Entwicklungen im Kontext der Industrie 4.0 zielen im Allgemeinen darauf ab, die Produktion auf verschiedenen Ebenen der Automatisierungs­pyramide anhand von möglichst in Echtzeit verfügbaren Informationen zu optimieren. Dazu werden echtzeitfähige statistische, physikalische oder mathematische Modelle mit Realdaten gespeist, um das Verhalten von Prozessen, Anlagen, Lieferketten und Produkteigenschaften abzubilden und vorherzusagen. Der zunehmende Einsatz von Sensoren und die dadurch steigende Informationsdichte ermöglichen die Nutzung immer komplexerer und genauerer Modelle. Mögliche Aufgaben dieser Modelle sind etwa die Bestimmung des Maschinenzustands aufgrund thermischer Lasten zur volumetrischen Kompensation von Verformungen der Werkzeugmaschine.

In der Produktion werden Modelle in Form sogenannter cyber-physischer Produktionssysteme (CPPS) implementiert. Diese CPPS erfassen Daten über produktionsintegrierte Sensoren und Messsysteme in Echtzeit, speichern und werten Daten zum Zwecke der Modellbildung aus, interagieren durch Aktoren aktiv mit der physikalischen, menschlichen und digitalen Welt und sind über digitale Kommunikationseinrichtungen untereinander sowie mit dem Internet of Things (IoT) verbunden.

Anforderungen an zukünftige Sensorik in Anlehnung an die VDI-Roadmap Fertigungsmesstechnik 2020.

© RWTH Aachen

Ein Beispiel für einen Prozess mit hohen Anforderungen an Geschwindigkeit und Genauigkeit ist die roboterbasierte messtechnisch-gestützte Montage von Flugzeugbauteilen. Die hier geforderte Montagetoleranz von circa 0,1 mm lässt sich, bei Verzicht auf starre Vorrichtungen, nur durch eine messtechnische Überwachung und Regelung der Roboterposition vor jedem Montageschritt erreichen. Derzeit erfüllen nur wenige Messsysteme diese Anforderung, so dass entweder mehrere Messsysteme parallel eingesetzt oder größere Wartezeiten in Kauf genommen werden müssen.

Die Nutzung von Sensordaten zur Produktionsregelung erfordert, dass die Daten hinreichend abgesichert werden; die Messunsicherheit muss dazu bestimmbar und nachweisbar sein. Diese Forderungen sowie die Notwendigkeit der Rückführbarkeit wurden durch die Überarbeitung der ISO 9001 (2015) weiter verschärft. Neben dem allgemeinen Messunsicherheitsnachweis verfolgen aktuelle Entwicklungen zudem das Ziel, einzelnen Messwerten eine individuelle Messunsicherheit zuzuordnen – beispielsweise durch Zugriff auf Umgebungsinformationen wie etwa die Temperatur.

Flexible Produktion per Multisensorsysteme

Die Vielfalt der für den Betrieb von CPPS erforderlichen Informationen erfordert Multisensorsysteme, deren Informationen wiederum mittels Sensordatenfusion zusammengeführt werden müssen. Dies führt zu einer steigenden Informationsdichte, die es Anwendern erlaubt, die zu einem Bauteil gehörigen Daten für mehrere Anwendungen und damit flexibler zu nutzen. Gleichzeitig wird die Identifikation der für eine in­dividuelle Anwendung relevanten In­formationen jedoch erschwert. Erleichterung bringt eine Vorverarbeitung der Daten in den Sensoren. Anwendungen hierfür finden sich unter anderem in der Schadensdiagnose an Faserver­bundwerkstücken, bei denen ein einzelnes Verfahren keine ausreichenden Informationen über einen Schaden bereitstellen kann. So ist es beispielsweise möglich, mittels Lockin-Thermografie zunächst auf der Makro-Ebene Defekte räumlich zu lokalisieren, um diese anschließend mittels Ultraschall näher zu klassifizieren.

Neben allgemeinen Anforderungen zur Verbesserung von Geschwindigkeit, Genauigkeit, Sicherheit und Flexibilität von Sensorik stellt die Industrie 4.0 die Anforderung nach ­einer ganzheitlich erfassenden und ­vernetzten Sensorik. Dies erfordert eine Standardisierung der informationstechnischen Anbindung intelligenter Sensoren. Neben der Standardi­sierung von Eingangsdaten für intelligente Sensoren (zum Beispiel ‚STEP‘ für Produktgeometrien) sind standardisierte dienstbasierte Ausgangsinformationen zur Kommunikation der Sensordaten notwendig. Die zunehmende Sensordichte und die damit verbundenen Datenmengen erfordern außerdem die Weiterentwicklung der gängigen Kommunikationsstrukturen zur echtzeitfähigen Übertragung hoher Datenraten.

Messtechnisch gestützte Montage in Bewegung

Messtechnisch gestützte Montage am Beispiel der Windschutzscheibenmontage in Bewegung am WZL der RWTH Aachen.

© RWTH Aachen

Das Beispiel der Windschutzscheiben-Montage am bewegten Fahrzeug am Werkzeugmaschinenlabor WZL der RWTH Aachen zeigt die Potenziale eines CPPS zusammen mit moderner Sensorik auf.

Automatisierte Montageprozesse in der Endmontage der Automobil- und Nutzfahrzeug-Industrie erfolgen typischerweise innerhalb einer Ausschleusung aus der Fließmontage am stationären Produkt, um so die Positionierung und Orientierung von Montage-Objekt und Automatisierungstechnik zueinander zu vereinfachen. Nachteile dieses Verfahrens sind erhöhter Platzbedarf und technischer Aufwand für die notwen­digen Pufferstrecken. Am WZL wird daher im Rahmen des AiF-Pro­jektes ‚Fasim_XL‘ (‚Automatisierte Großbauteilemontage unter Fließbe­dingungen‘ – IGF-Nr. 18425N/2) eine flexible Lösung entwickelt, in der ­Sensorik eingesetzt wird, um ein ­Montage-Objekt – eine Lkw-Fahrer­kabine – und das zu montierende Teil – die Windschutzscheibe – mittels Industrierobotern ohne Unterbrechung der Fließbewegung zu montieren.

Hierzu kommt ein sogenanntes Globales Referenzsystem (GRS) auf Basis des Messsystems ‚Nikon iGPS‘ zum Einsatz. Dieses großvolumige optische Messsystem ermöglicht es, ähnlich wie beim terrestrischen GPS, mittels spezieller Empfänger nahezu beliebig viele Punkte innerhalb des Messvolumens gleichzeitig mit einer Messunsicherheit von circa 150 µm zu bestimmen. Um die Positionierung der Windschutzscheibe an das Fahrzeug zu regeln, erfassen die Empfänger sowohl die ak­tuelle Position und Orientierung des Handhabungswerkzeugs am Industrieroboter als auch der Lkw-Fahrerkabine. Die Positionsinformationen der Fahrerkabine bilden die Eingangsgrößen für eine modellbasierte prädiktive Regelung, die ungleichmäßige Bewegungen wie Gieren, Taumeln oder Ruckeln auf dem Transfersystem ausgleicht und die Pose der Industrieroboter entsprechend regelt.

Am Szenario der Montage in Bewegung lassen sich die zuvor dargestellten Anforderungen beispielhaft dar­legen: Für die Regelung des dynamischen Beispielprozesses sind eine hohe Messfrequenz von mindestens 50 Hz, eine kurze Messzeit sowie die Echtzeit-Fähigkeit des Messsystems erforderlich. Die Toleranz-Anforderungen bedingen zudem, dass die Messunsicherheit des eingesetzten Messsystems gemäß üblicher Empfehlungen mindestens eine Größenordnung besser sein sollte als die Ziel­größe. Im Beispielsfall ist hierzu eine Messunsicherheit von circa 150 µm zwingend erforderlich. Während diese Anforderungen bereits erfüllt werden und die technische Machbarkeit des Lösungsansatzes schon demonstriert werden konnte, zeigen sich insbesondere in den Aspekten Sicherheit (beispielsweise Online-Abschätzung der Messunsicherheit zur Gewährleistung der Prozessfähigkeit) und Ganzheitlichkeit (zum Beispiel einfache Ver­netzung) noch Defizite, die dem einfachen und robusten Einsatz in der Industrie bislang entgegenstehen.

Die Vernetzung einzelner Sensoren sowie die semantische Beschreibung und Bereitstellung der Sensordaten über Dienste ermöglichen den Aufbau von Sensornetzwerken. Durch die Kombination verschiedener Sensoren lassen sich virtuelle Sensoren bilden, die anhand virtueller Normale beschrieben werden. Diese virtuellen Sensoren können dazu herangezogen werden, auf nicht direkt erfassbare Prozessgrößen zu schließen, Sensordaten zu plausibilisieren oder im Falle eines Sensor-Ausfalls Ersatzwerte zur kurzzeitigen Überbrückung bis zur Reparatur des Sensors zu liefern.

Neue Geschäftsmodelle

Die Vernetzung von Sensoren und der vereinfachte Austausch von Sen­sordaten ermöglichen es zudem, Datenerfassung und -auswertung örtlich und zeitlich mit geringem Aufwand zu trennen. Für komplexe Auswer­tungen ist so ein Zugriff auf andernorts vorhandene Rechenleistung zur Datenverarbeitung möglich, ebenso wie auf das notwendige Expertenwissen für spezifische Anwendungen und das Know-how für die Anwendung von Data-Mining Werkzeugen und Deep-Learning-Methoden. Hieraus lassen sich neue Geschäftsmodelle ableiten, die auf der Auswertung von Kundendaten basieren: Dazu empfängt ein externer Dienstleister Sensordaten aus einer Anlage oder Messdaten verschiedener Messsysteme und wertet diese auf geeignete Weise aus.

Die beim Dienstleister gesammelten Datenmengen dienen zudem zur ­Weiterentwicklung der Modelle. Der externe Dienstleister kann ein eigenständiges Unternehmen oder eine ­zentrale Abteilung sein. Ein Beispiel hierfür ist die Diagnose von Beschä­digungen an Fahrzeugen aus faserverstärkten Kunststoffen: In Repa­raturwerkstätten wird dazu mit geeigneter Sensorik ein Schaden di­gitalisiert und die Messdaten an eine zentrale Diagnosestelle versendet. Diese wertet die Messdaten aus, stellt eine Diagnose und legt einen Reparaturprozess fest. Auf diese Weise wird eine aufwendige Qualifikation der Mitarbeiter vor Ort vermieden und gleichzeitig die Qualität der Auswertung gesteigert.

Autoren:
Guido Hüttemann ist Wissenschaftlicher Mitarbeiter in der Abteilung Modellbasierte Systeme am Werkzeugmaschinenlabor WZL der RWTH Aachen;
Prof. Dr. Robert Schmitt ist Direktor am Werkzeugmaschinenlabor WZL der RWTH Aachen sowie am Fraunhofer-Institut für Produktionstechnologie.