788iee0617_Aufmacher_Vorlage_tn_302_2_6

Mondi Gronau hat sich zum Ziel gesetzt für den eigenen Standort Industrie 4.0 Pilot-Projekte herauszugreifen und umzusetzen. Dazu gehören Big Data, Human-Machine-Interface, Predictive Maintenance, Data Analysis, Mobile Device Management sowie die virtuelle Lagerverwaltung. Mondi

Die in Kooperation mit MathWorks Consulting Services entwickelten Ansätze steigern nicht nur die Produktqualität, sie verringern ebenso Ausschuss, Stillstandzeiten und Energieverbrauch.
Als Kernkomponente des Projekts wurde ein Empfehlungssystem konzipiert, das auf einer Kombination von automatisierter Sensordaten-Auswertung und menschlicher Erfahrungswerte beruht.
Die automatisch generierten Empfehlungen basieren auf Vorhersagemodellen in Matlab, die wiederum anhand historischer Messdaten mittels Machine Learning-Algorithmen erstellt werden. Von jeder Maschine bewerten die Algorithmen pro Minute Hunderte von Sensordaten (zum Beispiel Temperatur, Druck) sowie die Qualitätsstati der produzierten Polymerfilme.
Um möglichst gute Vorhersagen zu erzielen, werden die Sensordaten bereinigt, mit den Qualitätsdaten zusammengeführt. Diese historischen Daten dienen als Grundlage für die Evaluierung mehrerer Algorithmen. Das robusteste dieser Modelle, das heißt, das mit der höchsten Genauigkeit, wird dann für die Empfehlung verwendet. Dieses System ist in die bestehende IT-Infrastruktur integriert und wird auf einer wachsenden Zahl von Produktionsmaschinen kontinuierlich ausgerollt.

Human-Machine-Interface gibt datenbasierte Empfehlungen

Steigender Wettbewerbsdruck, sinkende Margen und die Flexibilisierung erfordern intelligente Technologien, um Produktionsprobleme frühzeitig zu erkennen, zu lösen und die Effizienz zu steigern. Die Anforderungen an einen Mitarbeiter an der produzierenden Maschine steigen daher stetig: Die Qualitätssicherungssysteme müssen betreut, die Maschinenparameter angepasst und die Fertigprodukte verlagert werden. Stets muss der Maschinenführer sehr flexibel reagieren. Daher kann er keine 100 %-Überwachung des Produktionsprozesses gewährleisten.
Abhilfe schafft eine Software, die alle Subsysteme einer Maschine überwacht und eine Empfehlung gibt. Dazu wurde zusammen mit den Maschinenführern ein HMI (Human-Machine-Interface) für das Echtzeit-Monitoring aller Maschinenparameter entwickelt.
Die von der Server-Anwendung zentral vorgehaltenen Sensordaten kann der Maschinenführer selektieren und sich pro Maschine in einem der vier Graphen visualisieren lassen. Zusätzlich kann er pro Sensor Grenzwerte vorgeben, deren Überschreitung in den Diagrammen dann rot eingefärbt wurden.

Die Daten der Maschinen und QS-Systeme werden in einer Datenbank archiviert und ausgewertet. Die Vorhersagen, an den Maschinen in einem HMI-Frontend visualisiert, dienen den Maschinenführern als Basis für ihre manuellen Anpassungen. Fernziel ist, dass die Maschinen auf Basis der Machine-Learning-Algorithmen ihre Parameter eigenständig anpassen. Die Daten der Maschinen und QS-Systeme werden in einer Datenbank archiviert und ausgewertet. Die Vorhersagen, an den Maschinen in einem HMI-Frontend visualisiert, dienen den Maschinenführern als Basis für ihre manuellen Anpassungen. Fernziel ist, dass die Maschinen auf Basis der Machine-Learning-Algorithmen ihre Parameter eigenständig anpassen.

Die Daten der Maschinen und QS-Systeme werden in einer Datenbank archiviert und ausgewertet. Die Vorhersagen, an den Maschinen in einem HMI-Frontend visualisiert, dienen den Maschinenführern als Basis für ihre manuellen Anpassungen. Fernziel ist, dass die Maschinen auf Basis der Machine-Learning-Algorithmen ihre Parameter eigenständig anpassen. Mondi Group, Mathworks

Big Data ist nicht weit weg: Datenerfassung und Speicherung

Jede der Maschinen besteht aus vier bis fünf Steuerungen. Zur Überwachung der Folienqualität gibt es separate optische Kontroll-, ein Farbmess- und ein Dickenmesssysteme. Die sensorischen Daten werden über die SPS an einen Datensammler auf Basis einer Beckhoff-Steuerung übergeben und von dort an einen Oracle-Server zur Speicherung übertragen. Die Software zur Darstellung der Vorhersage-Modelle besteht aus einer Server- und einer Clientanwendung. Die Serveranwendung ruft mittels SQL-Query die Daten ab und verarbeitet diese: In Summe sind das die Minuten-Werte von rund 2000 Sensoren aus insgesamt 20 Maschinen über eine Zeitspanne zwischen einem und sieben Tagen.
Nach der Aufbereitung und Analyse dieser Daten auf dem Server, stehen die Ergebnisse im Netzwerk zur Verfügung. Die Client-Anwendung (HMI-Software) greift auf diese Netzwerkdaten zu und bereit sie in einer Grafik auf. Die visualisierten Daten nutzt der Bediener, um anschließend manuell Einstellungen an der Maschine durchzuführen.
Das System hält nicht nur die Rohdaten für die Visualisierung vor; historische Sensordaten und Informationen der Qualitätsdatenüberwachung stehen ebenfalls zur Verfügung, um anhand statistischer Informationen Vorhersagen zu treffen. Dazu greift die Software auf Daten zurück. Die Abrufe sind wiederum zwischen zwei Monaten und bis zu einem Jahr einstellbar. Hierbei werden die Sensordaten entsprechend der zugehörigen Produktqualität markiert: Die Algorithmen unterscheiden dabei zwischen Sensordaten, die während der fehlerhaften Produktion aufgezeichnet wurden (Klasse 2) und jenen, die während der fehlerfreien Produktion aufgezeichnet wurden (Klasse 1).
Im ersten Schritt werden die gemessenen Sensoren einzeln ausgewertet, um gegebenenfalls signifikante Zusammenhänge zwischen einzelnen Sensorwerten und fehlerhaften Produktionszyklen erkennen zu können. Anhand dieser Auswertungen ist es jedoch schwierig aus einzelnen Sensorwerten Rückschlüsse auf fehlerhafte Produktionszyklen zu ziehen. Der Grund: Bei allen Sensoren liegen auch Normalwerte außerhalb der Konfidenz-Bereiche.

Auf Seite 2 geht es weiter es mit der Anomalie-Erkennung per Projektion

Seite 1 von 212