Home Technology Zustandsüberwachung in der Cloud
Article
Licensed
Unlicensed Requires Authentication

Zustandsüberwachung in der Cloud

Verteiltes Condition Monitoring zur Steigerung der Maschinenverfügbarkeit
  • Eckart Uhlmann , Abdelhakim Laghmouchi , Eckhard Hohwieler and Claudio Geisert
Published/Copyright: April 19, 2017
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 111 Issue 3

Kurzfassung

Aufgrund der hohen Verfügbarkeitsanforderungen an Produktionsmaschinen wächst das Interesse an zustandsbasierter Instandhaltung. Der Einsatz von Zustandsüberwachungssystemen (Condition Monitoring-Systemen) zur Steigerung der Verfügbarkeit von Maschinen und zur Reduktion der Instandhaltungskosten spielt dabei eine entscheidende Rolle und hat in den letzten Jahren zugenommen. Da am Markt verfügbare und auf Industriesensoren basierende Lösungen meist anwendungsspezifisch, kostenintensiv und in der Inbetriebnahme aufwändig sind, wurde am Fraunhofer IPK ein Konzept für die Zustandsüberwachung in der Cloud entwickelt, das mithilfe von Einplatinen-Computern und MEMS-Beschleunigungssensoren (Mikro-Elektro-Mechanisches-System) als Sensorknoten eine preisgünstige und einfach zu handhabende Alternative darstellt.

Abstract

The use of condition monitoring approaches to increase the machine availability and reduce the maintenance costs, as well as to enhance the process quality, has increased over the last years. The installation of industrial sensors for condition monitoring reasons is complex and cost-intensive. Moreover, the condition monitoring systems available on the market are application specific and expensive. The aim of this paper is to present the concept of a wireless sensor network using Micro-Electro-Mechanical System sensors (MEMS) and Raspberry Pi 2 for data acquisition and signal processing and classification. Moreover, its use for condition monitoring applications and the selected and implemented algorithm will be introduced. This concept realized by Fraunhofer IPK, can be used to detect faults in wear-susceptible rotating components in production systems. It can be easily adapted to different specific applications because of decentralized data preprocessing on the sensor nodes and provision of data and services in the cloud. A concrete example for an industrial application of this concept will be represented. This will include the visualization of results which were achieved. Finally, the evaluation and testing of this concept including implemented algorithms on an axis test rig at different operation parameters will be illustrated.

Prof. Dr. h. c. Dr.-Ing. Eckart Uhlmann, geb. 1958, ist Leiter des Fachgebiets Werkzeugmaschinen und Fertigungstechnik am Institut für Werkzeugmaschinen und Fabrikbetrieb (IWF) der TU Berlin sowie Leiter des Fraunhofer-Instituts für Produktionsanlagen und Konstruktionstechnik (IPK) im Produktionstechnischen Zentrum Berlin.

Dipl.-Ing. Abdelhakim Laghmouchi studierte Informationstechnik im Maschinenwesen an der TU Berlin mit dem Schwerpunkt Regelungstechnik. Er ist seit 2010 am Fraunhofer IPK im Bereich Produktionssysteme als Wissenschaftlicher Mitarbeiter mit dem Ziel der Promotion tätig. Seine Schwerpunkte liegen im Bereich Condition Monitoring im Umfeld von Industrie 4.0.

Dipl.-Ing. Claudio Geisert studierte Elektrotechnik mit dem Schwerpunkt Mess- und Automatisierungstechnik. Er ist seit 2002 am Produktionstechnischen Zentrum Berlin als Wissenschaftlicher Mitarbeiter auf dem Gebiet der technischen Diagnose tätig. Im Vordergrund seiner Tätigkeit steht die Entwicklung maschinennaher Softwarelösungen zur Unterstützung der Instandhaltung. Seit 2014 leitet er am Fraunhofer IPK das Innovationsfeld Life Cycle Monitoring.

Dipl.-Ing. Eckhard Hohwieler studierte Elektrotechnik an der TU Berlin und ist seit Dezember 1981 Wissenschaftlicher Mitarbeiter am Fraunhofer IPK. Seit 1986 ist er am Institut Abteilungsleiter und derzeit im Geschäftsfeld Produktionssysteme verantwortlich für die Abteilung Produktionsmaschinen und Anlagenmanagement. Seine Forschungs- und Entwicklungsschwerpunkte befassen sich mit intelligenten Produktionssystemen, dem Condition Monitoring und der selbstorganisierenden Produktion mit vernetzten intelligenten Komponenten. Herr Hohwieler initiierte und leitet Forschungsprojekte zu Industrie 4.0 am Fraunhofer IPK.

References

1. Albarbar, A.; Mekid, S.; Starr, A.; Pietruszkiewicz, R.: Suitability of MEMS Accelerometers for Condition Monitoring: An Experimental Study. Sensors8 (2008) 8, S. 784–79910.3390/s8020784Search in Google Scholar PubMed PubMed Central

2. Chaudhury, S. B.; Sengupta, M.; Mukherijee, K.: Vibration Monitoring of Rotating Machines Using MEMS Accelerometer. International Journal of Scientific Engineering and Research (IJSER)2 (2014) 9, S. 5–11?Search in Google Scholar

3. Swathy, L.; Abraham, L.: Vibration Monitoring Using MEMS Digital Accelerometer with ATmega and LabVIEW Interface for Space Application. IJISET – International Journal of Innovative Science, Engineering & Technology1 (2014) 5Search in Google Scholar

4. Lee, H.-C.; Chang, Y.-C.; Huang, Y.-S.: A Reliable Wireless Sensor System for Monitoring Mechanical Wear-Out of Parts. IEEE Transactions on Instrumentation and Measurement63 (2014) 10, S. 2488–249710.1109/TIM.2014.2312498Search in Google Scholar

5. Strackeljan, J.; Goreczka, S.; Doguer, T.: Detection of Bearing Faults in High Speed Rotors Systems. In: Proceedings of the 9th International Conference on Condition Monitoring and Machinery Failure Prevention Technologies, CM 2012 London, UK, 12.06. – 14.06.2012Search in Google Scholar

6. Johannes Schmid, T.; Stork, W.; Hennrich, H.; Blank, T.: A Wireless MEMS-sensor Network CVoncept for the Condition Monitoring of Ball Screw Drives in Industrial Plants. In: Proceedings of the 8th International Conference on Embedded Networked Sensor Systems, SenSys2010, 03–05.11.201010.1145/1869983.1870056Search in Google Scholar

7. Keski-SänttiJ.; Parkkila, T.; Leinonen, J.; Leinonen PESKI-SÄNTTI, J.: Wireless Communication and MEMS Sensors for Cheaper Condition Monitoring and Prognostics of Charging Crane CRANE In: Proceedings of the 19th International Congress, Condition Monitoring and Diagnostic Engineering Management, COMADEM2006, S. 747–755Search in Google Scholar

8. Subimal, B.; Mainak, S.; Kaushik, M.: Vibration Monitoring of Rotating Machines Using MEMS Accelerometer. International Journal of Scientific Engineering and Research (IJSER)2 (2014) 9, S. 2347–3878Search in Google Scholar

9. Somol, P.; Novovicova, J.; Pudil, P.: Improving Sequential Feature Selection Methods Performance by Means of Hybridization. In: Proceedings of the 6th IASTED International Conference on Advances in computer Science and Engineering (ACSE 2010), Sharm El-Sheikh, Egypt 15.03–17.03.2010 10.2316/p.2010.689-001Search in Google Scholar

10. Kumar, P.; Kumar Jatoth, R.: Develompment of Cloud Based Light. Intensity Monitoring System Using Raspberry Pi. In: International Conference on Industrial instrumentation and Control (ICIC), 2015. College of Enginerring Puna, India, 28.05–30.05.201510.1109/IIC.2015.7150959Search in Google Scholar

11. Laghmouchi, A.; Hohwieler, E.; Geisert, C.; Uhlmann, E.: Intelligent Configuration of Condition Monitoring Algrorithms. In: WGP Congress 2015 „Progress in Production Engineering“, Hamburg, 07.09 – 08.09.2015Search in Google Scholar

12. Uhlmann, E.; Laghmouchi, A.: Entwicklungstool zur Konfiguration und Verknüpfung von Condition Monitoring-Algorithmen. ZWF110 (2015) 1–2, S. 23–2710.3139/104.111281Search in Google Scholar

13. Steinwart, I.; Christmann, A.: Suppert Vector Machines. Springer-Verlag, New York2008Search in Google Scholar

14. Shawe-Taylor, J.; Cristianini, N.: Kernel Methods for Pattern Analysis. Cambridge University Press, Cambridge200410.1017/CBO9780511809682Search in Google Scholar

15. Joachims, T.: Learning to Classify Text Using Support Vector Machines: Methods, Theory, and Algorithms. Kluwer Academic Publishers, 200210.1007/978-1-4615-0907-3Search in Google Scholar

Online erschienen: 2017-04-19
Erschienen im Druck: 2016-03-27

© 2016, Carl Hanser Verlag, München

Articles in the same Issue

  1. Editorial
  2. Der Entwicklung hinterher
  3. Inhalt/Contents
  4. Inhalt
  5. Fabrikplanung
  6. Steigerung der Energieflexibilität von Fabriken
  7. Kooperative Werksstrukturen nutzen
  8. Fabrikbewertung durch mathematische Modellierung
  9. Digitale Fabrikplanung für zukunftssichere und Industrie 4.0-fähige Produktionssysteme
  10. Zustandsüberwachung
  11. Auswertung mehrachsiger Belastungszustände zur Lebensdauerprognose von gentelligenten Bauteilen
  12. Produktionslogistik
  13. Flexible Prozessstandardisierung
  14. Materialflusssimulation
  15. Agentensysteme als Befähiger für Materialflusssimulationen
  16. Materialwirtschaft
  17. System zum proaktiven Bestandsmanagement
  18. Automobilindustrie
  19. Werkstoffflexibilität im Produktionssystem
  20. Dienstleistung
  21. Neue Wege durch Service Prototyping
  22. Bauteilrückverfolgung
  23. Methodik zur wertstromdurchgängigen Bauteilkennzeichnung
  24. Produktgestaltung
  25. Montagegerechte Produktgestaltung im Produktentwicklungsprozess
  26. Smart Factory
  27. Digitalisierung der Fabrik – Industrie 4.0
  28. Zustandsüberwachung in der Cloud
  29. Prozessdigitalisierung
  30. Digitale Revolution – Erfolgreiche Umsetzung über Organisation 4.0
  31. Produktionsplanung
  32. Optimale Produktion mit Blick aufs Ganze
  33. Vorschau/Preview
  34. Vorschau
https://doi.org/10.3139/104.111463

Articles in the same Issue

  1. Editorial
  2. Der Entwicklung hinterher
  3. Inhalt/Contents
  4. Inhalt
  5. Fabrikplanung
  6. Steigerung der Energieflexibilität von Fabriken
  7. Kooperative Werksstrukturen nutzen
  8. Fabrikbewertung durch mathematische Modellierung
  9. Digitale Fabrikplanung für zukunftssichere und Industrie 4.0-fähige Produktionssysteme
  10. Zustandsüberwachung
  11. Auswertung mehrachsiger Belastungszustände zur Lebensdauerprognose von gentelligenten Bauteilen
  12. Produktionslogistik
  13. Flexible Prozessstandardisierung
  14. Materialflusssimulation
  15. Agentensysteme als Befähiger für Materialflusssimulationen
  16. Materialwirtschaft
  17. System zum proaktiven Bestandsmanagement
  18. Automobilindustrie
  19. Werkstoffflexibilität im Produktionssystem
  20. Dienstleistung
  21. Neue Wege durch Service Prototyping
  22. Bauteilrückverfolgung
  23. Methodik zur wertstromdurchgängigen Bauteilkennzeichnung
  24. Produktgestaltung
  25. Montagegerechte Produktgestaltung im Produktentwicklungsprozess
  26. Smart Factory
  27. Digitalisierung der Fabrik – Industrie 4.0
  28. Zustandsüberwachung in der Cloud
  29. Prozessdigitalisierung
  30. Digitale Revolution – Erfolgreiche Umsetzung über Organisation 4.0
  31. Produktionsplanung
  32. Optimale Produktion mit Blick aufs Ganze
  33. Vorschau/Preview
  34. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2026 De Gruyter Brill
Downloaded on 13.2.2026 from https://www.degruyterbrill.com/document/doi/10.3139/104.111463/html
Scroll to top button