Werden neue Maschinen und Anlagen entwickelt und geplant, steht am Ende des Prozesses die Inbetriebnahme. In diesem Schritt müssen die Funktionen überprüft und die letzten Fehler behoben werden. Dabei entsteht häufig Zeitdruck – und jeder Fehler ist teuer. Verhindern soll dies die virtuelle Inbetriebnahme. Das heißt, anstatt bis zum Schluss abzuwarten, bis die Systeme aufgebaut sind, werden hier Simulationen eingesetzt, um Tests und Optimierungen durchzuführen. Insbesondere in der Steuerungstechnik lassen sich so einzelne Abläufe oder auch komplette Steuerungssysteme frühzeitig testen, ohne dass das reale System benötigt wird. Die Simulationen können in Kombination mit Modellen der Steuerungsabläufe, mit der Steuerungssoftware oder sogar mit dem kompletten Steuerungssystem inklusive Hardware ausgeführt werden.

Die virtuelle Inbetriebnahme kann die reale Inbetriebnahme nicht vollständig ersetzen, doch ein großer Anteil der Tests kann auf diese Weise bereits in früheren Phasen des Entwicklungsprozesses durchgeführt werden. Dadurch ist es günstiger, Fehler zu beheben, und Zeit in kritischen Phasen kann eingespart werden. Zusätzlich sind Tests durchführbar, die an realen Systemen nicht möglich sind. Um dies zu ermöglichen, müssen die verwendeten Simulationsmodelle hohe Anforderungen erfüllen:

• Der erste Aspekt ist die Genauigkeit – das Verhalten der Maschinen soll möglichst exakt abgebildet werden. Je genauer die Modellierung, desto sicherer können Fehler ausgeschlossen werden.
• Der zweite Aspekt steht zum ersten häufig im Widerspruch– denn damit die Steuerung mit der Simulation kommunizieren kann, muss die Simulation schnell genug sein. Es sollte daher möglich sein, die Modelle in Echtzeit zu berechnen.
• Darüber hinaus kann nur getestet werden, was auch im Modell abgebildet ist. Folglich sollten die Modelle vollständig sein.

Grundprinzip der virtuellen Inbetriebnahme. © ISW

Aktuell fokussiert die virtuelle Inbetriebnahme logisches und kinematisches Verhalten, teilweise wird Dynamik mitberücksichtigt. Es wird nur mit Starrkörpern gerechnet, weder Verformungen werden beachtet noch Flüssigkeiten simuliert. Dies funktioniert beispielsweise für Roboter oder Werkzeugmaschinen; sobald diese jedoch weiche Materialien wie Kabel oder Stoffe handhaben, lässt sich bisher nur ein Bruchteil des Verhaltens in der virtuellen Inbetriebnahme testen.

Von physikbasierten zu gelernten Modellen

In vielen Abteilungen werden Simulationen eingesetzt – beispielsweise Finite-Elemente-Modelle in der Konstruktion, Computational Fluid Dynamics in der Fluidtechnik oder thermische Modelle in der Fertigungstechnik. Diese Modelle bieten zwar häufig eine hohe Genauigkeit, sind aber nicht echtzeitfähig. In der Regel handelt es sich um analytische oder numerische Modelle, die dreidimensionale Situationen physikbasiert berechnen.

Eine Alternative hierzu sind gelernte Modelle, die nicht auf einer physikalischen Beschreibung basieren, sondern datenbasiert ein Verhalten widerspiegeln.

Die gelernten Modelle sind parametrisierbare Funktionen, die das entsprechende Verhalten approximieren – häufig mit neuronalen Netzen. Anhand der vorhandenen Modelle können Datensätze erstellt werden, die das entsprechende Verhalten widerspiegeln. Diese Daten könnten genutzt werden, um Modelle zu lernen.

Physikbasierte Modelle in der virtuellen Inbetriebnahme werden individuell für einzelne Aufgabenstellungen entwickelt, basierend auf dem jeweiligen (physikalischen) Funk-tionsprinzip. Dafür müssen die physikalischen Parameter der Objekte und der Umgebung bekannt sein.

Die Architekturen von gelernten Modellen hingegen können wiederverwendet werden, da sie nicht ursachenbasiert aufgebaut sind. So kann beispielsweise eine ähnliche Architektur für das Verhalten von Kabeln und für das Verhalten von Flüssigkeiten verwendet werden. Die Entwickler müssen die Funk-tionsprinzipien folglich weniger detailliert berücksichtigen.

Das wichtigste Argument für gelernte Modelle ist jedoch die Rechenzeit.

Während physikbasierte Modelle häufig hohe Rechenanforderungen haben, können gelernte Modelle direkt auf Effizienz optimiert werden. Das Training ist rechenaufwendig, aber bei der Anwendung der gelernten Modelle ist der Rechenaufwand tendenziell geringer. Darüber hinaus sind die gelernten Funktionen häufig direkt mathematisch ableitbar, wodurch mathematische Optimierungen anhand der Modelle durchgeführt werden können, was bei physikbasierten Modellen oftmals nicht möglich ist.

Das Training von gelernten Modellen kann aufwendig sein und benötigt eine große Menge an Daten. In der Praxis sind die gelernten Modelle erst interessant, wenn nicht jede Parameterkonfiguration neu trainiert werden muss. Es stellt sich dabei jeweils die Frage, wie viele individuelle neuronale Netze nötig sind oder ob mehrere Konfigurationen oder Szenarien mit einem Netz abgebildet werden können. Diese Generalisierbarkeit kann physikalische Parameter betreffen, aber auch Umgebungseinflüsse oder Einschränkungen. In Bezug auf Flüssigkeiten könnten beispielsweise die Dichte oder Viskosität in einem Netz, die Flüssigkeitsmenge oder die Form von Hindernissen verallgemeinert werden.

Gelernter Materialfluss

Vergleich der Stückgüterbewegung mit der Physics Engine (links) und mit den Graph Neural Networks (rechts). © ISW

Auch im Bereich der Dynamik können die Modelle zu rechenaufwendig für die virtuelle Inbetriebnahme werden – ins-besondere, wenn viele Kollisionen auftreten, die iterativ aufgelöst werden müssen. Dies ist beispielsweise beim Materialfluss der Fall, wenn sehr viele Stückgüter vorhanden sind, deren Bewegung durch Kollisionen entsteht.

Der Autor: Florian Jaensch ist wissenschaftlicher Mitarbeiter ‚Virtuelle Methoden in der Produktionstechnik‘ am Institut für Steuerungstechnik ISW der Universität Stuttgart. © ISW

Vor diesem Hintergrund wurden am Institut für Steuerungstechnik (ISW) der Universität Stuttgart mit einer Physics Engine Daten aufgezeichnet, in denen die Bewegung großer Mengen an Stückgütern auf Förderbändern widergespiegelt wird. Diese Daten wurden genutzt, um ‚Graph Neural Networks ‚zu trainieren. Graph Neural Networks sind neuronale Netze, die auf einer Graphen-Struktur arbeiten. Die Positionen der einzelnen Stückgüter werden im Graphen als Knoten dargestellt, die Interaktion zwischen den Stückgütern als Kanten. Die Kanten des Graphens werden daher nur zwischen Knoten gebildet, die sich in der Nähe voneinander befinden. Über die Kanten werden Informationen ausgetauscht, was den Kollisionen zwischen den Stückgütern entspricht. Zusätzlich wird ein zweiter Typ von Knoten erstellt, mit dem die Umgebung – beispielsweise Hindernisse – abgebildet werden.

Die Autorin: Annika Kienzlen ist wissenschaftliche Mitarbeiterin ‚Virtuelle Methoden in der Produktionstechnik‘ am Institut für Steuerungstechnik ISW der Universität Stuttgart. © ISW

Ein derartiges Graph Neural Network rechnet für große Mengen an Stückgütern fast ebenso schnell wie bei einzelnen. Auf diese Weise wird es möglich, Kollisionen großer Mengen an Stückgütern in der virtuellen Inbetriebnahme abzubilden. Das Modell kann verschiedene Mengen an Stückgütern, unterschiedliche Förderbandgeschwindigkeiten und vari-able Winkel der Hindernisse simulieren.

Greybox-Modelle

Der Autor: Univ.-Prof. Dr.-Ing. Alexander Verl ist Inhaber der Professur ‚Steuerungstechnik und Mechatronik für Produktionssysteme‘ am Institut für Steuerungstechnik ISW der Universität Stuttgart. © ISW

Bisher finden gelernte Modelle in der virtuellen Inbetriebnahme noch kaum Anwendung. Da jedoch viele Simulationen eingesetzt und auch an anderen Stellen Daten aufgezeichnet werden, die zum Training verwendbar wären, besteht hier ein großes Potential, die Anwendbarkeit der virtuellen Inbetriebnahme zu erweitern. Insbesondere Domänen, die bisher in der virtuellen Inbetriebnahme nicht berücksichtigt werden, könnten dadurch besser getestet und optimiert werden. Zudem besteht die Möglichkeit, gelernte Modelle mit physikalischen Gleichungen zu kombinieren. Solche Greybox-Modelle kombinieren die bekannten Whitebox-Modelle mit physikalischen Gleichungen und den unbekannten Blackbox-Modellen, die komplett gelernt sind.