• Anomalieerkennung bei der KSB

    Entwicklung intelligenter Services basierend auf Sensordaten

    Anomalieerkennung KSB

Der Kunde: KSB

Die KSB SE & Co. KGaA gehört als börsennotiertes Unternehmen zu den führenden Herstellern von hochwertigen Pumpen, Armaturen und zugehörigen Systemen.

KSB ermöglicht seinen Kunden mit dem smarten Monitoring-Service „KSB Guard“ ihre Pumpen remote zu überwachen und öffnet somit eine Tür zur IoT-Welt. Die Lösung besteht aus einer Sensorik, einem Gateway sowie einem Web-Portal / einer App. Die Sensorik wird direkt an der Pumpe oder anderem Rotating Equipment – unabhängig vom Hersteller – befestigt.

Die KSB Guard Sensorik misst alle relevanten Daten. Diese werden über das KSB Guard Gateway und die KSB-Cloud an die App bzw. das KSB Guard Web-Portal weitergeleitet.

Über das Web-Portal bzw. die App können Betreiber ihre Pumpen überwachen und bekommen zudem smarte Services zur Verfügung gestellt, die kontinuierlich weiterentwickelt werden. Bei der Entwicklung dieser smarten Services sowie deren Dateninfrastruktur unterstützt der Bereich Industrial Analytics & IoT der esentri AG die KSB.

Erfahren Sie mehr über die KSB

Auf einen Blick

Unsere Cloud Platforms Services bieten Infrastructure-as-Code

Herausforderung

Die KSB Guard Sensorik wird an verschiedensten Pumpentypen angebracht und die Pumpen wiederum werden für unterschiedlichste Anwendungsfälle eingesetzt. Um trotz dieser Diversität gute Ergebnisse zu erzielen, sollte im Rahmen des Projektes ein Algorithmus entwickelt werden, der nach einer gewissen Zeit das individuelle Schwingungsverhalten einer Pumpe erlernt. Basierend auf dem erlernten Schwingungsverhalten sollten dann intelligente Alarming-Grenzwerte der Schwingung der Pumpe berechnet werden.

Cloud Native Flexibilität

Lösung

Es wurde ein Algorithmus entwickelt, der im Zeitverlauf das typische Schwingungsverhalten für jede Pumpe individuell erlernt und darauf aufbauend statistische Schwingungsgrenzwerte berechnet, die nicht überschritten werden sollten. Diese Schwingungsgrenzen werden anhand der in der Cloud neu ankommenden Schwingungsdaten kontinuierlich adjustiert, d.h. neue Datenerkenntnisse fließen direkt in den Service bzw. das Data Product ein.

Agile Integration für eine zukunftsorientierte Integrationsstrategie

Nutzen

Wird der pumpenindividuelle Grenzwert von der tatsächlich gemessenen Schwingung überschritten, erhält der Endkunde in Echtzeit eine Benachrichtigung und kann entsprechend frühzeitig gegensteuern. Außerdem wird der KSB Support benachrichtigt, der dann die Pumpe genauer untersuchen und ggf. Kontakt zum Kunden aufnehmen kann. Dadurch können Anomalien frühzeitig erkannt und Ausfälle vermieden werden.

Unsere Lösung

Welche Probleme können wir mit diesem Vorgehen lösen?

Vor der Umsetzung der Lösung wurden statische Schwingungsgrenzwerte für die Erkennung von Anomalien verwendet. Allerdings erfordert dies hohen manuellen Aufwand, da man die Grenzwerte für jede einzelne Pumpe immer wieder bei neuen Betriebspunkten oder kleinen Änderungen in der Gesamtanlage händisch anpassen muss. Dies hat zur Folge, dass entweder viel manueller Aufwand in das Adjustieren der Grenzwerte gesteckt wurde oder veraltete Grenzwerte galten, die dem aktuellen Schwingungsverhalten der Pumpe nicht mehr gerecht werden.

Daher war es notwendig, einen Algorithmus zu entwickeln, der das pumpenindividuelle Schwingungsverhalten erlernt und daraus automatisiert einen zuverlässigen und intelligenten Schwingungsgrenzwert ableitet.

Anomalieerkennung, KSB
Anomalieerkennung KSB

Wie sieht die Lösung konkret aus?

Zunächst einmal musste das Problem gelöst werden, dass bei datentechnisch komplexen Pumpen wie z.B. solche, die auch im Aus-Zustand starken Schwingungen aufgrund von Nachbarschaftspumpen unterliegen, eine valide Aussage zum Betriebsstatus der Pumpe sehr schwierig war. Um dieses Problem zu lösen, wurde eine Realtime Betriebsstatusschätzung, basierend auf einem Machine Learning Ansatz entwickelt. Um dabei einer 100 %-Lösung möglichst nahezukommen, wurde eine Architektur gewählt, die das Wissen durch Datenlabelling des KSB Support-Team kontinuierlich in das Modelltraining einbezieht. Als Resultat konnte eine sehr präzise Schätzung des Betriebsstatus der Pumpen erzielt werden und damit bereinigte Ausgangsdaten für die weitere Anomalieerkennung.

Im nächsten Schritt wurde ein Algorithmus entwickelt, der im Zeitverlauf das typische Schwingungsverhalten für jede Pumpe individuell erlernt und darauf aufbauend statistische Schwingungsgrenzwerte berechnet, die nicht überschritten werden sollten. Dadurch wird der Endkunde stets informiert, sobald ungewöhnliche Schwingungsmuster auftreten und kann diese frühzeitig überprüfen und gegebenenfalls Gegenmaßnahmen einleiten.

Welchen Mehrwert bietet die Lösung?

Die hohe Präzision des Schätzers des Betriebspunktes bewirkt eine Steigerung der Datenqualität. Denn die Information über den Betriebsstatus der Pumpe dient als Grundlage für jeden weiteren intelligenten Service und kann außerdem zur Berechnung von Kennzahlen wie der OEE (Overall Equipment Efficiency) dienlich sein.

Der Service für Anomalieerkennung befähigt den Kunden zur vorausschauenden Wartung (Predictive Maintenance) und verringert dadurch die Häufigkeit von Maschinenausfällen und Stillstandszeiten.

Jochen Mades, Leiter Anwendung-& Technologieentwicklung bei KSB SE & Co. KGaA

Das sagt KSB über uns

„KSB Guard ist für uns ein wichtiger Schritt unseren Kunden wertvolle Information über den Zustand Ihrer Maschinen bereitzustellen. Durch die vertrauensvolle Partnerschaft mit den Data & AI Experten von esentri bringen wir kontinuierlich mehr Intelligenz in unsere Produkte und Services.“

Jochen Mades
Leiter Entwicklung von Kompetenzplattformen, KSB SE & Co. KGaA

Mehr Informationen zum Thema Industrial Analytics & IoT

Unsere Leistungen

Erfahren Sie mehr über unser Portfolio im Bereich Industrial Analytics & IoT und wie wir Unternehmen dabei unterstützen, die Chancen der Digitalisierung in der Produktion zu nutzen.

>  Zu den Leistungen

Haben Sie Fragen zu diesem Data Science Projekt?

Haben Sie einen ähnlichen Anwendungsfall in Ihrem Unternehmen oder möchten mehr über Anomalieerkennung mittels Machine Learning erfahren? Lassen Sie uns in einem unverbindlichen Gespräch über die Anforderungen in Ihrem Unternehmen sprechen und gemeinsam erste Handlungspotenziale ableiten.

Persönliches Gespräch vereinbaren
Niclas Hörmann, Head of Business Development bei esentri AG

Niclas Hörmann
Head of Business Development