Predictive Scoring Solution

Unsere Scoring Lösung verbindet Systeme verschiedener Ebenen und liefert Ihnen eine Echtzeitqualitätsvorhersage.

Immer mehr Unternehmen stellen bereits ihre internen Prozesse auf Industrie 4.0 um und steigern durch vorausschauende Planung und Automatisierung ihre Effizienz erheblich. Um in diesem Umfeld weiterhin wettbewerbsfähig zu bleiben, müssen Firmen aus allen Branchen reagieren und ihre internen Prozesse in vernetzte Systeme eingliedern.

X-INTEGRATE entwickelte zu diesem Zweck ein Predictive Analytics-Verfahren mit dem es möglich ist durch Sensoren an den Maschinen innerhalb der Fertigungsstraßen nicht nur die Qualität der gefertigten Bauteile, sondern auch den Zustand der Werkzeuge innerhalb der Produktionsmaschinen, kontinuierlich zu kontrollieren. Ziel ist es, auf Basis aussagekräftiger Daten der Werkzeuge die Qualität der zu fertigenden Produkte indirekt vorherzusagen. Zusätzlich kann mit der Lösung in Zukunft flexibler auf Ereignisse reagiert und Wartungsprozesse können effizienter gestaltet werden.

Die Ebenen der Scoring Lösung

Infografik zu Ebenen der Scoring Solution: Maschinen Layer, Sensorik Layer, Prognose Layer

Die Scoring Lösung verbindet Systeme verschiedener Ebenen.

Die Maschinenebene besteht aus der Industriemaschine selbst und der zugehörigen Steuerungseinheit und einer Reihe von Sensoren.
Die von den Sensoren gelieferten Daten werden auf der Sensorikebene zusammengeführt und für eine Auswertung aufbereitet.
Die Prognoseebene führt eine Analyse der aufbereiteten Sensordaten durch und berechnet Ergebnisse, welche an die Maschinensteuerung gesendet wird.
Das hierfür notwendige Vorhersagemodell wurde auf Basis von IBM SPSS umgesetzt.
Die Maschinensteuerung kann den Analyseergebnissen entsprechende Maßnahmen einleiten, wie z.B. ein Stoppen der Maschine.

Die Lösung im Video

Bitte passen Sie ihre Cookie Einstellungen an, um das Video abspielen zu können.

Der Weg zu einem verlässlichen und robusten Vorhersagemodell

Durch kontinuierliche, präzisere Kontrolle kann der Betreiber der Maschine Arbeitsschritte in Echtzeit anpassen und gezielter vorhersagen, wann für die einzelnen Maschinen in einer Produktionskette ein Werkzeugwechsel oder die Anpassung der Maschinenparameter oder des Maschinenprofils notwendig ist.

Innerhalb der Fertigungsstraße sinken damit der Ausschuss der Produkte und die Wahrscheinlichkeit eines ungeplanten Maschinenstopps. Auch die Qualitätskontrolle der Bauteile wird durch das neue Predictive Analytics-Verfahren erheblich effizienter.

Sehr personalintensive Qualitätsprüfungsprozesse können nun von der Datenmessung über die Berichterstattung bis hin zur Anpassung des Maschinenprofils automatisch und effizient erledigt und zur weiteren Optimierung des Vorhersagemodells dokumentiert werden.

Die Lösung im Überblick

Systemschnittstellen der Lösung

Als Schnittstelle zu den Systemen, welche Sensordaten liefern und Vorhersageergebnisse verarbeiten, wird das Open Source Nachrichtenprotokoll MQTT eingesetzt.

Die Verwendung des Publish/Subscribe Mechanismus von MQTT stellt sicher, dass die Servicequalität (Quality of Service Level) des jeweiligen Partners unterstützt wird. Außerdem ermöglicht es einen flexiblen Umgang mit weiteren Konsumenten der Sensordaten und der Vorhersageergebnisse.

Datenspeicherung

Sowohl die Sensordaten als auch die Vorhersageergebnisse werden auf einer Datenbankkomponente (IBM DB2) gespeichert. Dies ermöglicht weitere Optimierungen des Vorhersagemodells z.B. bei Änderungen und Erweiterungen in der Sensorkonfiguration. Die Datenbankkomponente wird als Docker Container bereitgestellt. Die maximale Vorhaltezeit der gespeicherten Daten ist durch die anvisierte Hardwarekomponente vorgegeben.

Die berechnete maximale Last welche von der Maschine erzeugt werde kann bei einem theoretischen 24×7 Betrieb:

1 Datensatz pro Sensor pro Millisekunde

pro Minute ca 60.000 kombinierte Datensätze
pro Tag 86 Mio Datenbankzeilen (5 GB)

Virtualisierung

Als Virtualisierungsschicht wird die Open-Source Software Docker eingesetzt. Dies erlaubt einen flexiblen Betrieb in verschiedenen Deploymentmodellen:

Dedizierte für den maschinennahen Einsatz optimierte Hardware (X-INTEGRATE IoT Scoring Gateway)
Cloudbasierte Umgebungen
Hosting auf durch Kunden bereitgestellten Umgebungen

Die einzelnen Komponenten der Scoring Lösung werden als Docker Container bereitgestellt

Funktionsweise des Vorhersagemodells am Beispiel Felss Systems GmbH

Das Herzstück des gesamten Vorhersageprozesses ist das Vorhersagemodell. Es übersetzt abstrakte Daten, die für das menschliche Auge zumeist aussagelos sind, in Aussagen, die für den Produktionsprozess relevant sind. Zum Beispiel, dass das produzierte Bauteil einen Defekt aufweist oder die Matrize verschlissen ist und ausgetauscht werden sollte.

Mustererkennung auf Kraft-/Wirkkurven

In unserem Fall werden die bei der Produktion entstehenden Kräfte gemessen und als Kraftkurven bereitgestellt. Diese sehen auf den ersten Blick alle gleich aus, unabhängig von dem Zustand der gerade eingesetzten Matrize. Aus diesen Kurven werden weitere Daten wie diskrete Ableitungen, Integrale, Mittel- und Extremwerte generiert.

Ein mathematisches Vorhersagemodell, hier ein Neuronales Netz, sagt dann vorher, ob die Matrize oder das Bauteil zugehörig zu den Daten in Ordnung ist oder nicht. Die Genauigkeit der Vorhersage liegt dabei initial bei ca. 95%. Diese und die Robustheit des Modells werden während der fortlaufenden Produktion weiter verbessert. Durch fortwährendes Feedback, beispielsweise durch Beobachtungen der Mitarbeiter, ob ein als fehlerhaft gekennzeichnetes Bauteil tatsächlich fehlerhaft war, wird das Modell weiter trainiert.

Hier geht es zur Success Story:

Zur Felss Referenz

Hybrides Lernszenario

Der generelle Architekturelle Ansatz sieht vor, dass die Scoringlösung in einem hybriden Szenario betrieben werden kann. Ziel ist eine Sammlung aller relevanten Daten von weltweit verteilten Maschinenparks gleicher Produktfamilien und eine stetiges Lernen bzw. Trainieren der spezifischen Vorhersagemodelle.

Hierbei können globale und lokale Trainingsdaten (Daten plus Bewertung je Scoringfall) für jeweils passende Bewertungsszenarien für die Verbesserung der Modelle herangezogen und die adaptierten Modelle bei Bedarf auf die lokalen Maschinen verteilt werden. Die hierzu notwendigen Verfahrensweisen zur Gewinnung von Qualitäts-Bewertungen und die jeweils hinreichenden Automatisierungen (Training, Modellgenerierung und Deployment) sind erfahrungsgemäß jeweils individuell auf den Einsatzbereich abzustimmen.