Det är i det EU-finansierade projektet SelSus som forskare från Fraunhofer Institute for Manufacturing Engineering och Automation IPA samarbetar med ett konsortium med partners från annan forskning och industri för att utveckla underhållsteknik som kan förutse maskiners stopptider i produktionen innan de uppstår.

Oförutsedda maskinfel under pågående produktion leder till reparationer, driver upp kostnader, påverkar leveranssäkerheten negativt och i slutändan försämrar företagens konkurrenskraft. Ofta är problemet bara en liten defekt eller normalt slitage, men om de lämnas oupptäckta kan dessa leda till stora störningar.Det behövs ett diagnostiskt förfarande som kan övervaka statusen för alla komponenter i produktionslinjen, identifiera problem och svaga punkter och informera den ansvariga medarbetaren i tid. Underhållspersonal kan då fatta beslut och vidta riktade åtgärder för att reparera defekten - helst utan att behöva avbryta produktionen.

- Projektets mål är inte bara att övervaka statusen för maskinerna och komponenterna. Med hjälp av intelligenta mjukvaru- och sensornätverk är planen att upptäcka potentiella svaga punkter eller tecken på slitage tidigt så att systemet kan förutsäga potentiella funktionsfel, förklarar Martin Kasperczyk från Fraunhofer IPA.

Systemet ger direkt förslag på hur man åtgärdar problemet. De data som behövs för att övervaka maskiners status tillhandahålls delvis av sensorer. De mäter värden som energiförbrukning, temperatur, oljetryck, partiklar i oljan eller vibrationer. Systemet kan även skicka kontrollimpulser till enskilda maskiner.

- En av de största utmaningarna har varit att analysera den stora mängden data. När allt talar, pratar vi här om att förutsäga funktionsfel eller kapaciteter på maskiner med hög grad av tillförlitlighet. Du kommer inte dit bara genom att programmera ett par algoritmer, säger Martin Kasperczyk.Experterna tror på bayesiska nätverk. Ett bayesiskt nätverk är en matematisk modell som kan användas för att beräkna sannolikheten för att en viss händelse uppstår. Med hjälp av sensordatan beräknar programvaran exempelvis sannolikheten för att en specifik högspänningskabel går av inom en snar framtid och, vid behov, signalerar att den måste bytas ut.

Men SelSus-programvaran bygger inte bara på sensorer. Det tar också hänsyn till maskinens tekniska egenskaper och prestandaparametrar. Dessa data måste fångas under installation och konfiguration av systemet.

Vidare berättar en omfattande provkörning hur systemet och dess komponenter beter sig i kontinuerlig drift och under belastning. Endast då är den klar för användning. Programvaran registrerar även nya data, som till exempel resultat av maskinuppgraderingar eller försämrad prestanda på grund av slitage, vilket gör att systemet kan lära sig.Projektpartnern Manufacturing Technology Center, i Coventry i Storbritannien, har skapat ett system med självläkande förmåga. I en motorproduktionsanläggning är en dispenser fäst vid en robotarm med hjälp av vakuum. Om dispensern möter motstånd reagerar den flexibelt, snarare än att brytas av. Den förlorar vacuumgreppet och faller några centimeter tills den stoppas av fjädrar. Fjädrarna drar sedan dispensern tillbaka till sin ursprungliga position. Efterföljande kalibrering säkerställer att verktyget är i rätt läge - och efter det korta avbrottet fortsätter arbetsprocessen.

SelSus har fått nästan 5,4 miljoner euro i finansiering från Europeiska kommissionen.