angle-left Industrie 4.0: Entwicklung statt Hype
zurück zur Übersicht

Industrie 4.0: Entwicklung statt Hype

STZ | Dossier, Oktober 2019 - Industrie 4.0 – das muss nicht immer bedeuten, Millionen zu investieren und die Produktion komplett auf den Kopf zu stellen. Oft kann man auch mit überschaubaren Mitteln Nutzen schaffen. Wichtig sind ein realistische und systematische Herangehensweise und die passende Unternehmenskultur. Denn auch in der Industrie 4.0 steht und fällt der Erfolg mit den Menschen, die daran mitarbeiten.

Nutzen schaffen mit Industrie 4.0

Industrie 4.0 ein Hype? Nein, eine Entwicklung. Mit Digitalisierung schafft man echte Mehrwerte. Auch wenn es vieles schon lange gibt, sollte man sich mit den Vorteilen dieser Denk- und Arbeitsweise, dieser Philosophie, jetzt anfreunden.

Ein grosser Teil der Technik, die bei Industrie 4.0 zum Zuge kommt, hat schon vor zwei bis drei Jahrzehnten ihren Anfang genommen. Es ist die Kombination der vorhandenen Technologien, die eine Maschine oder einen Sensor wie einen qualifizie ten Arbeiter einsetzbar macht und auf Veränderungen adäquat reagieren lässt. Durch die interdisziplinäre Vorgehensweise der Digitalisierung lassen sich Potenziale besser ausschöpfen, Mehrwert kreieren sowie Qualität und Produktivität steigern. Wichtig ist nicht das technisch Machbare, sondern seine optimale Nutzung. Schauen wir uns typische Tools der Industrie 4.0 näher an:

Die Werkzeuge der Industrie 4.0

Kommunikation und Datenströme: Die Basis bilden physische Geräte mit einer Verbindung ins Internet. Da das Netzwerkprotokoll TCP/IP für Steuerungseinheiten in Maschinen oder Sensoren zu rudimentär ist, erweitert der offene Standard OPC/UA die sichere und schnelle Interoperabilität, bei Bearbeitungsmaschinen oft im Format Umati, der universellen Schnittstelle für Werkzeugmaschinen. 5G liefert die passende drahtlose Technik dazu. Die Daten werden entweder in der Cloud bei einem Provider, beim Edge Computing im lokalen Netzwerk oder beim Local Computing direkt im Sensor oder der Maschine gespeichert und ausgewertet. Maschinen wie Mitarbeiter: Smarte Sensoren, also Sensoren mit lokaler Auswertung, senden Ihre Auswertungsergebnisse – beispielsweise der Prozess läuft gut – nicht notwendigerweise die Messwerte an sich weiter. Die smarten Maschinen sind zu einer smarten Fabrik untereinander verbunden. Menschen und kollaborative Roboter (Cobots) arbeiten zusammen. Computermodelle: Eine virtuelle Fabrik ist das Modell einer Fabrik, das sich verhält wie eine wirkliche Fabrik. Es dient zur  Planung und Optimierung. Die Optimierungsfunktionen müssen nicht mehr programmiert werden, das macht das Machine Learning, unter anderem Deep Learning mit neuronalen Netzwerken. Es werden nur noch die  Optimierungsstrategien vorgegeben. Mit systematischer Anwendung statistischer Methoden auf beachtliche Datenbestände können im Data Mining Fragestellungen beantwortet werden, beispielsweise: Unter welchen  Randbedingungen verbessert sich die Produktqualität? Basierend auf in Echtzeit verfügbaren Daten lassen sich Vorhersagen machen, beispielsweise zur Instandhaltungsplanung, der Predictive Maintenance. Simulationen können mit Augmented oder Mixed Reality virtuell dargestellt werden, um das Verständnis zu erhöhen. Kamerabilder werden mit simulierten Bildern oder Information meist interaktiv ergänzt, wie beispielsweise bei Google Maps. Während der Produktion oder in einer Simulation entsteht ein digitaler Zwilling, also eine digitale Abbildung eines Objektes der realen Welt oder deren Zustandes, beispielsweise Fertigungsoperationen, gegebenenfalls mit Messwerten.
All diese Werkzeuge stehen zur Verfügung und kommen optional zum Einsatz. Es geht also bei Industrie 4.0 darum, physische Systeme zu vernetzen und Daten auszutauschen, um Prozesse zu optimieren.

Regeln für ein erfolgreiches Industrie-4.0-Projekt

Ein paar Grundregeln helfen effektiven, realistischen Mehrwert zu schaffen:

1. K.i.s.s. (Keep it simple, stupid) strebt eine möglichst einfache Lösung für eine überschaubare Aufgabe an. Nicht alles auf einmal. Ernten wir zuerst die «lowhanging fruits».

2. Physikalische Zusammenhänge und vorhandene Sensoren nutzen. Grosse Internetkonzerne lassen sich Unmengen von Daten von den Nutzern kostenloser Internetdienste und Smartphone-Apps gratis liefern. Das funktioniert in einer smarten Fabrik nicht so. Bestehende Sensoren und Reglungsdaten liefern kleinere Datenmengen, doch Wissen über physikalische, technische und ökonomische Zusammenhänge gleicht das aus.

3. Daten unter mehreren Aspekten auswerten und so mehr Information gewinnen. Ein Zeitsignal hat auch eine Frequenzinformation und statistische Merkmale. Ausserdem ergänzen globale Information wie Störungen anderer  Maschinen, eventuell auch ERP-Daten (Enterprise Resource Planning) oder Internet.

4. Das wichtigste ist der Anfang: Welche Fragestellungen sind zu optimieren, wo ist der grösste Mehrwert zu erzielen? Typische Optimierungsziele für Industrie 4.0 sind: Wir wollen Qualität und Durchsatz steigern, die  Maschinenverfügbarkeit erhöhen und planen, Flexibilität und Variabilität sowie mehr Nachverfolgbarkeit erreichen und die Kosten senken.

So wird ein Industrie-4.0-Projekt erfolgreich umgesetzt

Projekte der Industrie 4.0 haben viel mit Messen, Datenverarbeitung, Dateninterpretation, Information und lokalen Entscheiden zu tun. Doch am Anfang steht eine meist technische Aufgabe. Beispielsweise: Wie lässt sich bei einem Bearbeitungscenter der Durchsatz bei besserer Qualität erreichen? Was begrenzt dieses Vorhaben? Welche Umsetzungsstrategie verfolgt es? Meist weiss der Betreiber einer Maschine genau, wo die höchsten Kosten im Betrieb anfallen, weshalb er mit Vorschlägen aufwarten kann. Hat man Kenntnis der eigenen Anwendung sowie das technische und ökonomische Verständnis, führt dies zu einer Strategie. Formulieren wir zuerst die Problemstellung einer begrenzten Aufgabe. Dies geschieht am besten mit Anwendern, die Erfahrung mit der Maschine haben. Messungen und Simulationen ergänzen und untermauern das Ganze. In der Entwicklungsphase geht es darum viel zu messen, zu beobachten, um ein genaues Bild zu erhalten. Später in der Umsetzung sollten wir möglichst nur auf vorhandene Sensoren zurückgreifen, um Kosten zu sparen. Dann werden die Messwerte mit den relevanten Merkmalen gewählt, um die Anzahl der Daten zu reduzieren und eine Optimierungsfunktion aufgestellt. Liegt diese nicht auf der Hand, kann sie mit künstlicher Intelligenz erstellt werden. Da sind neuronale Netze mit Deep Learning, also Netze mit mehreren verdeckten Ebenen, im Trend.

Aber es lauern Gefahren

Drei Verhaltensweisen können unser Projekt gefährden: der Perfektionismus und damit verbunden zu hohe Erwartungen, sowie der Protektionismus. Der Perfektionist möchte möglichst alles auf einmal und dies bitte perfekt, und kosten sollte es auch nichts. Das ist kein untypischer Einstieg in ein Industrie- 4.0-Projekt. Hat man die Vorteile mal erkannt, lässt man die Kommunikationskanäle verschlossen, damit die Vorteile von anderen nicht genutzt werden können. Jedoch basiert der Industrie-4.0-Ansatz auf Zusammenarbeit. Da der Initialaufwand für ein Industrie 4.0 Projekt gross ist braucht es ein gewisses Volumen, um einen Mehrwert zu schaffen.

Beispiel: Bestimmung des Verschleisszustandes

In Minen werden viele tausend Tonnen Erz pro Stunde gemahlen. Das geschieht beispielsweise in grossen Kugelmühlen mit einem Durchmesser um die zehn Meter. Damit das harte Erzgestein nicht die Stahltrommel zerstört, wird sie mit einer Panzerung geschützt. Von Zeit zu Zeit muss diese inspiziert und ausgetauscht werden. Heute geschieht das regelmässig, aber jeder Produktionsunterbruch kostet viel Geld. Um den Verschleisszustand der Panzerung von ausserhalb der Trommel zu bestimmen, wurde ein smarter Sensor entwickelt, der aussen auf der Mühlentrommel die Schwingungsmuster erkennt und den Verschleisszustand in Prozent bestimmen kann. Als Gratis-Zusatznutzen hat sich ergeben, dass der Sensor Betriebsdaten wie den Füllungsgrad der Mühle auch noch bestimmen kann. Diese Information wird dann per WLAN an das lokale Leitsystem weitergesendet. Die Vorgehensweise aus diesem Projekt lässt sich sinngemäss auch auf Prozesse wie Fräsen, Schleifen und weitere übertragen.

Beispiel: Verbessern der Betriebssicherheit

Die SBB betreibt eine riesige Infrastruktur und ist bereits mit einer zentralen Datenerfassung ausgestattet. In einem Projekt werden die Gleise für bogenschnelles Fahren von Neigezügen überwacht. Heute wird dazu ein Messzug eingesetzt, der mit sehr aufwändiger Messtechnik ausgestattet und entsprechend teuer im Unterhalt ist. Ausserdem sind die Achsen dieses Zuges nicht dauerfest, das heisst diese Fahrzeuge können nicht im Dauerbetrieb mitfahren. Die Idee für das Projekt ist, eine einfache Sensorik zu entwickeln, die am Fahrgestell eines Standardfahrzeuges installiert ist. Es wird ein smarter Sensor entwickelt, der am Fahrgestell, nicht mehr an der rotierenden Achse, montiert ist und so die Rad-Schienenkräfte bestimmen kann. Es kann also künftig auf teure Messradsätze verzichtet und die Sicherheit durch vermehrtes Messen erhöht werden. Entscheidend für die Betriebssicherheit sind die Messungen der grossen Kräfte. Die Kräftverläufe die mit dem Smarten Sensor bestimmt wurden sind praktisch deckungsgleich mit denen der Messradsätze.

Zusammenfassung

In den vorgestellten Beispielen wurde mit relativ wenig Aufwand sehr grosser Projektnutzen erzeugt, wobei die Kosten für Hardware und Infrastruktur immer sehr moderat ausfielen. Viel wichtiger waren gute Lösungsstrategien mit Werkzeugen aus dem Industrie-4.0-Werkzeugkasten und eine gute Zusammenarbeit.

 

Autor:
Professor Dr. Axel Fuerst
Abteilung Maschinentechnik
Prozessoptimierung in der Fertigung
am Institut I3S
Berner Fachhochschule
Bildquelle: ABB
Artikel aus der STZ: Ausgabe Okt. 2019