
    %% Styles
    classDef primary fill:#64CEE4,stroke:#64CEE4,stroke-width:2px,rx:10px
    classDef default fill:none,stroke:#64CEE4,stroke-width:2px,rx:10px
    classDef defaultBackground fill:#FFFFFF44,stroke:none,rx:20px
    classDef primaryBackground fill:#23BAD933,stroke:none,rx:20px

    subgraph sensorSub["Sensor-Ebene"]
        sensors[IFM / Montronix Sensors]@{shape: processes}
        dacq["Datenerfassung<br>(Edge Device)"]@{shape: }
        sensors --> dacq
    end

    subgraph cloudSub["IT-Ebene"]
        subgraph Moneo[Moneo]
          MonInflux["Time Series Database<br>(InfluxDB)"]@{shape: cylinder}
          OPCUA["OPC UA Interface"]
        end

        subgraph DataProc[Preprocessing+Connectivity]
          DataLake[Bereinigte Datenspeicherung]@{shape: cylinder}
          RTInterface["Echtzeit-Datenschnittstelle"]
        end

        RTInterface -->|Preprocessing & Bereinigung| DataLake
        dacq -->|Stream| RTInterface

        MLPipeline[ML Training Pipeline]
        Analytics["Analytics Engine<br>(Anomaly Detection, RUL Prediction)"]
        Dashboard[Dashboard & Alarme]
    end

    subgraph sewSub["Wartungsteam"]
        edgeSub[Wartungspersonal]@{shape: bolt}
    end

    sensors --> Moneo

    DataLake --> MLPipeline
    MLPipeline -->|Aktualisierte Modelle| Analytics
    DataLake -->|Historische Daten| Analytics
    RTInterface -->|Echtzeit-Daten| Analytics
    Analytics --> Dashboard

    Dashboard -->|Alarme| edgeSub

    sensorSub:::primaryBackground
    edgeSub:::primaryBackground
    cloudSub:::primaryBackground
    sewSub:::primaryBackground
    DataProc:::defaultBackground
    Moneo:::defaultBackground

    classDef sensor stroke:#0277bd,stroke-width:2px,fill:none
    classDef moneo stroke:#7b1fa2,stroke-width:2px,fill:none
    classDef cloud stroke:#388e3c,stroke-width:2px,fill:none

    class sensors sensor
    class OPCUA,MonInflux moneo
    class DataLake,MLPipeline,Analytics,Dashboard,RTInterface cloud

IT Systeme können entweder on-premise auf einer virtuellen Maschine deployt werden, oder ein SEW's Cloud Umgebung. Folgende Funktionen müssen bereitgestellt werden:

• Langfristige Datenspeicherung und Trendanalyse
• ML-Modelltraining auf historischen Daten
• Flottenweite Analytics über mehrere Maschinen
• Optimierung der Predictive-Maintenance-Planung

Die ML Modelle werden voraussichtlich folgende Algorithmen verwenden:

• Anomaly Detection mit Autoencodern, LSTMs, Random Forests, XGBoost etc.
• Remaining Useful Life (RUL) Prediction mit CNNs, LSTMs, Transformers etc.
• Pattern Recognition für spezifische Ausfallmodi (z.B. Bearing Wear, operative Probleme)
• Physical Simulation gekoppelt mit Machine-Learning-Algorithmus

Vorgehen

Das Projekt beginnt mit einer ersten explorativen Phase, die sich auf das Verständnis der aktuellen Spindel-Wartungsabläufe konzentriert, wichtige Ausfallmodi identifiziert und verfügbare Sensordaten erfasst & evaluiert. Diese Phase umfasst die Machbarkeitsanalyse und Entwicklung einer Proof-of-Concept-Pipeline für Anomaly Detection. Die gewonnenen Erkenntnisse leiten das Design und die Implementierung der Predictive-Maintenance-Lösung und stellen die Ausrichtung an operativen Anforderungen und technischen Anforderungen sicher.

Data Acquisition & Machbarkeitsstudie

Das Projektteam erfasst Daten, prüft deren Qualität und trainiert dann aktuelle State-of-the-Art Machine-Learning-Modelle auf diesen Daten. Da die Daten von zwei Spindeln mit bekannten Austausch-Events stammen, besteht das primäre Ziel darin, festzustellen, ob messbare Degradationsmuster vor Ausfällen existieren.

Der Ansatz beinhaltet eine explizite Machbarkeits-Phase, um zu bestätigen, dass verfügbare Daten prädiktive Degradationssignale enthalten, bevor die vollständige Modellentwicklung erfolgt.

Risiken:

Ergebnisse:

• Validierte ML-Modelle für Anomaly Detection und RUL Prediction
• Machbarkeitsbewertungsbericht mit Degradationsmuster-Analyse
• Alert-System-Konzept und Threshold-Empfehlungen
• Feature-Engineering-Dokumentation
• Wartungsrichtlinien basierend auf Model-Insights

Pilotsystem & Testing

Motius deployt und testet das Prediction System in einer kontrollierten Umgebung, während immer mehr rohe Sensordaten gesammelt werden, die für das Training fortgeschrittener Modelle verwendet werden können.

Ergebnisse:

• Pilotsystem in SEW's Infrastruktur
• Real-time Data-Ingestion-Pipeline von rohen Sensordaten
• User-Dashboard mit Monitoring- und Alerting-Fähigkeiten
• Pilottest-Bericht mit Performance-Metriken und User-Feedback
• System-Dokumentation und technische Spezifikationen

Rollout & Validation

Mit den Erkenntnissen aus der Pilotphase geht das Projektteam zum vollständigen Deployment auf der Fertigungsfläche über. SEW muss die Maschinen mit den notwendigen Sensoren ausstatten, während Motius das IT-Deployment unterstützt, die Modellverfeinerung fortsetzt und bei Bedarf zusätzliche Hardware für Edge Computing bereitstellt.

Ergebnisse:

• Vollständig operatives Produktionssystem deployed auf der Fertigungsfläche
• Operative Verfahren und Wartungsprotokolle
• Continuous-Improvement-Prozess und Model-Monitoring-Framework
• Finaler Projektbericht mit Performance-Validierungsergebnissen

Roadmap

---
    config:
        gantt:
            barGap: 10
            fontSize: 18
            sectionFontSize: 18
            barHeight: 40
            leftPadding: 200
            numberSectionStyles: 2
---

gantt
    dateFormat  X
    axisFormat  Sprint %s
    tickInterval 1s

    section Machbarkeit
    SEW#colon; Zugriff auf IFM & Montronix Sensor auf Testmaschine bereitstellen    :crit, milestone, pilot1, 0, 0s
    Prozessanalyse            :ml2, 0, 1s
    Datenerfassung            :ml1, 0, 2s
    Datenqualitätsanalyse        :ml3, after ml2, 2s
    Erste Modellvalidierung          :ml4, after ml3, 2s
    Machbarkeitsvalidierung     :crit, milestone, after ml4, 0s

    section Machine Learning
    Auswertung & Präsentation   :ml6, after ml4, 1s
    Nächste Modell-Iteration          :ml5, after ml4, 2s

    section User Interface & Infrastruktur
    Entwicklung Pilotsystem                     :pilot1, after ml6, 5s
    Live Data Ingestion & Processing           :infra1, after pilot1, 1s
    Dashboard & Alerting                :infra2, after infra1, 1s
    Pilot Deployment                :infra3, after infra2, 2s
    SEW#colon; Zugriff auf Testmaschinen bereitstellen    :crit, milestone, testing0, after infra3, 1s
    Testing & Validation                        :pilot2, after infra3, 1s

    section Deployment & Rollout
    SEW#colon; Zugriff auf Infrastruktur bereitstellen    :crit, milestone, deploy0, after pilot2, 1s
    IT Deployment bei SEW           :deploy1, after deploy0, 1s
    Model Monitoring & Refinement         :deploy2, after deploy1, 2s
    Continuous Improvement Process etablieren     :deploy3, after deploy2, 1s

Arbeitspakete

Rollen und Kosten

Kosten für Machbarkeitsstudie

Rate Card

Es gilt die Rate Card aus dem Rahmenvertrag, Stand 2025: