Schon heute erzeugen Maschinen und Anlagen, smarte Werkzeuge und Komponenten in den Werkshallen fertigender Unternehmen enorme Datenmengen. Genutzt wird davon tatsächlich jedoch nur der kleinste Teil – Schätzungen gehen von lediglich rund 5 % aus. Den von Sensoren erfassten Werten wurde bislang kaum Bedeutung beigemessen, allenfalls im Schadensfall oder bei der Fehlersuche. Indem die bereits vorhandenen Daten umfassend, systematisch und vor allem in Echtzeit genutzt werden, lassen sich Smart-Manufacturing-Szenarien realisieren, die einen erheblichen Benefit versprechen. Da mit dem zunehmenden Grad an Vernetzung und Digitalisierung zugleich ein rasanter Anstieg der Datenmenge verbunden ist, besteht die Gefahr, dass die Verbindungen in die Cloud-Rechenzentren die rasch anwachsenden, immensen Datenströme nicht bewältigen können und Ausfälle und hohe Latenzzeiten drohen.
Im Mittelpunkt aktueller Entwicklungsprojekte steht daher ein grundlegend neues Datenverständnis: Es geht nicht mehr darum, Daten wie bisher einfach nur zu sammeln, sondern diese bereits vor Ort zu analysieren und in werthaltige Informationen zu überführen. Im Zentrum steht die Frage, wie sich Big Data in Smart Data veredeln lassen. Gefordert sind beispielsweise aufbereitete Informationen, ob eine Anlage sauber läuft, im Idealfall verknüpft mit entsprechenden Handlungsempfehlungen. 

Integrierte Bauteilprüfung

So können Qualitätsmerkmale von Bauteilen während des Handlings geprüft und IO-/NIO-Entscheidungen unmittelbar im Greifer erfolgen. Die im Greifer erfassten Daten werden unmittelbar in der Komponente in Echtzeit vorverarbeitet und analysiert, um entsprechende Reaktionen auszulösen. Damit wird das zu übertragende Datenvolumen auf das Nötigste reduziert, sprich eine zum Teil verwirrende Datenfülle wird in aussagefähige Kennzahlen oder Key Performance Indicators (KPI) kanalisiert. Die wichtigsten KPI sind neben der klassischen Ausfallstatistik die Fähigkeitskennwerte der Prozesse aus der statistischen Prozessanalyse und die Gesamtanlageneffektivität. Diese misst drei Leistungsdaten und führt sie multiplikativ zu einer ganzheitlich ermittelten Produktivitätskennzahl, der Gesamtanlageneffektivität oder Overall Equipment Effectiveness (OEE) zusammen.

Smarte Handhabungsmodule schaffen auf einfache Art und Weise die Voraussetzungen für eine Vollintegration von Produktionsanlagen im Fertigungsumfeld und eröffnen deren Anbindung an Cloud-basierte Ökosysteme, um die Gesamtanlageneffektivität OEE, die Fehlerstatistik (MTBF, MTTR) sowie die mittelfristige Prozessstabilität über die ermittelten Fähigkeitskennwerte zu ermitteln. Eine derartige Komponente ist beispielsweise der Parallelgreifer ‚EGL‘ von Schunk, ein smartes Standardgreifmodul mit serienmäßig integrierten Funktionen, einer zertifizierten Profinet-Schnittstelle und integrierter Elektronik mit variablem Hub und einer zwischen 50 und 600 N einstellbaren Greifkraft.

Als Inline-Messsystem nutzt der intelligente Greifer beim sogenannten ‚Smart Gripping‘ seine exponierte Position unmittelbar am Werkstück zur Datengewinnung und wertet diese mittels der in den Greifer integrierten Edge-Technologie umgehend aus. Jeder einzelne Prozessschritt kann detailliert überwacht und beispielsweise an die Anlagensteuerung, an das übergeordnete ERP-System, aber auch an Analyse-Datenbanken und Cloud-Lösungen weitergegeben werden. Auf diese Weise kann der Greifer systematisch Informationen über das gegriffene Bauteil, den Prozess sowie über die Komponenten erfassen, verarbeiten und entsprechende Reaktionen ausführen. Er ermöglicht damit eine Closed-Loop-Qualitätskontrolle und die unmittelbare Überwachung des Produktionsprozesses im Fertigungstakt.

Proaktive Trend-Erkennung

Beim Smart Gripping vermessen, identi­fizieren und über­wachen intelligente Greifer von Schunk Bauteile sowie den laufenden Produk­tionsprozess.

© Schunk

Vor allem die fortlaufende Echtzeit-Bestimmung der langfristigen Prozessfähigkeit zur proaktiven Trend-Erkennung und Fehlerdiagnose hat sich mit dem Greifer bewährt. Eingeleitete Regelkorrekturen greifen bereits vor dem Erreichen der Spezifikationsgrenzen und ermöglichen eine erheblich stabilere Prozessführung. Im Rahmen einer Sensorfusion lassen sich mehrere Sensoren parallel einsetzen und deren Messwerte verknüpfend analysieren, um aktuelle Systemzustände der Greifer sowie der Zugriffssituation zu bewerten. So ist es möglich, Greifobjekte zu unterscheiden, aber auch Störungen im Produktionsablauf zu erkennen, beispielsweise differierende Rohstoffqualitäten, verschleißende Werkzeuge, Toleranzabweichungen oder Materialengpässe. Über die Prozessanalyse in Echtzeit sind darüber hinaus eine Trendbewertung und deren umgehende Einbeziehung in die Qualitätsregelung des Fertigungsflusses möglich, etwa auf der Basis von Fähigkeitskennwerten. Über Korrelationsanalysen gelingt es, auch komplexe Zusammenhänge schneller zu erfassen und kompliziertere Fehlerbilder zu eliminieren.

Greifer übernimmt Greifplanung

Über die eingebaute Sensorik erfasst der smarte Werkzeughalter ‚Itendo‘ von Schunk Beschleunigungen und Vibrationen unmittelbar am Werkstück und übergibt die Daten an die Steuerung der Werkzeugmaschine.

© Schunk

Künftig, so die Pläne von Schunk, sollen sich Aufgabenstellungen für die Steuerung der gesamten kinematischen Kette, bestehend aus Roboter und Greifer, sowie das Monitoring ihrer Funktion automatisieren lassen, ohne dass Schritt für Schritt programmiert oder Schwellenwerte gesetzt und fortlaufend angepasst werden müssen. Der Schlüssel für dieses autonome Greifen ist der Einsatz von Methoden der Künstlichen Intelligenz (KI) sowie die Nutzung unterschiedlicher Sensoren. In einer Pilotanwendung etwa werden Methoden kognitiver Intelligenz eingesetzt, um zufällig angeordnete Teile über eine Kamera zu identifizieren und sie dann autonom aus einer Transportbox zu greifen und ihrem Bearbeitungsprozess zuzuführen. Gleichzeitig werden Abweichungen vom üblichen Geschehen (Anomalien) und Trends, wie beispielsweise das Driften relevanter Prozessparameter, gelernt. Dies schärft die im Greifer realisierten Diagnose-Instrumente, ohne dass es zu Betriebsunterbrechungen oder einem überbordenden Trainingsbedarf bei der Systemeinrichtung kommt. Der Greifer, so das Ziel, wird also nicht nur greifen, sondern auch die komplette Greifplanung übernehmen, den Gesamtprozess sensorisch überwachen und fortlaufend analysieren. Hierbei ergänzen sich Edge- und Cloud-Computing gegenseitig.

Beispiel: Sensorischer Werkzeughalter

Ein erstes Beispiel ist der mit Sensor, Akku und Sende-Einheit ausgestattete sensorische Werkzeughalter ‚Itendo‘ von Schunk. Er erfasst den Prozess mit 5000 Hz unmittelbar am Werkzeug. Ein Algorithmus ermittelt fortlaufend eine Kenngröße für die Prozessstabilität. Der sogenannte IFT-Wert wurde speziell für den Werkzeughalter entwickelt und gibt die gemessene Schwingung als Zahlenwert auf einer definierten Intensitätsskala wieder – ähnlich der Richterskala bei Erdbeben. Wird der Schnitt instabil, greift die integrierte Intelligenz in Echtzeit mit einer Latenz von circa 20 ms und ohne Zutun des Bedieners unmittelbar ein: Je nach Situation wird der Prozess dann gestoppt, auf zuvor definierte Basisparameter reduziert oder adaptiert, die Zustellung von Werkzeugen verändert, Schwesterwerkzeuge eingewechselt oder Meldungen an Bediener abgesetzt.

Passend zur jeweiligen Anwendung können über einen Webservice sowohl die Grenzwerte als auch entsprechende Reaktionen bei deren Überschreitung definiert werden. Mittelfristig sollen auch statistische Auswertungen möglich sein, wie die Overall Equipment Effectiveness (OEE), die Prozessfähigkeit, die Mean Time Between Failure oder Trend-Entwicklungen wie beispielsweise die Parameterdrift oder Anstiege der Ausfallraten.

Die Gesamtanlageneffektivität als zentrale Kennzahl

Drei Faktoren sind bei der Ermittlung der OEE (Overall Equipment Effectiveness) relevant:

• Der Leistungsgrad: Er ist ein Maß für die Bearbeitungsgeschwindigkeit eines Produktionssystems. Grundlage sind die Takt-/Zykluszeiten für das Ausstoßintervall von Gutteilen oder die Mengenleistung. Der Leistungsgrad wird u. a. dargestellt in Form von Taktzeiten und Mengen.

• Der Nutzungsgrad (Verfügbarkeit): Er ist ein Maß für die Fähigkeit eines Produktionssystems, eine geforderte Funktion zum geforderten Zeitpunkt erfüllen zu können, und wird anhand der Betriebszeiten, Ausfallrate, Mean Time Between Failure (MTBF) und Mean Down Time ermittelt. Letztere umfasst u. a. die Wartungszeit und die Reparaturzeit. Die Zuverlässigkeit gibt die Wahrscheinlichkeit dafür an, dass während einer Zeitspanne kein Ausfall auftreten wird, der die Funktionsfähigkeit einer Einheit beeinträchtigt. Sie wird durch die Ausfallrate der technischen Elemente bestimmt und quantifiziert durch die mittlere stillstandsfreie Laufdauer (Klarzeit), die MTBF.

• Die Qualitätsleistung: Sie ist ein Maß für die Fähigkeit eines Produktionssystems, innerhalb vorgeschriebener Spezifikationsgrenzen zu montieren/zu prüfen. Zur Analyse und Bewertung des Qualitätsverhaltens von Fertigungs-prozessen werden Methoden der statistischen Qualitätsbewertung herangezogen. Durch Stichproben-Informationen versucht man, Aussagen über das Verteilungszeitverhalten zu gewinnen, etwa im Montageprozess. Ergebnisse der Untersuchung sind die Berechnung der ‚kurzfristigen Maschinenfähigkeit‘, die ‚vorläufige Prozessfähigkeit‘ und die ‚langfristige Prozessfähigkeit‘. 

Die Maschinenfähigkeit ist ein Maß für die kurzzeitige Merkmalsstreuung, die von der Maschine ausgeht. Die Prozessfähigkeit ist ein aussagekräftiges Maß für die Stabilität eines Prozesses. Sie zeigt auf, ob ein Prozess die an ihn gestellten Anforderungen erfüllen kann. In solchen Fällen spricht man von beherrschbaren Produktionsprozessen. Zugleich gibt die Prozessfähigkeit Aufschluss über das Langzeitverhalten des Gesamtsystems unter den herrschenden Rahmenbedingungen (Mensch, Maschine, Methode, Arbeitsumgebung).

Die Prozessfähigkeit kennzeichnet die Fähigkeit einer Maschine oder eines Prozesses, spezifizierte Merkmale zu realisieren, deren Häufigkeitsverteilung innerhalb geforderter Toleranzen liegt. Gebildet wird hierzu das Verhältnis zwischen der statistischen Verteilung eines messbaren Qualitätsmerkmals und des für dieses Merkmal vorgegebenen Toleranzbereiches. Prozessfähigkeitskennwerte reagieren sehr empfindlich auf Veränderungen und Trend-Entwicklungen. Sie eignen sich daher in einem besonderen Maße zu einer mittelfristigen Reichweitenprognose und einer Predictive Maintenance.