SAVE – Self-monitoring based process Adaptation for quality assurance in heterogeneous VErsatile manufacturing

Partners:
Danube-University Krems, Center for Integrated Sensor Systems (DUK-CISS)
TU Wien, Institute for Computer Technology (ICT),
nxtControl GmbH (NXT),
Anstalt für Verbrennungskraftmaschinen List (AVL)
Volumen: 902.374 EUR
Projekt Beginn: 1.3.2018
Projekt Ende: 30.9.2020

Moderne Industrie 4.0 Konzepte erfordern flexible, hoch adaptive und autonome Automatisierungssysteme mit einfacher Wartbarkeit, geringen Stehzeiten und hoher Zuverlässigkeit. Modernen Produktionsanlagen werden immer komplexer und zukünftige Produktionsplanungssysteme (Manufacturing Execution Systems, MES) müssen sowohl räumlich als auch logisch Verteilt eingesetzt werden können um der gesteigerten Komplexität und Dynamik der Produktionsabläufe gerecht zu werden. Solchen verteilten Systemen fehlt es jedoch an zentralen Eingriffsmöglichkeit zur Sicherung der Qualität von Produkten
und/oder Prozessen.

Das Ziel des Projekts ist die Entwicklung neuer Methoden zur Sicherstellung der Qualität in veränderlichen, heterogenen Produktionssystemen. Der Fokus liegt dabei auf Prädiktiver Analyse, autonomer (Zustands-)Überwachung und dem Management von Prozessen zur Verringerung der Reaktionszeiten und des Engineering-Aufwands bei der Anpassung von Folgeprozessen zur Kompensation von Problemen im Produktionsablauf. Zu diesem Zweck entwickeln wir eine Simulationsumgebung zur Planung und Validierung von Produktionssystemen. Insbesondere werden folgende Aspekte untersucht: Dynamische Clusterbildung zur Identifizierung der relevanten Umgebung: Wesentlich dabei sind neue Methoden zur kooperativen Abstimmung und Verteilung von Korrekturmaßnamen an betroffene Einheiten sowie das Bilden einer Repräsentanz des Produktionsablaufes, die über die lokal verfügbare Information der einzelnen Einheiten hinausgeht. Autonome Wissensextraktion zur Steigerung von Adaptivität und Reduktion des Engineering-Aufwands: Eigen- und Kontextbewusstsein, Datenabstraktion, Datenfusion und maschinelles Lernen werden eingesetzt, um mit möglichst wenig a priori Wissen auszukommen. Dies erhöht die
Adaptivität in sich rasch verändernden Systemen und verringert den Implementierungs- und Konfigurationsaufwand. Fehlerdiagnose und -prognose zur Qualitätssicherung und Verbesserung der Resilienz: Da in einem verteilten System kein Subsystem den Zustand des Gesamtsystems kennt, werden zusätzliche Maßnahmen getroffen, um Fehlerzustände zu erkennen, zu analysieren, vorherzusagen und zu entschärfen oder gar zu beheben. Der richtige Einsatz von Kommunikation, Datenfusion und Lernmethoden sind hierbei entscheidend. Kognitive Entscheidungsfindung: In komplexen Fertigungssysteme (Cyber-Physical Production Systems, CPPS) ist eine umfassende und genaue Modellierung des Systems und seiner Umgebung kaum möglich. Kognitive Systeme können auch mit unvollständigen Modellen arbeiten und nutzen Wissen über die beteiligten Einheiten, Nachbarschaften, das Gesamtsystems und verfügbarer Handlungsmöglichkeiten zur effizienten re- oder proaktiven Anpassung des CPPS. Die daraus resultierende Entschärfung von Ausfällen, Anomalien oder Verschlechterungen des Systemzustands verbessert die Qualität von Produkten und Prozessen in heterogenen Fertigungssystemen. Im Rahmen des Projekts werden die SAVE Methoden in einer, IEC 61499 konformen, Simulationsumgebung anhand eines realistischen Szenarios zur adaptiven Motorfertigung, bezüglich Funktionalität und Effizienz evaluiert.

Bild der vorgeschlagenen Architektur

Publikationsliste:

 

Anerkennung:

Wir danken dem BMVIT und der FFG (Österreichische Forschungsförderungsgesellschaft) im Rahmen des SAVE-Projekts für die finanzielle Unterstützung im Programm „Produktion der Zukunft“.

About Alexander Wendt

Dr. Alexander Wendt arbeitet als Projektassistent auf der TU Wien, Institut für Computertechnik (ICT). Nach dem Studium Technische Physik auf der TU Wien arbeitete drei Jahre als Safety Engineer bei der Firma Frequentis AG. Von 2010 bis 2016 arbeitete er am Institut für Computertechnik an seiner Dissertation im Bereich künstliche Intelligenz. Seit 2011 ist er in der Energy & IT Gruppe tätig. Seine Forschungstätigkeit konzentriert sich auf den Gebieten künstlicher Intelligenz sowie Smart Grids. Fokus seiner Arbeit liegt in der Entwicklung von Softwarearchitekturen, die ihren Einsatz als Server, Agenten oder Steuerungsprogramme in Smart Grids-Projekte finden. Seit 2014 arbeitet er an die Anpassung und Umsetzung kognitiver Architekturen als Steuerungssysteme von Gebäuden und anderen Applikationen. Er hat 20+ Papers publiziert. Bei IECON 2013 war er Session Chair für die Sessions „Cognitive Architectures and Multi-agent Systems” und “Smart and Universal Grids”. 2016 wurde er auf die ERF 2016 (European Robotics Forum) zum „SPARC Workshop on cognitive robotics”, wo er für die Arbeitsgruppe der kognitiven Architekturen zuständig war.
Bookmark the permalink.

Comments are closed.