Hintergrund
Seit 2009 begleite die nuveon GmbH mittelständische Produktionsunternehmen in die digitale Zukunft. Mit einem auf Wiki-Technologie basierenden App-System bieten sie IIoT-Komplettlösungen, die Prozesse und
Maschinendaten erfassen und auswerten in maßgeschneiderten Software- und Prozesslösungen an.
Mit der zunehmenden Bedeutung von Künstlicher Intelligenz und Predictive Maintenance stellt sich für produzierende Unternehmen verstärkt die Frage, wie vorhandene MES-Systeme künftig erweitert werden können. Dabei geht es nicht nur um die Überwachung einzelner Maschinen, sondern auch um die intelligente Verknüpfung von Prozess-, Anlagen- und Produktdaten.
Im Rahmen des Praxisprojekts mit der nuveon GmbH wurden Integrationsmöglichkeiten von KI in MES-Systemen am Beispiel einer Produktionssimulationsumgebung untersucht. Dafür wurde der an der TH Wildau entwickelte Demonstrator "Produktionssimulationsumgebung für Predictive Maintenance Anwendungen" eingesetzt.
Der Schwerpunkt lag auf einem alternativen Ansatz zur Datenerfassung: Statt ausschließlich Maschinen mit zusätzlicher Sensorik auszustatten, wurde der Werkstückträger selbst als mobile Datenquelle betrachtet. Dadurch können Messwerte direkt während des Prozessdurchlaufs aufgenommen und mit stationären Anlagendaten kombiniert werden.
Herausforderung
Predictive Maintenance wird in der industriellen Praxis häufig über die sensorische Überwachung einzelner Maschinen umgesetzt. Dieser Ansatz kann jedoch mit hohem Integrationsaufwand verbunden sein, insbesondere wenn bestehende Anlagen nachträglich erweitert oder zusätzliche Schnittstellen geschaffen werden müssen. Für kleine und mittlere Unternehmen sind daher Lösungen interessant, die sich modular, nachvollziehbar und mit überschaubarem Aufwand erproben lassen.
Die Herausforderung im Projekt bestand darin, ein realitätsnahes, aber kontrollierbares Testszenario für KI-gestützte Instandhaltungsansätze aufzubauen. Dabei sollten stationäre Anlagendaten und mobile Daten eines Werkstückträgers erfasst, zusammengeführt und für spätere Auswertungen nutzbar gemacht werden.
Ein weiterer Schwerpunkt war die Frage, wie sich aus den erfassten Sensordaten Muster des Normalbetriebs ableiten lassen. Diese Baseline bildet die Grundlage, um Abweichungen im Prozess zu erkennen und potenzielle Fehlerzustände frühzeitig sichtbar zu machen. Neben Predictive Maintenance standen dabei auch Themen wie Qualitätssicherung, Prozessstabilität und die perspektivische Abbildung in einem digitalen Zwilling im Fokus.
Lösung
Für die Umsetzung wurde eine Produktionssimulationsumgebung auf Basis eines Carrera-Bahn-Demonstrators genutzt. Die Strecke bildet einen vereinfachten Produktionsprozess ab und ermöglicht es, unterschiedliche Zustände und Prozessabläufe kontrolliert zu simulieren. Das Fahrzeug übernimmt in diesem Aufbau die Rolle eines mobilen Werkstückträgers/Warenträgers.
Die Umgebung wurde mit industrietypischer stationärer Sensorik ausgestattet. Ergänzend wurde der mobile Werkstückträger mit zusätzlicher Sensorik versehen, um während des Durchlaufs eigene Messwerte zu erfassen und zu übertragen. Die Architektur bietet zudem Erweiterungsmöglichkeiten für zusätzliche Sensorik.
Durch diese Kombination entsteht eine Datenbasis, die sowohl den Zustand der simulierten Anlage als auch die Perspektive des Werkstückträgers abbildet. Das MES-System der nuveon GmbH kann diese Informationen aufnehmen und für weiterführende Analysen bereitstellen. Damit wird ein Szenario geschaffen, in dem stationäre Prozessdaten und mobile Sensordaten gemeinsam betrachtet werden können.
Auf dieser Grundlage wurde eine Anomalieerkennung umgesetzt. Ziel war es, typische Prozesszustände zu erfassen, Normalverhalten zu beschreiben und Abweichungen davon zu identifizieren. Die gewonnenen Daten und Ansätze bilden damit eine Grundlage für Predictive-Maintenance-Anwendungen sowie für weiterführende Forschungs- und Entwicklungsschritte.
Umsetzung
Stationäre Sensorik
Zunächst wurde die Produktionssimulationsumgebung mit stationärer Sensorik ausgestattet, um Ereignisse und Prozesszustände entlang der Strecke erfassen zu können. Zum Einsatz kamen unter anderem RFID-Reader von Pepperl+Fuchs, Reflexionslichttaster sowie eine W&T-Datenerfassung mit Lichtschranke zum Zählen der Runden.
Über diese Sensorik lassen sich unter anderem Positionen, Durchläufe und Zustandsänderungen im simulierten Produktionsprozess erfassen. Damit entsteht eine stationäre Datenbasis, die den Zustand der Anlage und zentrale Prozessereignisse beschreibt.
Mobiler Werkstückträger
Ergänzend wurde das Fahrzeug als mobiler Werkstückträger aufgebaut. Es erfasst während der Fahrt eigene Messwerte und erweitert damit die stationäre Sicht auf den Prozess um eine mobile Perspektive.
Der Werkstückträger wurde mit einem ESP32 ausgestattet. Darüber werden Sensordaten einer BNO085-IMU sowie Strommessdaten über INA219-Sensoren erfasst und übertragen. Die Architektur ist so angelegt, dass künftig weitere Sensoren ergänzt werden können.
Datenbasis und Auswertung
Die erfassten Daten wurden genutzt, um umfangreiche simulierte Prozessdaten zu erzeugen und auszuwerten. Durch die Kombination stationärer Anlagendaten mit den Daten des mobilen Werkstückträgers lassen sich Prozesszustände genauer beschreiben und miteinander vergleichen.
Diese Datenbasis ermöglicht es, typische Muster des Normalbetriebs zu analysieren und Abweichungen davon sichtbar zu machen. Sie bildet damit die Grundlage für Predictive-Maintenance-Anwendungen und weitere KI-gestützte Auswertungen.
Anomalieerkennung
Auf Basis der erfassten Prozessdaten wurden erste KI-gestützte Verfahren zur Anomalieerkennung angewendet. Ziel war es, Normalverhalten zu beschreiben und Abweichungen im Prozess automatisiert zu identifizieren.
Die Ansätze wurden bereits wissenschaftlich aufgegriffen und bilden die Basis für weitere Untersuchungen im Bereich Predictive Maintenance. Dadurch konnte gezeigt werden, dass die Simulationsumgebung geeignet ist, um KI-Methoden praxisnah zu testen und weiterzuentwickeln.
Weiterführende KI-Ansätze
Perspektivisch kann die Datenbasis um weitere KI-Methoden erweitert werden. Dazu zählt beispielsweise die Generierung künstlicher Trainingsdaten, um seltene Fehlerfälle besser abbilden und Modelle robuster trainieren zu können.
Auch diskriminierende Modelle zur Bewertung synthetischer Daten sind als weiterführender KI-Ansatz denkbar. Darüber hinaus bieten die erfassten Daten Potenzial für Anwendungen in der Qualitätssicherung, Prozessoptimierung und für die Entwicklung digitaler Zwillinge.
Fazit und Ausblick
Das Praxisprojekt zeigt, wie sich MES-Systeme, mobile Sensordatenerfassung und KI-basierte Analyseverfahren in einer realitätsnahen Simulationsumgebung miteinander verbinden lassen. Der Ansatz ermöglicht es, Predictive-Maintenance-Szenarien nachvollziehbar zu testen, ohne unmittelbar in reale Produktionsanlagen eingreifen zu müssen.
Die gewonnenen Erkenntnisse bilden eine Grundlage für weitere Entwicklungsarbeiten. Besonders relevant sind dabei die Erweiterung der Datenbasis, die Weiterentwicklung der Anomalieerkennung sowie die Nutzung der Ergebnisse für Qualitätssicherung, Prozessoptimierung und digitale Zwillinge.