Die industriellen Prozesse bei der Verarbeitung biogener Rohstoffe sind stark durch Automatisierung geprägt, was eine hohe Verarbeitungsgeschwindigkeit ermöglicht. Um die erforderliche Endproduktqualität garantieren zu können, überwacht Sensorik sowohl die Prozesse als auch die Produkte. Eine vollständige Überwachung ist allerdings weder ökonomisch sinnvoll noch technisch möglich, sodass die Identifikation und das Beheben von Störungen sowie deren Ursachen die Aufgabe von Maschinenbedienern bleibt. Allerdings ist diese Aufgabe in zunehmendem Maße nicht mehr adäquat erfüllbar.

Der maschinentechnische Wirkungsgrad einer modernen Anlage beträgt bei Auslieferung bis zu 99 %, die tatsächlich erreichte Effizienz liegt allerdings weit darunter. So werden am Fraunhofer IVV Dresden seit 1995 regelmäßig Effizienzanalysen an Verarbeitungsmaschinen durchgeführt, die – beispielsweise im laufenden Produktionsbetrieb – im Rahmen vertraglich geregelter Inbetriebnahmen oder Abnahmen stattfinden. Die Auswertung von über 6000 Analysestunden ergab einen Gesamtwirkungsgrad von durchschnittlich 75 %, womit dieser oft weit unter den technischen Möglichkeiten liegt.

Hohe Frequenz kurzer Störungen

Häufig sind die Ursachen für Störungen von komplexen Fehlerketten geprägt. Ein Beispiel ist das Fließverhalten von Joghurt: Bereits leicht erhöhte Produkttemperaturen können beim Abfüllvorgang zu Spritzern auf dem Siegelrand der Becher führen, wodurch Siegelfehler und undichte Verpackungen entstehen können. Die Daten des Fraunhofer IVV belegen, dass sehr häufig sehr kurze Unterbrechungen auftreten: 70 % aller ungeplant unterbrochenen Produktionsphasen dauern weniger als fünf Minuten, 70 % aller ungeplanten Störungen lassen sich in weniger als zwei Minuten beheben. Die hohe Frequenz kurzer Störungen lässt den Schluss zu, dass beim Auftreten einer Störung lediglich die Symptome behoben werden. Nur in seltenen Fällen findet das Erkennen und nachhaltige Beseitigen der Ursache statt. Hierfür benötigen die Bediener auch in hochautomatisierten Anlagen ein hohes Maß an Erfahrung und Prozesswissen. Doch die industrielle Realität zeigt ein anderes Bild: Hohe Fluktuation, ein geringer Ausbildungsgrad, Sprachbarrieren, fehlender Austausch untereinander sowie mangelnde Motivation der Mitarbeiter führen dazu, dass kaum Erfahrungswissen aufgebaut beziehungsweise weitergegeben wird. In der Folge werden die technischen Möglichkeiten von Verarbeitungsmaschinen nicht ausgeschöpft; die Maschinen werden mit hohen Ausschussmengen und Stillstandzeiten betrieben.

Maschinendaten und Erfahrungswissen verbinden

Eine klassisch automatisierte, sensorgestützte Diagnose kann Hinweise zu einer Störung liefern. Eine erfahrungsbasierte Störungsidentifikation allerdings liefert weit mehr Informationen und kann daneben zusätzlich Rückschlüsse zur zugrundeliegenden Ursache ziehen. Der Einsatz von Maschinenbedienern mit ihrem Erfahrungswissen an technischen Anlagen ist somit nach wie vor wichtig und unumgänglich. Die Industrie hat das erkannt und bindet den Menschen wieder stärker in die Prozessführung ein. Um die Bediener unter den aktuellen Gegebenheiten gezielt zu unterstützen, muss der Austausch von Erfahrungswissen optimiert werden. 

In digitalen Logbüchern lassen sich Störungen manuell beschreiben und mit Schlagworten versehen. Ein solches Vorgehen ist allerdings zeitaufwendig. Zudem haben Anlagenbediener ein unterschiedliches Fachvokabular und beschreiben ähnliche Situationen unterschiedlich. Dies und der eventuell unter Zeitdruck stattfindende Abgleich in der Datenbank mit anderen gegebenenfalls ähnlichen Beschreibungen erschweren eine schnelle Lösungsfindung zusätzlich. In der industriellen Realität ist die Verwendung eines solchen digitalen Logbuches somit weder zur Ein- noch zur Ausgabe von Wissen geeignet.

Lernfähige Diagnosesysteme

Bessere Unterstützung könnte ein lernfähiges Diagnosesystem bieten. Dieses unterstützt die menschliche Diagnosefähigkeit und stellt situationsbezogene Hinweise zur Verfügung. Die bestehende Sensorik einer Anlage muss dazu nicht erweitert werden. Um dies zu erreichen, beobachtet ein solches System die Maschinenzustände und generiert auf diese Weise seinen Erfahrungsschatz. Bei einer Störung gibt es dem Bediener im Rahmen eines Dialogs Hinweise zur Ursache und Lösungsvorschläge. Den Handlungen des Menschen und dem Lösungserfolg entsprechend werden Prozessverständnis und Erfahrungswissen nach und nach ausgebaut. Dabei nimmt das System zu keinem Zeitpunkt aktiv Einfluss auf die Maschine, sondern bietet dem Bediener nur Unterstützung an, ähnlich einem Navigationssystem im PKW.

Der Aufbau des Bediener­assistenzsystems 'SAM' (Selbst­lernendes ­Assistenz­system für Maschinen).

© Fraunhofer IVV

Durch die Analyse von Mustern in den Anlagedaten lassen sich Maschinenzustände beschreiben, insofern bei einem Fehler im Prozess mindestens ein Sensor beteiligt ist. Diese These entstand am Fraunhofer IVV Dresden und stellt die Grundlage des Bedienerassistenzsystems ‚SAM‘ dar. Das ‚Selbstlernende Assistenzsystem für Maschinen‘ bezieht die Sensordaten aus der Feldebene und dem MES und analysiert sie im Anschluss daran mittels Methoden des Maschinellen Lernens. Den daraus resultierenden Zuständen lassen sich dann seitens der Bediener und Techniker detaillierte Beschreibungen und Handlungsanweisungen zuordnen. So erhalten die Bediener im Fehlerfall situativ korrekte Informationen durch das Assistenzsystem.

Die Daten der technischen Anlage müssen in möglichst hoher zeitlicher Auflösung (SPS-Takt) bezogen werden können. Um dies für ein herstellerunabhängiges Assistenzsystem zu erreichen, ist eine leistungsfähige Schnittstelle zur SPS erforderlich. Dazu wird in den PC des Assistenzsystems eine universelle Schnittstellenkarte verbaut, die den Anschluss an den Feldbus der Maschine ermöglicht. 

Auswertung von Sensordaten

Mit dieser Lösung lassen sich die Sensordaten aller von dort gesteuerten Maschinen lesen, ohne einen Einfluss auf den Steuerungsprozess zu nehmen. Für größere Anlagen mit mehreren Steuerungen ist der Einsatz passender Slave-Slave-Karten in der jeweiligen SPS möglich. In diesem Fall übernimmt die Schnittstellenkarte im Assistenzsystem die Funktion als Feldbus-Master und liest die Signale aus den Slave-Karten der Steuerungen aus. Alternativ ist die Nutzung des standardisierten OPC-UA-Formats denkbar, wobei die Echtzeit-Fähigkeit hier nur über große Caches in der Steuerung möglich ist, da die Übertragungsgeschwindigkeit von OPC UA nicht ausreichend ist. Abhilfe könnte hier  OPC
UA TSN schaffen, was jedoch zunächst untersucht werden muss.

In den so gewonnenen Daten wird nun nach Korrelationen gesucht. Statt klassischer Zeitreihenverfahren wird hierzu beispielsweise über Zeitdifferenzen Prozesswissen genutzt. Damit lassen sich Merkmale generieren, die sich in Verfahren des Maschinellen Lernens (Teilgebiet Überwachtes Lernen) nutzen lassen, um entsprechende Maschinenzustände in Echtzeit zu identifizieren. Identifizierte Zustände sind anschließend den in der Datenbank gespeicherten Störungsinformationen zuordenbar. 

Stand der Entwicklung

Voruntersuchungen mit dem System wurden bereits erfolgreich durchgeführt. So konnte an einer industrietypischen Form-, Füll- und Verschließanlage eine Wiedererkennung der Muster bereits nach wenigen Durchgängen erreicht werden. Untersuchungen an einer Fischertechnik-Fabriksimulation zeigten, dass sich der Lernaufwand durch Einbringen von Prozesswissen senken lässt. In aktuellen, noch nicht abgeschlossenen Validierungsprojekten laufen die ersten Versuche mit Demonstratoren im Industrie-Einsatz. Dabei erfassen Rechner an der Maschine Daten. Deren Auswertung und das Anpassen von neuen Modellen übernehmen die Mitarbeiter des Fraunhofer IVV Dresden. Neue Störungen können jedoch vor Ort angelernt werden – die Modelle passen sich an die neu zu findenden Muster an und können daraufhin diese Störungen bei deren Auftreten erkennen und identifizieren. 

Im Rahmen weiterer Forschungsvorhaben werden derzeit weitere Technologien zur Situationserkennung erforscht. Dabei sollen nicht nur Maschinendaten zur Bestimmung der aktuellen Situation eingesetzt werden, sondern auch die Fähigkeiten des Bedieners zur Beschreibung einer Situation. In einem kooperativen Dialog kann der Bediener sich mit einem Case Based Reasoner (CBR) durch Fragen und Rückfragen des Systems der möglichen Fehlerursache und entsprechenden Lösungsstrategien iterativ annähern. Dabei wird das Wissen des Bedieners zur Situation beziehungsweise zu Teilen der Situation genutzt, um die möglichen Fehlerfälle einzugrenzen. Durch geschickte Kombination mit erfassten Sensordaten und Maschinellem Lernen lässt sich die Auswahl der Fälle aus dem CBR zusätzlich einengen. Dieser Ansatz wird im Rahmen des BMBF-Projekts Kooperative Mensch-Maschine-Dialoge in der Diagnose und Beseitigung von Störungen in Verarbeitungsanlagen – kurz ‚KoMMDia‘ – näher untersucht.

Um auch Maschinen mit wenigen Sensoren analysieren zu können, wird zudem an einem System zur optischen Erfassung beispielsweise von Bewegungsanomalien erforscht. Mittels Objektdetektion sollen Bewegungs-Trajektorien von Arbeitsorganen und Packgut ermittelt werden. Diese Trajektorien können dann im Assistenzsystem als Nominalbetrieb oder als spezifische Störung erfasst werden. Erste Voruntersuchungen dieses Ansatzes zeigten bereits vielversprechende Ergebnisse. Der große Vorteil optischer Systeme ist die einfache Integration in Anlagen; vor allem bei Bestandsanlagen (Brown Field) entfällt so die aufwendige Integration in die Steuerung. Aus diesen und weiteren zu entwickelnden Modulen kann ein immer präziseres Bild der Situation geschaffen werden, um den Bediener bei seiner täglichen Arbeit zielführend und präzise zu unterstützen.

Autoren:
Alexander Petrenz ist wissenschaftlicher Mitarbeiter der Arbeitsgruppe Digitalisierung und Prozesseffizienz im Fraunhofer-Institut für Ver­fahrenstechnik und Verpackung IVV in Dresden;
Andre Schult ist Leiter der Arbeitsgruppe Digitalisierung und Prozess­effizienz im Fraunhofer-Institut für Verfahrenstechnik und ­Verpackung IVV in Dresden;
Tilman Klaeger ist wissenschaftlicher Mitarbeiter der Arbeitsgruppe Digitalisierung und Prozesseffizienz im Fraunhofer-Institut für ­Verfahrenstechnik und ­Verpackung IVV in Dresden.