Intelligente Prozessüberwachung und -auswertung in der Cloud
Neue Technologie für den Mittelstand
Wie können kleine und mittlere Unternehmen die Potenziale der digitalen Transformation erschließen? In den Transferprojekten des Cluster it´s OWL können KMU gemeinsam mit Forschungseinrichtungen neue Technologien nutzen, um Produkte und Produktionsverfahren zu verbessern. Der Maschinenbauer Kolbus konnte so eine intelligente Prozessüberwachung in der Druckverarbeitung realisieren. Fischer Mess- und Regeltechnik ist es gelungen, Prozesssensordaten zentral in der Cloud auszuwerten.
Bild: Fischer Mess- und RegeltechnikIntelligente Prozessüberwachung in der Druckverarbeitung
Mit vollautomatischen Fertigungsanlagen repräsentiert Kolbus zukunftsorientierte Technik für kreative, nachhaltige Verpackungslösungen aus Karton und Wellpappe. Gerade mit Maschinen für die industrielle Buchbindung wurde das Unternehmen erfolgreich. Die Komplexität der Maschinen hat in den vergangenen Jahren zugenommen, weil eine Vielzahl informationsverarbeitender Komponenten hinzukam. Dadurch entstanden potenzielle Fehlerquellen. Ein Fehler im System bzw. in der Anlage macht sich durch Änderungen im Zustands- und/oder Zeitverhalten des Gesamtsystems bemerkbar. Um die Anlagenverfügbarkeit zu erhöhen und die Ausschussrate der Maschinen zu verringern, ist ein frühzeitiges Erkennen von Prozessanomalien bzw. Anlagenfehlern notwendig. Zusammen mit der Hochschule OWL ist die Firma Kolbus diese Herausforderung angegangen. Das Ziel des gemeinsamen Transferprojektes war es, durch eine zuverlässige und einfache Prozessüberwachung den aktuellen Betriebszustand sowie Ursachen im Fehlerfall zu identifizieren. Darüber hinaus sollte der passgenaue Wartungsbedarf der Anlage ermittelt werden. Die Projektpartner erhofften sich von dieser geplanten Prozessüberwachung verkürzte Wartungsintervalle und eine Reduzierung der ungeplanten Instandsetzungsmaßnahmen.
Assistenzsystem erkennt Anomalien
Um diese Ziele zu erreichen, sollte ein Assistenzsystem - ein Softwarewerkzeug - zur Erkennung von Prozessanomalien eines Dreimesserautomaten prototypisch umgesetzt werden. Im ersten Schritt wurde dazu ermittelt, welche Anomalien und Störungen mithilfe des geplanten Assistenzsystems erfasst werden sollen. In einem zweiten Schritt wurden unterschiedliche Datenerfassungslösungen betrachtet und daraus eine passgenaue Alternative für Kolbus abgeleitet, die anschließend in den Dreimesserautomaten integriert wurde. Das Ergebnis ist ein gelerntes Modell in Form eines hybriden Automaten, welcher als Zustandsraum die einzelnen diskreten Betriebszustände des betrachteten Dreimesserautomaten abbildet. Mit den dabei verwendeten Diagnosealgorithmen konnten weiterhin innerhalb der Assistenzsoftware bestimmte Anomalien erkannt werden, z.B. die Abweichung von gelernten Zeitintervallen. Fazit nach Abschluss des Projekts: Durch das automatische maschinelle Lernen und die zuverlässige Anomalie-Erkennung profitieren sowohl der Maschinenbauer als auch der Endkunde. Fehler werden frühzeitiger entdeckt, Ausschusswaren werden vermindert und Wartungszyklen optimiert. Die Erfahrungen und Ergebnisse aus dem Projekt sollen langfristig weiter ausgebaut und verwendet werden.
Bild: KolbusZentrale Auswertung von Sensordaten in der Cloud
Die Firma Fischer Mess- und Regeltechnik bietet Lösungen für die Mess- und Regeltechnik, z.B. Sensoren für die Überwachung von physikalischen Größen in technischen Prozessen wie Druck, Temperatur und Füllstand. Viele der Sensoren verfügen über eine Bluetooth-Schnittstelle. Die Implementierung des Sensors und der Abruf der Prozessdaten erfolgt drahtlos mithilfe einer speziell entwickelten App. Schon diese Entwicklung ist eine deutliche Erleichterung für den Kunden: Sie ermöglicht eine Zeit- und Kostenersparnis bei kritischen Geschäftsprozessen wie der Inbetriebnahme. Bisher war die Vernetzung auf eine Punkt-zu-Punkt-Verbindung zwischen Sensor und mobilem Endgerät beschränkt. Eine Anbindung an einen zentralen Datenspeicher wie eine Cloud war noch nicht gegeben. Es gab somit keine Möglichkeit der automatischen Sammlung, Aufbereitung und Weiterverarbeitung der Sensordaten. Daher war das Ziel des Transferprojektes mit dem Institut für industrielle Informationstechnik der Hochschule OWL, die funkbasierte Kommunikation der Sensoren aufzugreifen und sie in einer Kommunikationsstruktur zu verwenden. Sie sollte das zentrale Auswerten der Sensordaten in der Cloud ermöglichen.
Semantische Beschreibung der Prozesssensoren
Im ersten Schritt wurden die Anforderungen an eine Erweiterung der Kommunikationsarchitektur aufgenommen. Ziel war es, die semantische Beschreibung der Prozesssensoren (z.B. OPC UA oder SensorML) und die Anbindung an ein zentrales Cloudsystem mittels Anwendungsfällen zu definieren. Im zweiten Schritt wurden Technologien zur semantischen Beschreibung, Private und Public Clouds sowie mögliche Komponenten analysiert und bewertet. Für die semantische Beschreibung wurde auf eine OPC-UA-Schnittstelle zurückgegriffen. Hinsichtlich der Cloudlösung wurde eine Public Cloud, konkret der Amazon Web Service, ausgewählt. Als Hardwareplattform kommt ein Raspberry Pi zum Einsatz, da er eine kostengünstige Alternative für die serielle Kommunikation darstellt. Für den Prototyp wurde die benötigte Hardware für die konzeptionierte Cloud-Architektur aufgebaut. Anschließend wurde die Middleware implementiert, in welcher die Prozesssensoren semantisch beschrieben und die Technologien in die neue Kommunikationsarchitektur integriert worden sind. Weitere Algorithmen zur Wartung oder Analyse in der Cloud konnten realisiert werden. So ist es gelungen, eine kosteneffiziente und sichere Speicherung der Sensordaten in der Cloud zu ermöglichen.
Start in neue Transferprojekte
Das Technologienetzwerk it´s OWL startet ab Herbst mit neuen Projekten. Darin entwickeln Unternehmen und Forschungseinrichtungen Ansätze in den Bereichen künstliche Intelligenz, digitale Plattformen, digitaler Zwilling und Arbeitswelt der Zukunft. Kleine und mittlere Unternehmen können sich wieder für Transferprojekte bewerben, um die neuen Technologien zu implementieren. Weite Unterstützungsangebote für den Mittelstand sind Schulungen, Digitalisierungs-Checks, Fachgruppen und Demonstrationszentren.
Assistenzsystem erkennt Anomalien
Um diese Ziele zu erreichen, sollte ein Assistenzsystem - ein Softwarewerkzeug - zur Erkennung von Prozessanomalien eines Dreimesserautomaten prototypisch umgesetzt werden. Im ersten Schritt wurde dazu ermittelt, welche Anomalien und Störungen mithilfe des geplanten Assistenzsystems erfasst werden sollen. In einem zweiten Schritt wurden unterschiedliche Datenerfassungslösungen betrachtet und daraus eine passgenaue Alternative für Kolbus abgeleitet, die anschließend in den Dreimesserautomaten integriert wurde. Das Ergebnis ist ein gelerntes Modell in Form eines hybriden Automaten, welcher als Zustandsraum die einzelnen diskreten Betriebszustände des betrachteten Dreimesserautomaten abbildet. Mit den dabei verwendeten Diagnosealgorithmen konnten weiterhin innerhalb der Assistenzsoftware bestimmte Anomalien erkannt werden, z.B. die Abweichung von gelernten Zeitintervallen. Fazit nach Abschluss des Projekts: Durch das automatische maschinelle Lernen und die zuverlässige Anomalie-Erkennung profitieren sowohl der Maschinenbauer als auch der Endkunde. Fehler werden frühzeitiger entdeckt, Ausschusswaren werden vermindert und Wartungszyklen optimiert. Die Erfahrungen und Ergebnisse aus dem Projekt sollen langfristig weiter ausgebaut und verwendet werden.
it´s OWL Clustermanagement GmbH
Dieser Artikel erschien in SPS-MAGAZIN 10 2018 - 05.10.18.Für weitere Artikel besuchen Sie www.sps-magazin.de
