Anzeige
Anzeige
Anzeige
Beitrag drucken

Bedienen und Beobachten

Höhere Flexibilität in der Anlagenüberwachung

Mit steigendem Marktdruck wächst auch die Komplexität der Automatisierung. Um Anlagen zu entwickeln, zu warten oder umzubauen, müssen Techniker, Systemingenieure und Anlagenbauer heute 'Alleskönner' sein. Um diese Situation auch in Zukunft beherrschen zu können, wird der Übergang in eine neue, intelligente Automation nötig.

Bild: CIIT

Zu Beginn der vierten, durch das Internet geprägten Revolution – auch als Industrie 4.0 bezeichnet – halten zunehmend Informations- und Kommunikationstechnologien (IKT) Einzug in die Automation. Beispiele dafür sind verbesserte Mensch-Maschine-Schnittstellen, eine stärkere Vernetzung und Assistenzfunktionen. Der gemeinsame Nenner ist die Verlagerung von menschlichem Expertenwissen in die Automation. Die Maschine übernimmt Aufgaben, die bislang Experten mittels komplexer Engineering-Werkzeuge manuell programmieren mussten. Das Institut für industrielle Informationstechnik (inIT) der Hochschule OWL sieht in der Human-Centered-Automation – einer Automation, die den Mensch in den Mittelpunkt rückt und die steigende Komplexität der Systeme für den Menschen beherrschbar macht – einen Ausweg aus dem Dilemma. Mittels intelligenter Assistenzsysteme in der Automation soll Komplexität beherrschbar werden, indem deren Wirkung auf den Menschen durch die Verwendung von entsprechenden Lösungen entschärft wird.

Engineering-Aufgaben für Automatisierer erleichtern

In der klassischen Automation modelliert ein Experte manuell das Wissen zum Lösungsweg mit Hilfe von Engineering-Werkzeugen. Das Wissen liegt prozedual vor, Intelligenz und Know-how liegen ausschließlich beim Menschen. Die Folge ist nicht nur ein hoher Engineering-Aufwand bei Inbetriebnahme und Anlagenanpassungen. Dieses Vorgehen zwingt den Automatisierer auch dazu, ein breites Wissen über die Anlage, die Produktionsziele, die IT und vor allem die Automatisierungstechnik zu besitzen. In Zeiten von Industrie 4.0 sollte die Automationslösung das Wissen zur Anlage genauso vorhalten wie Lösungswege für bekannte Probleme. Der Benutzer formuliert im Optimalfall lediglich Ziele wie Durchsatz, Energieverbrauch oder den gewünschten Umgang mit Verschleiß und Fehlern (Bild 3). Hierdurch kann sich der Aufwand in der Automation bei Inbetriebnahme und Anlagenumbau massiv verringern. Der Automatisierer kann sich damit verstärkt um seine Kernaufgabe, die Produktionsautomatisierung, kümmern. Intelligente Assistenzsysteme unterstützen ihn dann konkret bei der komplexen IT und den technischen Details der Automatisierungstechnik.



Beispiel für fie 3D-Visualisierung einer Anlage: Der Einsatz von AutomationML erleichtert das Erstellen mobiler Anwendungen. Bild: CIIT

Selbstständiges Erkennen von Anlagen-Störungen

Die Überwachung von komplexen vernetzten Anlagen stellt eine besondere Herausforderung dar. Betreiber haben mit einer Fülle von Daten zu tun, die sie interpretieren müssen. Zukünftig können selbstlernende Maschinen hierbei Hilfestellung leisten. Die Lemgoer Forscher des inIT entwickelten dazu einen Algorithmus, mit dem Produktionsanlagen selbständig lernen Störungen zu erkennen. Zur Anlagenüberwachung und Diagnose wurden bisher Regeln für das Normal- und Fehlverhalten manuell aufgestellt. Der Experte musste dabei alle Fehlermöglichkeiten vorhersehen und deren Auswirkungen auf die Sensordaten vorausdenken. Das bedeutet ebenfalls einen hohen Aufwand bei jedem Anlagenumbau. Hinzu kommt, dass Fehler auf diese Weise selten vorausgesehen werden können.

Was bisher nur manuell möglich war, kann die Maschine fortan übernehmen: Während des ablaufenden Produktionsprozesses lernt eine Software das ‚Normalverhalten‘ einer Maschine oder Anlage und speichert dieses als Modell ab. Möglich wird das mittels Methoden der Statistik. Im Fertigungsverlauf wird das erlernte Wissen mit Prozessdaten der laufenden Produktion verglichen. Bei einer Abweichung vom ‚Normalverhalten‘, wenn Vorhersage des Modells und Anlagenverhalten voneinander abweichen, schlägt ein Assistenzsystem Alarm und teilt diese Anomalie mit. Der Anlagenbediener muss anschließend lediglich die notwendigen Schritte einleiten, falls eine Störung vorliegt. Die manuelle Überwachung und Auswertung aller Daten entfällt. Die Anlage kann auf diese Weise durch das Filtern wichtiger Informationen den Blick des Betreibers auf Störungen lenken. Zusätzlich kann der Algorithmus ‚dazulernen‘: Handelt es sich bei einer Abweichung nicht um einen Fehler, kann der Nutzer das im Modell hinterlegen.


Das könnte Sie auch interessieren:

Im Rahmen eines neu aufgesetzten Partnerprogramms will der Simulationsspezialist Machineering Anwendern u.a. die Lösungsintegration erleichtern.‣ weiterlesen

Immer wieder sind Unternehmen und Organisationen von Ransomware-Angriffen betroffen. Der Softwareanbieter Check Point beobachtet dabei ein noch aggressiveres Vorgehen der Hacker.‣ weiterlesen

Toby Alcock ist neuer Chief Technology Officer der Logicalis Group. Er bekleidete zuletzt die Position des Chief Technology Officer für Logicalis Australien.‣ weiterlesen

Sven Behrendt ist neuer CEO der SER Group. Die Unternehmensgruppe teilt zudem mit, dass John Bates als Executive Chairman in den Beirat der SER Group berufen wurde.‣ weiterlesen

Der Ort, an dem die wichtigsten Prozesse der Datenspeicherung und -verarbeitung stattfinden, hat sich in den letzten Jahrzehnten mehrfach verschoben. Von zentralen Großrechnern bis in die Cloud und wieder zurück. Durch den aktuellen Trend des Edge Computing werden Teile der Datenverarbeitung wieder näher an den Entstehungsort gerückt. Doch was ist der effizienteste Weg?‣ weiterlesen

In vielen Unternehmen steht der Anspruch an die Produktqualität in krassem Gegensatz zum Anspruch an die Stamm- und Plandaten. Doch diese sind essenziell für viele Berechnungen bis hin zur Wirtschaftlichkeit eines Produktes. Datenpflege im Werk ist zwar mühsam, aber mit den passenden Methoden und Software gut zu bewältigen.‣ weiterlesen

Wirklich Nutzen aus Machine Learning zu ziehen, ist schon schwer genug. Umso ärgerlicher ist es, wenn Fehler den Fortschritt verzögern. Dieser Leitfaden führt, angelehnt an zahlreiche Best Practices, durch ein erfolgreiches ML-Projekt und zeigt typische Fallstricke auf.‣ weiterlesen

Bei der Umstellung auf eine datengetriebene Produktion gibt es einige Herausforderungen, die es bereits im Vorfeld zu beachten gilt. Um diese systematisch angehen und meistern zu können, ist eine stufenweise Etablierung deshalb ein sinnvoller Weg.‣ weiterlesen

Martin Strempel ist neuer Business Development Manager Data Analytics beim beim MES-Anbieter Itac Software. In seiner bisherigen Laufbahn bei der BMW Group war er u.a. für die Produktionssteuerung im Werk in München verantwortlich und entwickelte Manufacturing Execution Systeme (MES) weiter.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige