Eugen Albisser — Es ist eine grosse Frage, die sich derzeit viele stellen, die sich mit Instandhaltung auseinandersetzen: Wie kann man Kosten minimieren und die Verfügbarkeit der Anlagen und Maschinen erhöhen? Das Richtige tun in der Instandhaltung ist also gefragt, und genau dafür sind Fachmessen wie die Maintenance unter anderem geschaffen worden.

Antworten auf Fragen bekommt man dort bei den Ausstellern direkt oder im so genannten ScienceCenter, das mit einem reichhaltigen Programm aufwartet. An zwei Tagen werden dort wichtige Themen in Vorträgen behandelt. Zum Beispiel wird ZHAW-Professor Christoph Heitz, Leiter des Business Engineering and Operations Management, über den eben genannten «Spagat zwischen Kostenminimierung und Verfügbarkeitserhöhung» sprechen. Im Vortrag werden die Thematik methodisch beleuchtet und ein Ansatz vorgestellt, der an der ZHAW entwickelt wurde und sich in der Praxis bewährt.

Erfahren, wie Daten Mehrwerte erzeugen

Bei den Vorträgen darf auch die ganze Digitalisierung und das IoT nicht vergessen werden: «Wie Unternehmen vom Internet der Dinge und künstlicher Intelligenz profitieren können» heisst der Vortrag von Ralf Günthner von der Swisscom. Günthner wird aufzeigen, wie eine Industrial-IoT-Suite als Enablement-Plattform für Industrie 4.0 aussehen muss, sodass durch die vielen neu generierten Daten auch Mehrwerte für die Unternehmen erzeugt werden können. Der Fokus des Vortrags liegt auf einem umgesetzten Kundenbeispiel, anhand dessen gezeigt wird, wie ein Produkt «responsive» gemacht wurde und welcher Mehrwert für das Unternehmen und dessen Kunden daraus generiert werden konnte.

Solids — neuer Name und neues Logo

Parallel zur Messe Maintenance Schweiz treffen am 7. und 8. Februar 2018 in der Halle 4 der Messe Zürich zum sechsten Mal nationale und internationale Anbieter von Technologien der Schüttgutverarbeitung, des Handlings, der Lagerung, der Verpackung und des Transports auf Schweizer Entscheidungsträger. Um die Bedeutung der Messe in der Schüttgutbranche noch mehr hervorzuheben, hat sie sich mit dem internationalen Namen Solids und einem neuen Logo gewappnet. Im Zentrum der Fachmesse stehen die vielfältigen Verarbeitungs- und Verfahrensschritte von grob- bis feinstkörnigen Materialien. Fachbesucher finden die aktuellsten Produkte u. a. zum Thema Wiegen und Mischen, Filtern und Zerkleinern von Schüttgütern. Lösungen zum Fördern, Lagern und Verpacken sowie Sicherheits- und Umweltfragen runden das Themenspektrum ab.

Explosionsschutz als grosses Thema

Auch im ScienceCenter bei der Solids reiht sich Vortrag an Vortrag. Eines der grossen Themen ist der Explosionsschutz. «Um Explosionen und deren Gefahren wirklich identifizieren zu können, braucht man gewisse Kenndaten. Stäube und Gase haben unterschiedliche Charakteristika, was deren Entflammung oder Zündung angeht. Deshalb ist es wichtig, sich damit auszukennen. Wer den Vortrag gehört hat, kann sich ein viel besseres Bild machen», heisst es im Programm unter dem Vortrag von Georg Suter vom TÜV-Süd. Wer sich gesamthaft ein besseres Bild über die neuen Methoden in der Instandhal­tung und in der Schüttguttechnik machen will, der ist also Anfang Februar in Zürich gut aufgehoben.

Mit der Digitalisierung hat die Instand­haltung einen grossen Sprung gemacht. Die vorausschauende Wartung und der digitale Zwilling sind da zwei Schlagworte, die mit diesem Schub verbunden werden. Doch noch immer sind viele Firmen auf der Suche nach überzeu­genden Tools, um ihre Instandhaltung auf ein neues Level zu hieven. Dass dies ziemlich einfach geht und zwei verschiedene Ansätze haben kann, zeigt die Firma Lenze. Remo Achermann, Verkaufs­leiter bei der in Uster beheimateten Firma, erklärt die beiden Lösungen und die damit verbundenen Vorteile.

Herr Achermann, die Instandhaltung und die weiteren Themen rund um den Service von Anlagen und Maschinen haben mit der Digitalisierung eine neue Bedeutung bekommen. Plötzlich reden alle davon, und innerhalb der Indu­strie 4.0 ist insbesondere die voraus­schauende Wartung eine der Vorzeigeanwendung geworden. Wie haben Sie diesen Wandel mitbekommen?
Wir haben inzwischen so viele elektro­ni­sche Komponenten, die immer intelligenter und günstiger werden, dass der Gedanke an Predictive Maintenance, also vorausschauende Wartung, kommen musste. Interessant ist in diesem ­Zusammenhang aber sicherlich, dass man begriffen hat, dass sich durch die Digitalisierung — oder eben auch spezifisch über die Instandhaltung und die dahinter­liegenden Services — auch neue Geschäftsmodelle entwickeln lassen.

Für Lenze hatte die Instandhaltung schon immer eine grosse Bedeutung. Hat sich in den letzten Jahren da etwas geändert?
Was sich geändert hat, sind die Rahmenbedingungen und die Anforderungen an die Lieferanten. So stellen wir heute z. B. den Anspruch an uns, dass unsere Produkte mehr Funktionalität aufweisen und dennoch einfacher zu bedienen und zu warten sein müssen. Denn immer öfter fehlen im Feld draussen qualifizierte Mitarbeiter, welche ein tiefes technisches Verständnis mitbringen.

Das würde auch bedeuten, dass man die Instandhaltung so anlegt, dass man diesen Mitarbeitern bei der Fehlersuche konsequenter helfen kann?
Das ist so. Einerseits sind ja generell Pro­duktionsausfälle gerade in den Hochpreisländern mit enormen Kosten verbunden. Wir sind also angehalten, Lösungen zu finden, welche eine schnelle Störungsbehebung ermöglichen – und dies trotz sinkendem technischem Verständnis. Zudem haben viele Firmen eine immer kleiner werdende Ersatzteilbevorratung in den Produktionsstätten. Daher sind auch kurze Beschaffungszeiten immer wichtiger. Folglich lautet das Ziel, einen möglichen Maschinenstillstand schon frühzeitig zu erkennen und ­Stillstandzeiten möglichst nur noch für geplante Wartungsintervalle zu haben.

Lenze hat für diese Früherkennung ein Tool, das zusammen von der amerikanischen Firma EI3 entwickelt wurde. Für wen ist dieses Tool gedacht?
Da es ein Tool ist, welches Daten direkt aus der Steuerung herauslesen kann und sicher und verschlüsselt in die Cloud transportiert, ist die Software vor allem interessant für OEM, die zum Beispiel Predictive Maintenance in ihre Maschinen einbauen wollen. Im Rahmen eines Servicevertrags kann der Maschinenbauer sämtliche Daten sammeln, auf die Lenze-Controller Zugriff haben, diese auswerten und dem Kunden zur Verfügung stellen. Sei es als aktuelles Dashboard, in Form von Reportings und Kennzahlen oder als Grundlage einer Beratung zur Optimierung von Anlagen und Prozessen.

Das ist eine schlüsselfertige Lösung?
Ja. Es gibt dazu auch definierte Schnittstellen wie OPC UA, und damit kann ich schnell und ohne grossen Aufwand in die Welt der Predictive Maintenance einsteigen. Der Maschinenbauer muss keinerlei IT- oder Big-Data-Kenntnisse mitbringen. Er konfiguriert lediglich die gewünschten Datenpunkte in der benötigten Applikation, und schon beginnt die Datensammlung.

Wie sieht es mit der Analyse der Daten aus? Bekommt man da eine Hilfestellung von Lenze?
Ja, in der Tat. Aber am Anfang stellt sich für einen Maschinenbauer die Frage, wie weit er mit der Predictive Maintenance gehen möchte. Man kann vieles auswerten, aber irgendwo muss man den Ertrag dem Aufwand gegenüberstellen. Wichtig ist jedoch, dass die Datensammlung schnell beginnen kann und die üblichen Kenn­zahlen und Auswertungen wie OEE, Auslastung und Verfügbarkeit oder Track & Trace sofort zur Verfügung stehen.

Man braucht keine zusätzliche Hardware zu installieren?
Um eine schlaue Aussage machen zu können, muss man schon überlegen, ob es zusätzliche Daten braucht, die noch fehlen. Diese Frage muss man sich als Maschinen­bauer natürlich zuerst stellen, und da helfen wir auch mit ­unserem Fachwissen besonders im Bereich der Antriebstechnik.

Kann man sich zu Beginn die Frage stellen, welche Analyse man von so einem Tool erwartet?
Im Prinzip ja, denn schlussendlich ist es tatsächlich wichtig zu definieren, was man erwartet, was man darstellen möchte. Und je nachdem erstellen wir den Weg von den Daten über die Analyse und die Algorithmen bis hin zur Darstellung im Dashboard.

Welche Rolle spielt es, ob die Daten, die ausgewertet und dargestellt werden sollen, von Komponenten von Lenze kommen?
Keine. Wir können grundsätzlich alle Daten auswerten, die in der Cloud sind.

Auch beim zweiten Tool, das Lenze für die Instandhaltung anbietet, spielt die Cloud eine Rolle. Aber dort geht es nicht um Predictive Maintenance, sondern um den schnellstmögliche Hilfe bei einem Stillstand. Dazu muss man irgendwo — in diesem Fall in der Cloud — einen digitalen Zwilling haben. Können Sie erklären, warum das so ist?
Bei unserem sogenannten «Lenze Remote Service Advanced» spielt der digitale Zwilling tatsächlich eine grosse Rolle. Dieser entsteht durch eine Bestandes­aufnahme der gesamten Maschine beziehungsweise einer Anlage. Sämtliche Daten werden mittels der «Lenze Remote Service Advanced»-­Software erfasst. Es werden also Akten über alle Maschinen hinterlegt, was die gesamte Anlage im Überblick abrufbar macht, und zwar in einer Baumstruktur. Diese Daten werden in einer Cloud abgelegt, damit man im Störungsfall von überall her auf die notwendigen Daten zugreifen kann.

Der digitale Zwilling soll also helfen, die Stillstandzeit erheblich zu verkürzen. ­Welches «Wissen» muss also in die Cloud, damit der digitale Zwilling ­entsteht?
Die grundlegenden Informationen wie Seriennummer, Gerätekennzeichnung, Einbaulagen-Fotos und Funktionsbereich werden vor Ort mittels der Lenze-Inventory-­­App aufgenommen. Dieser Datenstamm kann anschliessend sinn­vollerweise mit weiteren wichtigen Daten ergänzt werden. Dies können z. B. Informationen wie Lieferzeiten, Ver­füg­barkeit, Wartungsintervalle, Lebens­zyklus der Komponente oder Dokumentationen wie Bedienungsanleitungen sein.

Diese Daten werden während dieses Assets zusammengestellt. Auch hier spielt es, wie beim EI3, keine Rolle, von welchem Anbieter die Komponenten kommen?
Nein. Hinter den digitalisierten Kom­ponenten lassen sich weitere spezifische Informationen ablegen. Man kann so auch zu Produkten, die nicht von Lenze stammen, Bedienungsanleitungen, technische Datenblätter, Störungstabellen mit Abstellmassnahmen, Stromlaufpläne und natürlich auch die entsprechenden Systemprogramme hinterlegen.

Wie bleibt der digitale Zwilling immer auf dem neusten Stand?
Wird z. B. ein defektes Gerät durch ein neues ersetzt, lässt sich der digitale Zwilling einfach mit den neuen tat­sächlichen Daten abgleichen. Eine VPN-­Ver­bindung zum Backend genügt, und schon sind alle Daten wieder aktualisiert.

Wir reden hier von Daten in der Cloud. Wie sieht es mit der Sicherheit aus?
Sämtliche Daten werden genauso sicher verschlüsselt, wie wir es von E-Banking Transaktionen kennen und sind somit vor Missbrauch geschützt. Zudem entscheidet der Anwender selber, wann er online geht. D. h. er kann z. B. im Störungsfall die Datenverbindung zur Cloud aufbauen und nach der Behebung gleich wieder unterbrechen. Da sämtliche Leistungen autark beim Anwender laufen, bedarf es keiner permanenten Datenanbindung.

Konkret: Was passiert, wenn eine Maschine stillsteht?
Als erstes versucht der Instandhalter, die Störung zu beheben. Dabei bedient er sich der Mittel, welche der OEM oder Lenze hinterlegt haben. Kann er allein das Problem nicht lösen, löst er ein Ser­vice-­Ticket aus. Dadurch wird ein Service-Mitarbeiter des Maschinenbauers oder von Lenze virtuell kontaktiert. Über eine verschlüsselte Remote-Verbindung kann er transparent auf die Maschinen­daten zugreifen. Monitoring-­Daten können so zusätzlich von einem Experten analysiert und interpretiert werden.

Welche Rolle spielt der Einsatz von Wearables wie Smartphone oder Tablets beim Beheben einer Störung?
Der Servicetechniker kann dadurch auf der Remoteseite live und 1:1 ins Geschehen eingreifen. Der Instandhalter liefert dafür wertvolle Informationen wie z. B. Bilder. Dabei kann er sich frei bewegen und wird nicht von einem PC eingeschränkt. Der Instandhalter kann sicher und schnell durch die Maschine navigiert werden. Dabei können ihm wertvolle Informationen auf einfache Weise auf dem Smartphone oder Tablet eingeblendet werden.

Neben dem Einsatz bei Störungen ist natürlich das Monitoring selber ein wichtiger Bestandteil einer solchen Lösung. Was kann man da erwarten?
In der Tat ist das Monitoring ein immer wichtigerer Aspekt. Bei dieser Lösung werden die Daten allerdings auf dem Anwender-PC und nicht wie bei vielen anderen Anbietern in der Cloud gespeichert. Die entsprechenden Infor­mationen lassen sich anschliessend auf kundenspezifischen Dashboards darstellen. Je nach Verantwortungsbereich können diese dann eingeschränkt bzw. gefiltert werden. So hat der Instandhalter beispiels­weise alle Alarme und die Performance der Anlage und der Schichtführer oder Werksleiter die OEE-Daten in Sicht.

Kann man sagen, dass Instandhal­tungslösungen signifikante Kosten­ersparnisse bringen können?
Das ist so, dass sich dadurch enorme Kosten sparen lassen. Denn in vielen Fällen muss kein Servicetechniker mehr angefordert werden, was zu massiven Zeitersparnissen und zu einer Erhöhung der Maschinenverfügbarkeit führt.

Kann man konkrete Zahlen nennen?
Wir stellen immer wieder fest, dass wir wegen sehr banaler Sachen ausrücken müssen: Irgendwo ist ein Unterbruch in einem Kabel, weil es von einem Stapler zerquetscht wurde, oder irgendwo ist ein Sensor verstellt. Wenn ich hier die Möglichkeit habe, mittels digitalem Zwilling und remote zu arbeiten, als wäre ich vor Ort — und das ist mit dem Tool machbar —, dann kann ich viele solcher Einsätze streichen. Es hat sich jedenfalls erwiesen, dass bis zu 80 Prozent aller Servicetechniker-Einsätze dank einem solchen Tool vermieden werden können.

Vielen Dank für das Gespräch, Herr Achermann.

Vom Kühlschlauch bis zum Scheibenwischerblatt: Kautschukmischungen spielen sowohl in der Industrie als auch im all­täglichen Leben eine wichtige Rolle. Hergestellt werden die Werkstoffe unter anderem in den Walzwerken der Gummiwerk Kraiburg GmbH & Co. KG. Dort bewegen bereits seit einiger Zeit hydraulische Hägglunds-Radialkolbenmotoren von Bosch Rexroth die Walzwerke, die die Gummimischungen homogenisieren und auswalzen. Als Kraiburg ein neues Walz­werk in den Maschinenpark einführen wollte, standen ein zukunftsorientiertes Wartungskonzept sowie eine hohe Energieeffizienz im Fokus. Predictive Maintenance mit dem Online Diagnostics Network (ODiN) und ein Frequenzumrichter von Rexroth haben beides möglich gemacht.

Zukunftsfähige Wartung

«Da unsere Walzwerke fast durchgängig im Dreischichtbetrieb laufen, spielt die Maschinenverfügbarkeit eine extrem wichtige Rolle», erklärt Günther Beisser, der bei Kraiburg in der Anlagenplanung arbeitet. «Schliesslich verzögern Ausfälle bei einer einzigen Maschine den gesamten Produktionsprozess und verursachen so am Ende extrem hohe Kosten.» Um das zu verhindern, werden Maschinen übli­cherweise nach einer bestimmten Anzahl an Betriebsstunden gewartet. Wie das anders gehen kann, wollte Kraiburg beim neuen Walzwerk herausfinden und machte deshalb bei der Wartung einen Schritt in Richtung Zukunft.

Mit seinen Angeboten zu Condition Monitoring und Predictive Maintenance bietet Bosch Rexroth individuell auf Kundenwünsche angepasst verschiedenste Optionen, Wartung und Instand­haltung vorausschauend zu gestalten. Die Möglichkeiten reichen dabei von der Ausstattung der Anlagen mit intelligenten Sensoren und Komponenten über die Implementierung von Condition Monitoring beim Kunden bis hin zur Analyse der Daten durch Bosch Rexroth. Im Rahmen von ­Servicevereinbarungen werden diese Methoden je nach Kundenwunsch mit regelmässigen Reports und unterschiedlich enger Betreuung durch Servicetechniker von Bosch Rexroth kombiniert.

Analyse von verschiedenen Sensordaten

Kraiburg setzt für seine neue Anlage auf ODiN (Online Diagnostics Network), Pre­dictive Maintenance von Rexroth. Kern­gedanke dieses Dienstleistungspakets ist es, Wartungsarbeiten durch das Zusammenspiel von Sensorik, cloud-basierten Anwendungen und Machine-Learning-­Methoden auszuführen, bevor ein Stillstand eintritt. Bei Kraiburg erfassen in der neuen Anlage dafür zunächst diverse Sensoren detaillierte Daten zum Ölbehälter, den Pumpen, Motoren und dem elektrischen Antrieb. Gemessen werden unter anderem Tem­peraturen, Ölstände, Volumenströme und Drücke. Die so gesammelten Daten werden an einen Bosch-Rexroth-Server geschickt und dort mittels komplexer Algorithmen analysiert.

Ein wichtiges Anliegen von Kraiburg war es, die Daten nicht über das firmen­eigene Netzwerk zu übermitteln, also wurde entschieden, ein separates System zu nutzen. Deshalb überträgt nun ein un­abhän­giges GSM-Modul die erhobenen Infor­ma­tionen in die Cloud, ohne in die IT-Infrastruktur von Kraiburg einzugreifen. Die gesammelten Daten werden für jeden Kunden separat verarbeitet und verschlüsselt ans ODiN-System übertragen. Die Speicherung und Verarbeitung der Daten erfolgt auf gründlich abgesicherten Servern von Bosch unter Einhaltung der strengen Datenschutzrichtlinien des Konzerns.

Clevere Vorhersage

Nach der Installation des neuen Walzwerks sammelte ODiN in einer mehrmonatigen Trainingsphase zunächst Daten zu allen überwachten Komponenten. Auf Grundlage dieser Signale ermittelt ein Machine-­Learning-Algorithmus einen normalen «Gesundheitszustand» für das Walzwerk. Nach der Einlernphase erhebt ODiN mit einem datenbasierten Modell dann kontinuierlich den Health Index des Walzwerks. Bricht nur ein einzelner Messwert kurz­zeitig aus dem Toleranzband aus, führt das nicht unbedingt zu einer — eventuell unbegründeten — Warnung, da Verschleiss selten mit einem einzigen Signal erfasst werden kann. Verschlechtert sich der Health Index aber, weil sich die Daten mehrerer Sensoren verändern, warnt das System vor einem Problem — selbst wenn die einzelnen Veränderungen innerhalb der definierten Grenzen liegen.

Dabei zeigt der Health Index nicht nur den Zustand des eigentlich überwachten Aggregats an, sondern auch schleichende Veränderungen der vor- und nachge­lagerten Bauteile. Wenn Bewegungen über die Zeit länger dauern oder mehr Kraft erfordern, ist das ein Hinweis auf einen Verschleiss in der Mechanik oder Hydraulik. ODiN gibt in den regelmässig erstellten Health-Index-Berichten durch Machine Learning entsprechende Hinweise und hilft, konkrete Handlungsempfehlungen zu erstellen. «Einen Vorteil bietet uns ODiN auch deshalb, weil Bosch Rexroth dadurch genau die gleichen Daten vor­liegen wie uns», erklärt Beisser. «In einem Störfall half uns das bereits sehr, weil uns ein Techniker von Bosch Rexroth aufgrund der gleichen Datenbasis präzise Hinweise geben und wir die Störung so selbst ohne einen Technikereinsatz vor Ort beheben konnten.»

Sparsamer Betrieb

Eine höhere Effizienz erreicht Kraiburg nicht nur bei der Wartung, sondern auch beim Betrieb des neuen Walzwerks. Der Grund dafür ist die Erweiterung des in der Maschine verbauten Hägglunds-Antriebs von Rexroth um einen Frequenzumrichter IndraDrive ML. Er sorgt gemeinsam mit der Hydraulikpumpe dafür, dass das Hägglunds- Antriebssystem unabhängig von der Last immer im optimalen Wirkungsgradbereich betrieben wird. Das ist für das Walzwerk bei Kraiburg deshalb besonders wichtig, weil es häufig nicht an seiner maximal ausgelegten Leistung arbeitet, sondern auch in geringeren Drehzahlbereichen. Gerade dort steigt die Effizienz durch die intelligente Kombination der Technologien von Rexroth.

boschrexroth.com Bilder: Bosch Rexroth AG

Mit Machine Learning (ML) und Deep Learning (DL) lassen sich von diesen Teams komplexe Modelle von einem oder mehreren Systemen mithilfe eines datengesteuerten Ansatzes erstellen. Statt physikalisch basierte Modelle zur Beschreibung des Systemverhaltens zu verwenden, leiten ML- und DL-Algorithmen das Modell eines Systems aus Daten ab. Herkömmliche ML-­Algorithmen sind nützlich, wenn die zu verarbeitende Datenmenge relativ klein und die Komplexität des Problems gering ist. Aber was ist bei grösseren Problemen mit viel mehr Daten wie dem autonomen Fahrzeug? Diese Herausforderung erfordert DL-Techniken. Dieser Artikel zeigt auf, wie diese neue Technologie in die nächste Ära eines Steuerungs-Designs und das Industrial Internet of Things (IIoT) drängen wird.

Zustandserfassung unterstützt Fehleranalyse

Als Erstes wird eine Anwendung der ML-­Technologie für die zustandsorientierte Überwachung von Industrie-Anlagen beleu­chtet. ML hat dabei geholfen, zustands­basierte Überwachungsanwendungen von der Ära der reaktiven und präventiven Wartung zu einer Ära der vorbeugenden Instandhaltung zu überführen. Diese Techniken werden verwendet, um anomales Verhalten zu erkennen, Probleme zu diagnostizieren und bis zu einem gewissen Grad die Restnutzungsdauer von Industrieanlagen wie Motoren, Pumpen und Turbinen zu prognostizieren. Der Ablauf für die Entwicklung und Bereitstellung von Modellen auf Basis von ML ist im Bild 1 dargestellt.

Wie wird dieser Workflow genutzt, um den Zustand eines Motors zu überwachen? Die Daten werden von unterschiedlichen Sensoren wie Beschleunigungssensoren, Thermo-Elementen und Stromwandlern gesammelt, die direkt am Motor angebracht sind. Das Feature-Engineering besteht in der Regel aus zwei Teilen: Feature-Extraktion und Feature-Reduktion. Die Merkmals-­Extraktion wird verwendet, um aus den Rohdaten Informationen abzuleiten, die notwendig sind, um den Zustand der Anlage zu erfassen. Beispielsweise enthält das Frequenzspektrum des Stromsignals vom Motor Informationen, die zur Erkennung von Fehlern verwendet werden können, wie in Abbildung 2 dargestellt. Die durchschnittliche Amplitude über verschiedene Frequenzbereiche dient als Kenn­grösse, die aus dem Stromsignal extrahiert wird. Messungen, die aus mehreren Sen­soren extrahiert wurden, enthalten redundante Informationen. Eine Methode zur Redu­zierung von Eigenschaften, wie z. B. die Hauptkomponentenanalyse (Principal Component Analysis, PCA), kann dazu genutzt werden, die Anzahl der Merkmale zu reduzieren, die letztlich für die Erstellung eines Modells verwendet werden. Die Reduzierung der Anzahl der Features reduziert die Komplexität des zu verwendenden ML-Modells. Die reduzierte Menge an Merkmalen wird als Vektor (oder Array) dargestellt und in den ML-Algorithmus ein­ge­geben, der im Schritt der Modell­erstellung verwendet wird. Die Modellerstellung und -validierung ist ein iterativer Prozess, bei dem der Anwender mit mehreren ML-Algorithmen experimentieren und denjenigen auswählen kann, der am besten für seine Anwendung geeignet ist.

Intelligente Algorithmen erkennen Anomalitäten

Ein unbewachter ML-Algorithmus wie das Gausssche Mischungsmodell (GMM) lässt sich verwenden, um das normale Verhalten des Motors zu modellieren und zu ermitteln, wenn der Motor anfängt, von seinem Ausgangswert abzuweichen. Nicht überwachte Methoden sind bestens geeignet, um versteckte Muster in den Daten aufzudecken, ohne dass die Daten markiert werden müssen. Während unbeaufsichtigte Techniken zur Erkennung von Anomalien des Motors eingesetzt werden können, sind überwachte Algorithmen erforderlich, um die Ursache der Anomalie zu ermitteln. In überwachten Methoden wird der Algorithmus mit Paaren der Eingangsdaten und der gewünschten Ausgabe dargestellt. Diese Daten werden als markierte Daten bezeichnet. Der Algorithmus lernt die Funktionsweise, welche die Eingänge auf die Ausgänge abbildet. Die Daten, die für das Lernen des ML-Algorithmus verwendet werden, um­fassen Merkmale, die unter normalen und fehlerhaften Bedingungen extrahiert wurden. Die Merkmale sind durch ein Etikett, das den Zustand des Motors kennzeichnet, eindeutig gekennzeichnet. Support-Vektor-­Maschinen (SVM), logistische Regression und künstliche neuronale Netze sind häufig verwendete überwachte ML-Algorithmen. Eine Herausforderung bei traditionellen ML-Techniken ist die Feature-Extraktion. Es handelt sich um einen sensiblen Prozess, der das Wissen eines Domain-Experten voraussetzt und in der Regel der Schwachpunkt im ML-Workflow ist. DL-Algorithmen haben in letzter Zeit an Popularität gewonnen, weil sie die Notwendigkeit des Feature-­Engineering-Schrittes eliminieren. Die von den Sensoren erfassten Rohdaten können direkt in die DL-Algorithmen eingegeben werden (siehe Bild 4). DL-Algorithmen basieren auf künstlichen neuronalen Netzen. Die Lernalgorithmen für künstliche neuronale Netze orientieren sich an den Struktur- und Funktionsaspekten biologischer neuronaler Netze. Diese Algorithmen sind in Form einer Gruppierung von Rechenknoten (künstliche Neuronen) strukturiert, die in Schichten organisiert sind. Die erste Schicht wird als Eingangsschicht bezeichnet, die mit dem Eingangssignal oder den Daten verbunden ist. Die letzte Schicht ist die Ausgabeschicht, und die Neuronen in dieser Schicht liefern die endgültige Vorhersage oder Entscheidung. Zwischen der Eingangs- und der Ausgangsschicht befinden sich eine oder mehrere ausgeblendete Schichten (Abbildung 5). Die Ausgänge einer Schicht sind durch gewichtete Beziehungen mit den Knoten der nächsten Schicht verbunden. Ein Netzwerk erlernt ein Mapping zwischen Ein- und Ausgang, indem es diese Gewichtungen modifiziert. Durch die Verwendung mehrerer nicht sichtbarer Schichten lernen DL-­Algorithmen die Eigenschaften, die aus den Eingabedaten extrahiert werden, ohne dass die Eigenschaften explizit in den Lern-Algorithmus eingegeben werden müssen. Dies wird als Feature-Learning bezeichnet. DL verzeichnet in jüngster Zeit Erfolge bei IIoT-Anwendungen, vor allem wegen der zunehmenden Entwicklung technologischer Komponenten, wie z. B. höhere Rechenleistung in der Hardware, grosse Datenbestände mit beschrifteten Trainingsdaten, Durchbrüche bei Lern­algorithmen und Netzwerkinitialisierung sowie die Verfügbarkeit von Open-Source-Software-­Frameworks. Nachfolgend einige grundsätzliche Überlegungen zur Auslegung von Anlagen mit dieser Technologie. Topologien-DL ist ein sich ständig weiterentwickelndes Feld, und zahlreiche Netzwerktopologien sind derzeit im Einsatz. Einige dieser Netzwerke, die aussichtsreich für die Steuerung und Überwachung von IIoT-Anwendungen sind, werden im Fol­genden diskutiert:

– Deep fully connected neuronale Netze sind vollständig verbundene künstliche neuronale Netze mit vielen verborgenen Schichten (also tief). Diese Netzwerke sind ausgezeichnete Approximatoren und eignen sich z. B. für den Einsatz in der Leistungselektronik. Um einen Controller mit tiefen Netzwerken zu bauen, wird das Simulationsmodell des zu steuernden Systems zur Generierung der Trainingsdaten verwendet. Damit lassen sich Zustände (Randbedingungen) erforschen, die mit herkömmlichen Methoden nur schwer zu beherrschen sind.

– Konvolutionäre neuronale Netze sind so konzipiert, dass sie die Vorteile der zwei­dimensionalen Struktur von Eingangs­signalen wie Eingangsbildern oder Sprachsignalen nutzen. Ein Konvolutionsnetz besteht aus einer oder mehreren Konvolutionsschichten (Filterschichten), gefolgt von einem vollständig verbun­denen, mehrschichtigen neuronalen Netzwerk. Diese Netzwerke sind erfolgreich bei Problemen wie der Fehlererkennung in Bildern und der Objekterkennung. Sie dienen dem Motiv-Verständnis in mo­dernen Fahrerassistenz-Systemen.

– Wiederkehrende neuronale Netze (WNN) basieren auf Algorithmen, die sequenzielle (oder historische) Informationen nutzen, um Prognosen zu erstellen. Diese Netzwerke eignen sich gut für die zeitliche Zeitreihenanalyse. Ein traditionelles neuronales Netzwerk geht davon aus, dass alle Eingänge (und Ausgänge) unabhängig voneinander in der Zeit oder Reihenfolge des Eintreffens sind. WNNs zeichnen Zustandsinformationen auf. Diese speichern Informationen über die Vergangenheit und verwenden die bisher berechneten Ergebnisse für die nächste Vorhersage. In IIoT-Anwendungen sind WNNs gut geeignet, um historisches Verhalten zu erlernen und damit zukünftige Ereignisse wie die Restnutzungsdauer (RUL) eines Assets vorherzusagen. Für diese Art von Anwendungen eignet sich das Long-Short-Term-Memory-Netzwerk (LSTM-Netzwerk).

– Deep Reinforcement Learning (DRL) eignet sich gut für die Entwicklung adaptiver Regelsysteme, die in komplexen dynamischen Umgebungen arbeiten. Denken wir an die Steuerung von Robotern, die im Lagerbetrieb eingesetzt werden, wo sich die Roboter dynamisch an neue Anforderungen anpassen sollen. Die lernbasierten Controller lernen eine Aufgabe durch die Informationen, die sie für die Durchführung einer Aktion erhalten und die sie dem Ziel näherbringt. Beispielsweise erhält die Steuerung von einer Kamera ein Bild, das die aktuelle Position eines Roboterarms anzeigt und anhand der Informationen im Bild lernt, wie man den Arm näher an das Ziel heranführt. Die DL-basierte Steuerung kann mithilfe eines Robotersimulators oder durch Beobachtung des realen Roboters in Aktion trainiert werden.

Deep Learning auf unterschiedlichen Stufen

Training: Deep Neuronale Netze erfordern grosse Mengen an Trainingsdaten, die vorzugsweise Daten aus allen verschiedenen Zuständen oder Bedingungen enthalten, die das Netzwerk lernen muss. Für die meisten Anwendungen stammen die verfügbaren Daten überwiegend aus dem normalen Betriebszustand eines Systems mit einer kurzen Stichprobe von Daten aus anderen Zuständen. Die Datenerweiterung ist eine Technik zur Verbesserung dieses Datenungleichgewichts, bei der man mit dem vorhandenen kleinen Sample-Set beginnen und durch Umwandlung der Daten zusätzliche künstliche Versionen erstellen kann. Zusätzlich besteht die Möglichkeit, mithilfe von Simulationsmodellen des Systems Trainingsdaten zu erzeugen. Eine weitere Herausforderung besteht darin, dass es problematisch ist, die grossen Datenmengen zu sammeln, die für die Qualifizierung dieser Netze erforderlich sind. Das Transfer-Lernen ist ein Ansatz, mit dem man dieses Problem mildern kann. Beim Transfer-Learning wird mit einem vorbereiteten neuronalen Netzwerk (die meisten DL-Software-Frameworks bieten ausgereifte Modelle, die man herunterladen kann) begonnen und mit Daten aus der Anwendung im weiteren Verlauf optimiert. Hardware-Schulung in tiefen Netz­werken stellt enorme Anforderungen an die Datenverarbeitung. GPUs haben sich als primäre Alternative für das Training tiefer Netzwerke herausgestellt.

Grafikprozes­soren sind attraktiv und aufgrund der hohen Rechenleistung, des grossen Speichers, der hohen Speicherbandbreite und der Auswahl an Programmierwerkzeugen nahezu eine Notwendigkeit für das Training. FPGAs sind zudem gute Voraussetzungen für den Einsatz von qualifizierten Netz­werken. FPGAs sorgen für niedrigere Latenzzeiten, bessere Energieeffizienz und Determinismus, speziell für den Einsatz dieser Netzwerke auf Embedded Devices für Steuerungssysteme, die in einem engen Regelkreis mit I/O arbeiten. Software: Ein Grund für die rasche Akzeptanz und den Erfolg von DL ist die Verfügbarkeit ausgereifter Software-­Frameworks. Einige der Gebräuchlichsten sind TensorFlow, Caffe, Keras, Keras und CNTK. Diese Frameworks unterstützen verschiedene Betriebssysteme wie Windows und Linux sowie Programmiersprachen wie Python und C++. Die meisten dieser Frameworks verfügen über Unterstützung oder Beispiele für die Implementierung der neuesten DL-Netzwerke. Sie ermöglichen auch das Lernen auf GPUs.

DL ist eine spannende neue Richtung der künstlichen Intelligenz und eine vielversprechende Technologie zur Lösung von Problemstellungen der nächsten Gene­ration in der industriellen Steuerungs­ent­wicklung. Eine einfache Möglichkeit, mit DL zu beginnen, besteht darin, eines der oben genannten Open-Source-Frameworks zu downloaden und mit den Tutorial-Beispielen zu experimentieren. Am besten startet man mit einem Beispiel, das ähnlich der Anwendung ist und nutzt Transfer-­Learning, um schnell einsatzbereit zu sein.

ni.com Quelle: National Instruments

Xaver Bühlmann– Fehlen Vorrichtungen für eine sichere Instandhaltung, verleitet dies Maschinenbediener und Instandhalter bei Störungen zu Improvisationen. «Improvisationen sind gefährlich und erhöhen das Unfallrisiko», sagt der Suva-Sicherheitsingenieur Xaver Bühlmann. Planungsfehler führten zudem zu teuren Betriebs­-unter­brüchen. Deshalb lohnt es sich, bei der Beschaffung neuer Maschinen nicht nur die Funktionalität im Auge zu haben, sondern auch die Anforderungen der Instandhaltung. Bei Unfallabklärungen und Kontrollen stellt die Suva immer wieder drei Gefahrenschwerpunkte fest:

– Absturz wegen fehlender oder unsicherer Zugänge

– Unerwarteter Anlauf einzelner Teile von verketteten Anlagen

– Unfälle beim Sonderbetrieb

Alle drei Gefahrenherde können laut Bühlmann mit einer sauberen Planung bei der Beschaffung entschärft werden.

Tödliche Gefahr: Improvisierte Zugänge

Wer zur Behebung einer Störung die betroffene Stelle an einer Anlage nicht über einen sicheren Zugang erreichen kann, wird sich irgendwie behelfen. Bei Kletterübungen ist es schon oft zu schweren Unfällen gekommen. Deshalb ist die Planung von sicheren Zugängen für die Instandhaltung bei der Beschaffung von Maschinen und Anlagen ein zentraler Punkt.

Einzelne Teile von verketteten Anlagen sicher abschalten

Produktionsanlagen, die aus mehreren verketteten Einzelmodulen bestehen, sind oft so gestaltet, dass nur die Anlage als Ganzes sicher stillgesetzt werden kann. Bei Unterhaltsarbeiten an einem einzelnen Modul und gleichzeitig weiterlaufendem Betrieb der übrigen Anlage besteht so weiter die Gefahr eines ungewollten Anlaufens. Deshalb sollten nur verkettete Anlagen beschafft werden, die über Revisionsschalter zum sicheren Abschalten jedes einzelnen Moduls verfügen.

Sonderbetriebssteuerungen – kein Mani­pulieren von Schutzeinrichtungen

Zum Einrichten von Maschinen, bei der Fehlersuche oder auch für die Reinigung ist es oft notwendig, im Gefahrenbereich einer laufenden Maschine zu arbeiten. Verfügen Maschinen über keinen Son­der­betriebs­modus dafür (z. B. weniger Risiko durch begrenzte Geschwindigkeit) und keine Sonderbetriebssteuerung (z. B. Zustimmschalter, der die Maschine beim Loslassen sofort stillsetzt), verleitet dies zum Überbrücken von Schutzeinrichtungen und dem gefährlichen Manipulieren an der Maschine im Normalbetrieb. Deshalb kann das Beschaffen von Maschinen mit geeigneten Sonderbetriebseinrich­tungen Leben retten.

Anforderungen vertraglich festlegen

Die rechtlichen Rahmenbedingungen bei der Beschaffung von Arbeitsmitteln sind zwar klar. Die Hersteller und Inver­kehr­bringer haben insbesondere die Sicherheitsanforderungen der europäischen Maschinenrichtlinie zu erfüllen. Die Betriebe müssen nach der Verordnung über die Unfallverhütung (VUV) sicher­stellen, dass Maschinen bestimmungs­gemäss verwendet und fachgerecht instandgehalten werden. Dies stellt aber nicht sicher, dass eine neu beschaffte Maschine alle Anforderungen erfüllt, die es später im Betrieb für eine sichere Instandhaltung braucht. Diese Anforderungen müssen vertraglich zwischen Lieferant und Käufer festgelegt werden.

Tipps für die Betriebe

Damit eine Maschine später bei der In­standhaltung nicht zum Problem wird, rät Bühlmann, sich bei der Beschaffung an folgende Tipps zu halten.

Tipp 1: Das Beschaffungsteam richtig zusammenstellen. Ganz wichtig ist, dass der Einkauf bei einer Beschaffung die Personen im Betrieb einbezieht, die in der Praxis mit der Instandhaltung der Anlage zu tun haben:

– die Instandhalter

– die Betreiber (Schichtführer, Maschinenbediener)

Denn diese Personen können ihre prak­­ti­sche Erfahrung in die Beschaffung ein­bringen. Sie wissen, was es braucht, um bestimmte Teile an einer Maschine aus­zuwechseln und welche Schwierig­keiten beim Einrichten und bei der Wartung von Anlagen entstehen können. Trotzdem werden sie heute in der Praxis meist nicht einbezogen. Je nach Komplexität einer Anlage kann es aus­ser­dem notwendig sein, weitere externe Spezialisten für die Beschaffung beizu­ziehen.

Tipp 2: Die Instandhaltungsstrategie klären. Um eine Instandhaltung nicht unter Stress und verbunden mit unverhofften Betriebs­ausfällen durchzuführen, muss sie geplant werden. Der Prozess dafür ist wiederum bereits bei der Beschaffung fest­zulegen. Zu regeln ist zum Beispiel, ob die Maschine vorausbestimmt in vorge­gebenen Intervallen oder durch Sensoren überwacht zustandsorientiert zu warten ist.

Tipp 3: Das muss bei der Abnahme erfüllt sein: Um eine neubeschaffte Anlage abnehmen zu können, müssen Sie die folgenden Fragen mit Ja beantworten können.

– Ist eine Konformitätserklärung vorhanden? Sie bescheinigt, dass die Maschine die Sicherheitsanforderungen der euro­päischen Maschinenrichtlinie erfüllt.

– Wurde eine Betriebsanleitung in der erforderlichen Sprache mitgeliefert?

– Wurden die betroffenen Mitarbeitenden (Instandhalter, Schichtführer, Maschinenbediener) ausgebildet und Instruiert?

– Sind keine offensichtlichen Mängel vorhanden?

Wer sich an diese Tipps hält, ist auf gutem Weg, eine sichere Instandhaltung seiner neuen Anlage zu gewährleisten.

suva.ch Bilder: Suva

In der Automobilbranche etwa detektieren sie Diesel- und Benzinabgase in der Aussenluft und verhindern das Eindringen dieser Schadstoffe in den Fahrzeuginnenraum. In der Lebensmittelproduktion überwachen sie die Ammoniakkonzentration in Kälteanlagen, und in Fabrikhallen kontrollieren sie zum Beispiel das Aus­treten von Methan aus dem Leitungsnetz: Luftgütesensoren sowie Sensoren in Messsystemen erfassen toxische und explosive Gase und warnen vor dem Austreten gefährlicher Schadstoffe.

Heutige Sensoren weisen jedoch für viele Anwendungen eine vergleichsweise geringe Sensitivität und eine grosse Querempfindlichkeit bei gleichzeitig hohem Stromverbrauch und hohen Kosten auf. Im Rahmen des Leitmarktwettbewerbs «NeueWerkstoffe.NRW» der Landesregierung Nordrhein-Westfalen startete jetzt unter der Leitung des Fraunhofer-Instituts für Mikroelektronische Schaltungen und Systeme IMS das Projekt «Funktionale ultradünne Werkstoffe durch Atomlagenabscheidung für die nächste Generation der Nanosystemtechnik» (kurz «FunALD»). Während der dreijährigen Projektdauer soll eine neue Klasse von ultradünnen funktionalen Materialien auf Basis der ALD-Technologie für mechanische Sensoren und Gas-Sensorik entwickelt werden. Das hochkarätige Partnerkonsortium setzt sich neben dem Fraunhofer IMS aus dem Institut für Energie- und Umwelttechnik e. V. (IUTA), der Ruhr-Universität Bochum (RUB) sowie der Heinrich-Heine-Universität Düsseldorf und der ExTox Gasmess-Systeme GmbH zusammen. Als assoziierte Partner wirken zudem der Automobilzulieferer paragon AG und Aixtron SE, ein führender Hersteller von Abscheideanlagen für die Halbleiter­industrie, mit. Das Vorhaben wird aus Mitteln des Europäischen Fonds für regionale Entwicklung (EFRE) gefördert und durch den Projektträger Jülich betreut.

Schlüsseltechnologie des 21. Jahrhunderts

In der modernen Mikrosystemtechnik dienen CMOS-Wafer als «intelligente» Substrate, die mit analogen und digitalen Ansteuer-, Auslese- oder Schnittstellenschaltungen versehen sind. Sind sehr kleine Systeme gefragt oder müssen kleine Signale über möglichst kurze Wege ausgelesen werden, können direkt auf dem CMOS durch Post-Integration Schichten, Struk­turen und Bauelemente integriert werden. So entstehen kompakte, clevere Single-­Chip-­Mikrosysteme, die in Zeiten von ­Industrie 4.0 und Internet der Dinge (IoT) vielfältig einsetzbar sind. Die Mikrosystemtechnik ist daher eine der Schlüssel­tech­nologien des 21. Jahrhunderts. Produkte mit mikrosystemtechnischen Komponenten erobern immer mehr Anwendungs­bereiche des täglichen Lebens und sind in ihren Potenzialen hinsichtlich Funktionalität und Wirtschaftlichkeit aus dem Alltag nicht mehr wegzudenken. Neue Anwendungsfelder entstehen derzeit verstärkt im Nanometerbereich.

Bisher entwickelten die Forscher am Fraunhofer IMS im Rahmen der Nano- und Mikrosystemtechnik beispielsweise metallische Elektroden zur Zellkontak­tierung und Signalableitung von Nerven­zellen mit einem neuartigen Templat-Verfahren, das die wohldefinierten Methoden der CMOS-­Prozesstechnologie nutzt. Etablierte Nanotechniken nutzen dagegen Nano­par­tikel oder Nanodrähte, die bei hohen Tempera­turen getrennt vom Substrat prozessiert werden. Anschliessend werden diese Partikel in Flüssigkeiten suspendiert und auf Elektroden aufgetragen – die Elektroden sind auf den CMOS-Oberflächen angeordnet. Die etablierten Nanotechniken liefern aber nur ungeordnete Strukturen; ausserdem gibt es Probleme bei der Reproduzierbarkeit der Herstellung.

Neues ALD-Verfahren überzeugt dreifach

«FunALD» geht daher jetzt einen wesentlichen Schritt weiter: Die Nano-Elektroden werden nicht durch Auftragen von Nanopartikeln, sondern auf Basis des ALD-­Verfahrens (Atomic Layer Deposition) hergestellt. Dabei werden ultradünne Einfach- und Mehrfachschichten mit einer Schichtdicke von weniger als 50 Nanometern Atomlage für Atomlage abgeschieden. Im Vorhaben werden funktionale ALD-­Schichtstapel entwickelt, die sich mit einem besonders einfachen Post-CMOS-­Verfahren auf intelligente Schaltkreise integrieren lassen und dabei freitragende 3D-Bauelemente auf CMOS-Schaltungen erzeugen. Mit nur drei zusätzlichen lithografischen Masken lassen sich bereits komplexe Sensor- oder Aktor-Strukturen realisieren. Diese ALD-Materialien erlauben zukünftig ein sehr breites Anwendungsfeld, so können z. B. ultrasensitive freitragende Nanodrähte aus einem Metalloxid für die Gas- oder Bio-Sensorik genutzt werden. Die freitragenden 3D-Mikro- oder Nano­strukturen werden durch hochkonforme, ultradünne ALD-Schichten mithilfe einer einfachen Opfertechnik erzeugt. Dabei wird auf einem CMOS-Substrat die Opferschicht – eine Art Schutzschicht und Abstandhalter für das darunterliegende Material – abgetragen. Das daraus entstehende amorphe Silizium kann besonders gut strukturiert werden: Das ist der grosse Vorteil des neuen Verfahrens!

Bei der Fertigung wird die ALD-Schicht in die winzigen Löcher des Substrats abgeschieden, die freitragenden Nanodrähte werden dann auf die Metalloxid-Halbleiter-­Schaltungen gesetzt, und die erwünschten Gas-Sensoren entstehen.

Das neue ALD-Verfahren überzeugt sogleich in dreifacher Hinsicht: Zum einen lässt sich durch die grosse Materialdiversität eine Vielzahl von neuartigen sensorischen oder aktorischen Bauelementen auf den CMOS-Oberflächen realisieren. Zum anderen ist das Verfahren problemlos mit den bereits vorhandenen apparativen Möglichkeiten eines typischen CMOS- bzw. Mikrosystem-Reinraums kompatibel. Durch den extrem vereinfachten Fertigungsprozess können darüber hinaus auch erheblich Kosten eingespart werden.

Um die neuen Materialklassen vor dem Einzug in die industrielle Verwertung ausreichend testen zu können, sieht das Projekt die Entwicklung zweier Demonstratoren vor. Der erste Demonstrator ist eine freistehende metalloxidische Struktur, die in einer Gas-Sensor-Anwendung als konduktometrisches Sensorelement dient. Der zweite Demonstrator, der im Projekt danach entwickelt wird, besteht aus freitragenden metallischen ALD-Membranen, die für einen mechanischen Resonator genutzt werden.

Die im Projekt «FunALD» untersuchten freistehenden ALD-Nanostrukturen versprechen eine hohe Empfindlichkeit und eine kurze Ansprechzeit der neuen Gas-Sensoren.

ims.fraunhofer.de Bilder: Fraunhofer

Modernes Wärmemanagement von Leiterplatten erfolgt im Wesentlichen durch Zugabe von zusätzlichem Kupfer in die Leiterplatte, und zwar durch konstruktive Massnahmen wie dicke Kupferschichten, durchkontaktierte Löcher, lasergebohrte Durchkontaktierungen mit Kupferfüllung oder sogar Kupfer-Inlays. Zwar können diese Methoden für eine gute Wärme­ableitung sorgen, aber aus verschiedenen Gründen auch mit einigen Nachteilen verbunden sein: Speziell im Fall dicker Kupferschichten, die zur Ableitung der Wärme dienen, wird die Herstellung der Leiter­platten teurer und schwieriger, da neue Anlagen zur Handhabung der schweren, dicken Kupferplatten notwendig sind.

Zudem erfordert das High-Density-­Packaging extrem schmale Kupferbahnen in den Schaltkreisen der Leiterplatten. Das lässt sich nicht so einfach bewerkstelligen, wenn dicke Kupferschichten geätzt werden müssen. In Anwendungsfällen in der Luft- und Raumfahrt spielt ausserdem die Masse eine wichtige Rolle, und auch in modernen Automobilen wie Elektrofahrzeugen gewinnt sie zunehmend an Bedeutung. Darüber hinaus können grössere Mengen von Kupfer, die zur Kühlung verwendet werden, sehr teuer werden. Wärmemanagementkonzepte wie moderne miniaturisierte Heatpipes, die leicht sind, bessere Wärmeleiteigenschaften bieten als Kupfer und sich aufgrund ihrer geringen Grösse für Leiterplatten eignen, können die Herausforderungen des Wärmemanagements in modernen High-End-Anwendungen lösen.

Sehr gute Wärmeübertragungsfähigkeit

Wegen ihrer überragenden Wärmeübertragungsfähigkeit bei relativ geringer Masse können Heatpipes die Wärme sehr wirksam durch die Leiterplatten leiten. Moderne Heatpipes sind so klein, dass sie in Leiterplattenkonstruktionen integriert werden können. Ihre Dicke bewegt sich im Bereich von etwa 400 µm bis 2 mm. AT & S nutzt das firmeneigene Know-how im Einbetten von Komponenten und in der 2.5D-Technologie, um Mini-Heatpipes mit Leiterplatten zu verbinden. Der Einsatz von Heatpipes direkt in der Leiterplatte erlaubt neue Gestaltungsmöglichkeiten wie eine externe Kühlung sowie Wärmeableitung und -ausbreitung.

Die eingebettete oder eingesetzte Heatpipe ist ein passives Bauteil, das in der Lage ist, Wärme in der Leiterplatte über grössere Strecken abzuführen, und zwar wirkungsvoller als herkömmliche Wärmeleiter (z. B. Kupfer). Ihr Mechanismus zur Wärmeableitung basiert auf einen Phasenübergang und dem Transport von Masse. Die Heatpipe ist eine röhrenförmige Konstruktion, die an beiden Enden dicht verschlossen ist und eine Flüssigkeit enthält, in der ein sehr geringer Druck herrscht. Normalerweise besteht das Rohr aus Kupfer, und als Flüssigkeit wird Wasser verwendet.

Hundertfach höhere Wärmeabfuhr

Wenn das eine Ende des Rohrs erwärmt wird, geht das Wasser von der flüssigen in die gasförmige Phase über. Durch den damit verbundenen Druckanstieg strömt der Wasserdampf zum kalten Ende des Rohrs. Dort gibt der Wasserdampf Energie ab und wird wieder flüssig. Durch Kapillarkräfte wird das flüssige Wasser zurück zum erwärmten Ende des Rohrs trans­portiert. Dieser dynamische Prozess wiederholt sich kontinuierlich und führt zu einer Wärmeabfuhr, die hundert bis mehrere tausend Mal so hoch ist wie bei einem Kupferstück mit entsprechenden Massen. Da die Heatpipe hohl ist, bietet sie den zusätzlichen Vorteil, dass sie wesentlich leichter ist als Kupferstäbe.

ats.net Bild: Pixabay

1. In den letzten 50 Jahren hat in der Technik eine enorme Miniaturisierung in nahezu allen Bereichen statt­gefunden. Wird, aus Ihrer Sicht, dieser Trend fortgesetzt, oder sind die Grenzen demnächst erreicht?

2. Was die Produkteminiaturisierung anbelangt: Welche Herausforde­rungen sehen Sie in der Zukunft auf Ihr Unternehmen zukommen?

3. Bei welchem Produkt aus dem Portfolio Ihres Unternehmens ist die Miniaturisierung seit seiner Ein­führung besonders gut erkennbar?