Anwendungsklassen der ProDaMi-Suite

Die ProDaMi-Suite (Softwarepaket) besteht aus flexiblen Software-Modulen, die auf das Produktionsumfeld zugeschnitten sind. Die ProDaMi-Suite unterstützt bei vielfältigen Aufgabenstellungen der Prozess- und Produktoptimierung: Prozessführung und Prozessoptimierung Prozessüberwachung, Performance und Condition Monitoring Versuchsplanung Stammdaten-Management Produktionsplanung und Fertigungssteuerung Variantenmanagement Qualitätsmanagement Instandhaltung Aus den Software-Modulen der ProDaMi-Suite lassen sich mit geringem Aufwand kundenspezifische Software-Lösungen generieren. Auch Fragestellungen, die mit den bisherigen Anwendungsklassen noch nicht vollständig abgedeckt werden, lassen sich in der Regel mit geringen Erweiterungen der ProDaMi-Suite lösen.

Analyse und Optimierung

Zielstellung

Die Module dieser Klasse sind auf Produktions- bzw. Fertigungsverfahren ausgerichtet, in denen ein Produkt kontinuierlich aus ständig zugeführten Ausgangsmaterialien erzeugt wird, wie z. B. das Ziehen von Glasrohren, die Extrusion von Kunststoffprofilen oder das Spritzgießen von Formteilen. Aufgaben der Prozessführung und optimierung sind: - Einhaltung definierter Qualitätskriterien der Produkte - Minimierung des Ressourcenverbrauchs (z. B. Rohmaterial, Energie) - Minimierung der Produktionskosten

Lösungskonzept

Da in vielen Fällen die Optimierung basierend auf rein physikalisch motivierten Prozessmodellen zu aufwendig ist, werden datengetriebene Modelle in Verbindung mit physikalischen Grob-Modellen eingesetzt.

Typische Anwendungsgebiete- Analyse von Qualitätsmängeln

Der Einfluss einzelner Prozessparameter auf die Produktqualität lässt sich mittels eines Prozessmodells quantitativ bestimmen. Damit bietet sich die Möglichkeit, gezielt Anlageneinstellungen zu ermitteln, die zu einer höheren Produktqualität führen. - Optimierung von instationären Prozessphasen, z. B. Anfahrphase oder Lastwechsel (schnelles Erreichen eines stationären Betriebszustandes). - Arbeitspunkt-Optimierung in stationäre Phase, z. B. Kompromiss zwischen verschiedenen Gütekriterien (Qualität, Ressourcenverbrauch, Kosten, ... etc.). Die Software »Design« ermöglicht dem Anwender, die Abhängigkeit der Produkteigenschaften von den Eigenschaften der Ausgangsmaterialien, Einstellungen der produzierenden Anlage und sonstigen Prozessparametern quantitativ zu beschreiben.

Kontakt:
Christian Kühnert
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB
Tel.: +49 721 6091-511
E-Mail: christian.kuehnert@iosb.fraunhofer.de

Dr. Hagen Knaf
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Tel.:: +49 631 31600-4428
E-Mail: hagen.knaf@itwm.fraunhofer.de

Performance und Condition Monitoring

Zielstellung

Moderne automatisierte Produktionsanlagen zeichnen sich einerseits durch eine wachsende Komplexität und Vernetzung, andererseits durch eine zunehmende Dynamik bedingt durch zufällige Störungen aus. Die Überprüfung der korrekten Funktionalität, die Fehlersuche, das frühzeitige Erkennen von drohenden Störungen und insbesondere die Diagnose und das Monitoring des zugrundeliegenden physikalischen Prozesses sind von entscheidender Bedeutung für das wirtschaftliche Betreiben komplexer Produktionsprozesse in der Industrie. In der Anwendungsklasse Performance und Condition Monitoring von verfahrenstechnischen Prozessen sollen auf Basis der vorangegangenen Betrachtungen Monitoring- und Diagnosekonzepte zur Überwachung komplexer Produktionsprozesse in der chemischen und pharmazeutischen Industrie entwickelt werden.

Lösungskonzept

Die in der Anwendungsklasse betrachtete Aufgabenstellung des Performance und Condition Monitoring technischer Anlagen steht aus wissenschaftlicher Sichtweise eng im Zusammenhang mit der Theorie der Diagnose technischer Systeme. Das Grundprinzip der modellgestützten Diagnose technischer Systeme basiert auf einem quantitativen mathematischen Modell des zu überwachenden Prozesses. Durch ein geeignetes Gütekriterium werden die gemessenen Prozessgrößen mit den berechneten Prozessgrößen verglichen je größer der Abstand zwischen gemessenen und modellierten Prozessgrößen ist, desto wahrscheinlicher liegt eine Abweichung vom in der Modellierung angenommenen Normalverhalten des Prozesses vor. Die Schwierigkeit bei der Realisierung solcher modellbasierten Diagnosesysteme liegt in der Erstellung des Prozessmodells, insbesondere wenn analytische Modellansätze zur Verwendung kommen. So ist es z. B. bei verfahrenstechnischen industriellen Prozessen oft nur mit großem Entwicklungsaufwand unter Einbezug von detailliertem Expertenwissen über die physikalischen Zusammenhänge des Prozesses möglich, ein robustes Prozessmodell zur Merkmalgenerierung aufzustellen. Eine Alternative zu den analytisch modellbasierten Methoden bieten datengetriebene lernfähige Modellansätze. Methodisch stehen dabei die künstlichen neuronalen Netze im Vordergrund. Auf Basis von gemessenen Prozessgrößen (Lerndaten) sind neuronale Netze unter Anwendung eines überwachten Lernalgorithmus in der Lage, das statische und / oder das dynamische Übertragungsverhalten des Prozesses zu erfassen. Der Vorteil hierbei liegt darin, dass a priori kein analytisch formuliertes Prozessmodell von Nöten ist und somit der Entwickler von unsicheren Annahmen über die physikalischen Zusammenhänge des Prozesses bei der Modellierung entbunden wird. Im Zusammenhang mit der Diagnose eines unbekannten physikalischen Prozessverhaltens von komplexen Automatisierungsanlagen stellt sich jedoch das Problem, dass prinzipiell alle Ein- und Ausgangsgrößen der physikalischen Teilprozesse der Anlage aus den Datenbanken (historisch) bzw. Leitsystemen (online) abrufbar sind, jedoch erfordert die Zuordnung hinsichtlich Ein- bzw. Ausgangsgröße des jeweiligen Teilprozesses wiederum eine sehr detaillierte, aus der Anlagendokumentation abzuleitende, Kenntnis über die zugrunde liegende Anlage. Diese Zuordnung hinsichtlich Ein- bzw. Ausgangsgröße ist jedoch notwendig, sei es nun für eine analytische Modellierung bzw. auch für eine Modellierung basierend auf klassischen neuronalen Netzen. In der Theorie des maschinellen Lernens spricht man hier von so genannten überwachten Lerndatensätzen. In der industriellen Praxis zeigt sich, dass insbesondere die Erstellung eines überwachten Lerndatensatzes zur Generierung von datengetriebenen Prozessmodellen mit großem Engineeringaufwand verbunden ist. In der Anwendungsklasse Performance und Condition Monitoring von verfahrenstechnischen Prozessen werden deshalb Methoden des maschinellen Lernens / Data Mining bereitgestellt, welche es ermöglichen, auf Basis von unüberwachten Lerndatensätzen geeignete Prozessmodelle zum Performance und Condition Monitoring zu generieren.

Funktionalität

In der Anwendungsklasse Performance und Condition Monitoring der Prodami-Suite werden folgende Funktionen im Hinblick auf das Monitoring komplexer technischer Prozesse bereitgestellt: - Unterstützung bei der datengetriebenen Modellierung komplexer verfahrenstechnischer Prozesse in der chemischen Industrie: Modellierung des Prozessverhaltens auf Basis historischer Prozessaufzeichnungen durch Methoden des maschinellen Lernens insbesondere für technische Prozesse mit langsam veränderlichem Prozessverhalten (quasi-statische Prozessdynamik) - Erfassung von Prozesswissen durch strukturentdeckende Data-Mining-Methoden: Erkennung und Beschreibung von Prozessphasen in verfahrenstechnischen Produktionsanlagen durch strukturentdeckende unüberwachte Lernverfahren - Online-Monitoring und Diagnose des Prozessverhaltens: Nutzung der datengetriebenen Modelle zum Monitoring des Prozessverhaltens, Überwachung der Prozessparameter, Erkennung von schleichenden Veränderungen der Betriebspunkte. Diagnose von Fehlern, Komponentenausfällen und Lokalisierung (FDI)

Typische Anwendungsgebiete

Typische Anwendungsgebiete der Anwendungsklasse sind kontinuierliche Prozesse in der chemischen / pharmazeutischen Industrie. Diese Prozesse sind insbesondere durch die folgenden charakteristischen Eigenschaften gekennzeichnet: - Kontinuierliche langandauernde Prozesse für eine Produktvariante, z. B. Kolonnenprozesse - Beispiele: Großindustrielle Herstellung von Grundstoffen für z. B. Lacke, Pharmaprodukte, etc. Neben diesen chemischen Großanlagen werden in der Anwendungsklasse auch Batchprozesse in der chemischen / pharmazeutischen Industrie behandelt. Dabei konzentriert sich die Anwendungsklasse auf folgende Prozesse: - Batchprozesse zur Herstellung qualitativ hochwertiger chemischer und pharmazeutischer Produkte in Universal-Batchreaktoren - Beispiele: Grundstoffe für Pharmaprodukte, Impfstoffe, Pflanzenschutzmittel, etc.

Kontakt:
Christian Frey
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB
Tel.: +49 721 6091-332
E-Mail: christian.frey@iosb.fraunhofer.de

Kennlinienbasierte Prognose und Prozessführung

Zielstellung

Zielstellung der Anwendungsklasse ist die Unterstützung der Prozessführung von verfahrenstechnischen Prozessen durch Data-Mining-Verfahren zur Analyse, Optimierung und Prognose von Prozessdaten.

Lösungskonzept

Als Grundlage für die Analyse dienen historische und aktuelle Prozessdaten. Die Daten können z. B. aus Excel-Tabellen importiert und anschließend von der Anwendungsklasse aufbereitet werden. Für die Aufbereitung kommen Cluster- und Regressionsmethoden zum Einsatz, die Ausreißer in den Daten identifizieren und fehlende Datenpunkte vervollständigen. Die aufbereiteten Daten werden mit weiteren Prozessdaten auf Abhängigkeiten untersucht. Dadurch lassen sich bisher unbekannte Zusammenhänge zwischen den Daten identifizieren und deren Einflussstärke ermitteln. Getestet werden sowohl lineare als auch nicht-lineare Zusammenhänge für vordefinierte Funktionsterme. Eigene Funktionsterme können ebenfalls definiert werden. Aus den aufbereiteten Daten werden repräsentative Kennlinien extrahiert, welche den Prozessverlauf widerspiegeln. Stehen mehrere Prozessverläufe zur Verfügung, werden diese über Korrelationsverfahren zur Überdeckung gebracht, um eine gemittelte Kennlinie aus allen Datenreihen zu erstellen. Zusätzlich werden Qualitätswerte für die finale Kennlinie berechnet, die abhängig von dem Grad der Überdeckung der einzelnen Prozessverläufe bestimmt werden. Die Kennlinien dienen zur Prognose der Prozessdaten im Anlagenbetrieb. Der aktuelle Prozessverlauf kann mit den ermittelten Kennlinien in Überdeckung gebracht werden, um den weiteren Verlauf der Prozesse zu schätzen. Dadurch können bei Vorgabe eines Fahrplans verschiedene Szenarien für den Prozessverlauf durchgespielt werden, um die Fahrweisen und Arbeitspunkte der Anlage zu optimieren. Für die einzelnen Prozessverläufe lassen sich verschiedene Warnstufen für kritische Arbeitspunkte definieren. Anhand der Prognosen können die Prozesse den Warnstufen zugewiesen und nach dem Gefährdungsgrad sortiert werden.

Anwendungsbeispiel: Unterstützung der Prozessführung eines Aquifergasspeichers

• Optimierung der Ein- / Ausspeisezyklen des Speichers durch effiziente Fahrweise der Betriebssonden
• Analyse von historischen Betriebsdaten und aktuellen Messdaten
• Entscheidungsunterstützung für den Anlagenfahrer als Add-on zum Standardleitsystem.

Kontakt:
Gerhard Schreck
Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK
Tel.: +49 30 39006-152
E-Mail: gerhard.schreck@ipk.fraunhofer.de

Dr. Alexander Rieger
Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik IPK
Tel.: +49 30 39006-127
E-Mail: alexander.rieger@ipk.fraunhofer.de

Kennwertekorrelationen

Anwendungsfeld dieses Szenarios sind sehr große und komplex vernetzte fertigungstechnische Anlagen wie z. B. in der Automobilindustrie. Die umfangreichen Betriebsdatenbanken mit Produktions- und Anlagedaten könnten mit entsprechenden Methoden als Erfahrungsquellen zur Verbesserung betrieblicher Strukturen und die effiziente Gestaltung der Produktion genutzt werden. Kernziel ist die Unterstützung bei der Diagnose von Wechselwirkungen und Störungen in vernetzten, verketteten komplexen Produktionsanlagen. Kernanwendung dieser Anwendungsklasse ist die Detektion und Analyse von unbekannten Korrelationen aus zeitlichen Abfolgen von Kennwerteverläufen. Typische Basiskennwerte sind hier Verfügbarkeit oder Nutzungsgrad einzelner Anlagen und Anlagenbereiche sowie daraus abgeleiteter Kennwerte wie die Gesamtanlageneffizienz. Die Produktionsleiter und Fabrikplaner als Hauptnutzergruppe sollen bei der Lösung folgender beider Fragestellungen unterstützt werden.

Kennwert-Diagnose (offline):
Was sind die Ursachen für die Veränderung (Verschlechterung) eines Kennwertes?
Antworten:

• Anlagen/-bereiche
• Zeiträume
• Einzelkennwerte
  

Kennwert-Prognose (online):
Besteht die Gefahr eines Kennwerteeinbruchs?
Antworten:

• Wahrscheinlichkeiten
• Anlagen/-bereiche
• Zeiträume
• Einzelkennwerte
  

Durch Kombination von Data-Mining-Verfahren wie Assoziationsanalyse, eigenen Verfahren z. B. zur Merkmalsreduktion sowie Diskriminanzanalyse zur Situationsklassifikation soll hier auch das Auffinden struktureller Schwächen in verketteten Produktionsanlagen unterstützt werden.

Kontakt
Dr. Kym Watson
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB
Tel.: +49 721 6091-486
E-Mail: kym.watson@iosb.fraunhofer.de

Aktualisierung der Fertigungsstammdaten

Zielstellung

In heutigen Fertigungsunternehmen werden häufig MES (Manufacturing Execution System) eingesetzt, um Key Performance Indicators (KPI) wie Verspätungen, Rüstzeiten oder Ressourcenauslastungen zu optimieren. Grundlage hierfür sind die Fertigungsstammdaten. Diese beinhalten die Beschreibung der Fertigungsressourcen wie Maschinen oder Werkzeuge etc., deren Verfügbarkeiten sowie die Arbeitspläne, die den Produktionsprozess über verschiedene Zwischenprodukte bis zu den Endprodukten beschreiben. Aufgabe des MES liegt nun darin, aufbauend auf diesen Daten die Prozessdauern zu kalkulieren, auf Störungen geeignet zu reagieren und den Produktionsplan fortlaufend an den Produktionsfortschritt und zustand anzupassen. Die Qualität dieser Optimierungsaufgabe und die Umsetzbarkeit der generierten Produktionspläne hängen stark von der Korrektheit der hinterlegten Fertigungsstammdaten ab. Die Korrektur der Fertigungsstammdaten oder das Einpflegen von Daten für neue Produkte oder Maschinen wird im Produktionsalltag häufig vernachlässigt, da hierfür sehr viele manuelle Arbeiten erforderlich sind. Diese Anwendungsklasse definiert ein Vorgehen, um den manuellen Korrekturaufwand zu minimieren oder durch eine automatische Korrektur komplett zu vermeiden.  

Lösungskonzept

Basis der Korrektur bilden die Produktionsrückmeldungen, die den Produktionsprozess durch ein manuelles BDE-System (Betriebsdatenerfassung) und/oder direkt aus einer Maschinensteuerung protokolliert. Auf der Basis dieser Produktionsrückmeldungen umfasst der erarbeitete Ansatz zur Aktualisierung der Fertigungsstammdaten folgende Teilschritte: 1. Datenkonvertierung: Die protokollierten Prozessdaten werden in ein Standard-Datenformat (ISA-95) konvertiert. 2. Prozessidentifikation: Prozesse werden über die produzierten Zwischen- oder Endprodukte, die entstehen, geclustert. 3. Bearbeitungszeitregeln: Regeln zur Berechnung einer realistischen Bearbeitungszeit der Prozesse werden erzeugt, wobei über Regression verschiedene Prozessparameter eingehen können. 4. Prozessabhängigkeiten: Abhängigkeiten zwischen Vorgänger- und Nachfolgerprozessen werden abgeleitet und über statistische Analysen mit Übergangszeiten behaftet. 5. Rüstzeiten: Bildung von Prozessclustern pro Maschine, wobei die Prozesse eines Clusters keine Umrüstung erfordern, und Ermittlung der Umbauzeiten zwischen den Clustern.

Anwendungsgebiete

Typische Anwendungsgebiete liegen in der Produktion von Stückgütern in Einzel-/Kleinserien bis hin zur Serienfertigung. Charakteristisch hierfür sind: - Viele unterschiedliche Produkte, komplexe Produktionsabläufe. - Erwartet wird eine flexible Reaktion auf Veränderungen der Kundenwünsche. Dies führt zu Produktvarianten, deren Stammdaten nicht ausreichend nachgepflegt werden. - Erste Anwendungsbeispiele: Platinenbestückung, Halbleiterherstellung, Turbinenfertigung.

Kontakt
Dr. Michael Baumann
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB
Tel.: +49 721 6091-374
E-Mail: michael.baumann@iosb.fraunhofer.de