Logikebene ohne SPS abbilden

Digital Twin mit Echtzeitkernel

Mit dem digitalen Zwilling lassen sich echte Fertigungsprozesse am virtuellen Abbild überwachen. Die Erkenntnisse aus dem Monitoring wiederum können in die Verbesserung der Fertigungsprozesse einfließen. Bei Ascon Systems will man noch einen Schritt weitergehen. So könnte der digitale Zwilling künftig die Steuerung übernehmen - ganz ohne SPS.
Bild: ASCon System GmbH

Der Betrieb automatisierter Produktionsanlagen wird mit zunehmendem Automatisierungsgrad und der wachsenden Durchdringung mit Sensorik und Software immer herausfordernder. Auch Anlagenführer können dabei den Überblick verlieren. Assistenzsysteme auf Basis von Technologien wie dem digitalen Zwilling und künstlicher Intelligenz können Nutzerinnen und Nutzern helfen, den reibungslosen Anlagenbetrieb dennoch sicherzustellen.

Der digitale Zwilling

Unter einem digitalen Zwilling wird das digitale Abbild eines real existierenden Systems verstanden, welches über eine bidirektionale Kopplung dessen Eigenschaften, Zustände und Verhalten in der Realität unmittelbar in seinem digitalen Modell widerspiegeln kann. So werden Geschäftsprozesse, Produktinformationen und das Verhalten der Systeme sowie der entsprechende Kontext in einem gemeinsamen Datenmodell hinterlegt. Wie ein Navigationsgerät gibt das System beispielsweise Hinweise für den Anlagenbetrieb oder die automatische Umsetzung von Planungsmaßnahmen. Durch Überwachung und Optimierung der Produktion werden der Betrieb sowie Wieder- und Neuanläufe unterstützt. Während viele aktuelle Lösungen den Anlagenbedienern Verbesserungsmaßnahmen vorschlagen, will Ascon Systems Applikationen entwickeln, die künftig Optimierungen automatisch in die cyberphysikalischen Komponenten der Anlagen senden können. Auf dem Weg zur autonomen Produktion übernimmt der digitale Zwilling zunehmend Steuerungsfunktionen und kann sogar Hardware-Steuerungen ablösen.

Zwischen den Welten

Der digitale Zwilling als Schaltzentrale zwischen virtueller und realer Welt hält dem geläufigen Zielbild zufolge alle relevanten Informationen und Daten von Planung, Steuerung und Ist-Abwicklung aller im Prozess eingesetzter Ressourcen sowie der im Prozess befindlichen Aufträge bereit. Ascon Systems bietet mit ihrer Technologie Echtzeit-Verhaltensmodelle zur Synchronisation von Fertigungsplanung und Produktion. Diese Technologie ermöglicht es, die Produktion und Logistik mit zunehmend weniger SPS-Programmierung zu steuern. Verbunden mit den Maschinen und Anlagen, erfasst das digitale Abbild die Signalströme des Produktionsprozesses, um auf dieser Basis Echtzeit-Analytics etwa mit KI-Unterstützung zu ermöglichen.

Die Execution Engine

Die Digital Twin-Anwendung von Ascon basiert auf einer echtzeitfähigen, ereignisdiskreten, nicht zeitgetakteten Prozessausführungsmaschine namens Execution Engine, oder auch Echtzeitkernel. Diese erlaubt es per No-Code-Ansatz, Steuerungsprozesse zu definieren und auszuführen, von der Modellierung über die Konnektivität bis zur Ausführung.

Daten laufend korrelieren

In der fertigenden Industrie sind häufig viele IoT-Informationen aus Anlagen, Betriebsmitteln und IT-Systemen zur Flexibilisierung der Produktion verfügbar. Dabei sind die Informationen, die auf dem Shopfloor zur Verfügung stehen, keine direkt verwertbaren Daten, sondern lediglich kontextfreie Messwerte. Die Voraussetzung zu deren Verarbeitung etwa für KI-basierte Echtzeitanalysen ist neben der Vernetzung die Kontextualisierung in einem einheitlichen Datenmodell. Dazu korreliert der digitale Zwilling laufend verfügbare Informationen in unterschiedlichen Formaten – Sensordaten, System- und Anlagenparameter sowie IT-Daten. Über das modular aufgebaute Verhaltensmodell können auch komplexe Fertigungsanlagen abgebildet werden – ebenfalls per No-Code-Modellierung. So können beispielsweise ausgewählte Ist-Werte im digitalen Zwilling angezeigt werden, sowie alle Zustände der intern verwendeten Variablen.

Bild: ASCon System GmbH

SPS ohne Logikebene

Wenn der digitale Zwilling direkt auf die Hardwareebene der Fertigung zugreift, könnte die Logikebene heutiger SPS-Lösungen künftig ersetzt werden. Dadurch lassen sich Änderungen am Produktionsprozess, Funktionserweiterungen und Parameteränderungen künftig von Anlagenführern oder Planern selbst umsetzen, ohne dafür Programmierkenntnisse abzufragen.

Ein Beispiel aus der Logistik

Im digitalen Zwilling spiegeln sich verschiedene Abbilder der im Prozess eingesetzten Ressourcen und Aufträge wider. In Logistik-Prozessen sind das auf Seiten der Ressourcen etwa Gabelstapler, Ladungsträger, Flächen für die Konsolidierung oder Arbeitsplätze. Abbilder von Aufträgen sind beispielsweise Lieferscheine oder Picking-Aufgaben. Dadurch stehen wiederum alle Informationen für die kurzzyklische Aktualisierungen der Planung zur Verfügung und die Abwicklung wird laufend nachgesteuert. Plandaten und Steuerungsinformationen werden ihrerseits dem digitalen Zwilling übermittelt, was die Ausführung der angepassten Pläne auslöst. Unvorhergesehene Ereignisse gehen damit ohne Zeitverzug in die Planung ein. Durch die Orchestrierung von Planung, Steuerung und Ausführung entfallen durch fixe Planungszyklen vorgegebene Zeitverluste sowie Frozen Zones, also Zeiten ohne Spielraum für Anpassungen.

Plattform-Ansatz

Die Kernfunktionalität der Ascon-Plattform sichert ihr Echtzeit-Kernel ab, da er die Erfassung und Verwaltung selbst großer Datenvolumen unterstützt. Auf der Plattform stehen weitere Services wie KI-Applikationen für Auswertungen zur Verfügung. Richtung Edge-Ebene ermöglichen Integrationsservices die Einbindung von Sensoren, Steuerungen und Anwendungen. Zur Entwicklung eigener Lösungsbausteine bietet die Plattform zudem unterschiedliche Schnittstellen zur Integration. Solche Apps wie ‚Logistikkontrolle‘ werden in einem App-Store bereitgestellt. Dabei können sowohl unternehmensspezifische Lösungen als auch offene Standard-Shops angebunden werden.

In einer hochautomatisierten Anlage zur Montage von Dichtungen im Türrahmenbereich von Fahrzeugen wird die Ascon-Plattform bereits genutzt. In dieser Anlage fixieren sechs Industrieroboter im Zusammenspiel Moosgummidichtungen, die von Rollen zugeführt werden. Der gesamte Montageprozess wurde modelliert, die IoT-Ebene der Anlage angebunden und so ein virtuelles Abbild der Gesamtanlage bereitgestellt. In diesem Zwilling werden alle Signalzustände echtzeitnah erfasst sowie fortgeschrieben und stehen somit für die Optimierung der Anlage zur Verfügung. Die Signale werden im Hintergrund kontinuierlich ausgewertet und der Anlagenstatus sowie Fehlerentwicklungen auf einem Betriebsmonitor angezeigt. Die Anlagenführer bekommen durch die Ascon-Lösung Hinweise darüber, mit welchen Verbesserungsmaßnahmen gegenzusteuern ist. Ziel der Lösung war es, die Hochlaufphase der komplexen Anlage zu reduzieren und die Ausbringungsleistung schneller auf das angedachte Niveau zu bringen.

ASCon System GmbH

Das könnte Sie auch Interessieren

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.