In den letzten Jahren hat sich der Stellenwert von Software gerade auch im Maschinen- und Anlagenbau grundlegend geändert. Heute spielt die Software eine zentrale Rolle: Sie bestimmt den Entwicklungszyklus entscheidend mit, da sie mittlerweile maßgeblich die Funktionsweise von Produktionsanlagen, Maschinen und Komponenten definiert.
So ist Softwarekompetenz zum Schlüsselaspekt im Rahmen von Industrie 4.0 geworden. Zwei Anwendungsbereiche, mit denen sich der Maschinenbau bereits heute in der Praxis beschäftigt, sind die virtuelle Inbetriebnahme auf Basis von modellbasierter Entwicklung und Predictive Maintenance auf Basis von Maschinendaten unter Einsatz von Künstlicher Intelligenz.
Virtuelle Inbetriebnahme auf Basis modellbasierter Entwicklung
Virtuelle Inbetriebnahme ermöglicht es, Programme, die im Betrieb auf einer Industriesteuerung ausgeführt werden, vorab mithilfe eines Modells der Maschine – also einer virtuellen Maschine – zu testen und so die Inbetriebnahmezeit an der physikalischen Maschine zu reduzieren. Modellbasierte Entwicklung geht hier gegenüber herkömmlichen Methoden für die virtuelle Inbetriebnahme noch einen Schritt weiter. Während das Modell üblicherweise nur die Strecke, also die Maschine oder Teile davon abbildet, werden bei der modellbasierten Entwicklung sowohl Strecke als auch Steuerung – also jene Funktionalität, die später auf der Steuerung läuft – im Modell umgesetzt.
Über den gesamten Entwicklungszyklus hinweg werden diese Werte für die Simulation, die Verifikation und die automatische Codegenerierung verwendet. Damit rechnet sich der Aufwand für die Erstellung des Modells deutlich schneller als bei der traditionellen virtuellen Inbetriebnahme. Darüber hinaus dienen die mittels modellbasierter Entwicklung erstellten Modelle immer häufiger auch als Ausgangspunkt für einen digitalen Zwilling der Maschine oder Anlage.
Mit digitalem Zwilling und KI Potenziale ausschöpfen
Der laufende Betrieb nimmt einen weitaus längeren Zeitraum im Lebenszyklus einer Maschine ein als ihre Entwicklung. Durch die kontinuierliche Auswertung von Messdaten mithilfe eines digitalen Zwillings kann der Betreiber Einblicke in den Zustand der Maschine bekommen und etwa einen Defekt bereits erkennen und beheben, bevor dies zu einem kostenintensiven Stillstand führt.
Als besonders wirkungsvoll haben sich dabei Algorithmen herausgestellt, die sowohl das Domänen-Know-how der entsprechenden Experten als auch Technologien für die Künstliche Intelligenz kombinieren. Zu Letzteren zählen zum Beispiel Machine Learning oder Deep Learning.
Simulationsmodelle als Datengenerator für Machine Learning
Ein Problem, vor dem Anwender von Technologie für die Künstliche Intelligenz in der Praxis oft stehen, ist, dass sie nicht über genügend Messdaten verfügen, um ihre Machine-Learning-Algorithmen zu trainieren. Vor allem mangelt es an Fehlerdaten, aus denen der Algorithmus für den Ernstfall lernen kann. Hier schaffen Simulationsmodelle Abhilfe, indem verschiedene Szenarien (darunter auch unterschiedliche Defekte und Fehlerfälle) simuliert und so synthetische Fehlerdaten generiert werden.
Damit Algorithmen etwa für die vorausschauende Wartung auch tatsächlich im laufenden Betrieb erfolgreich zum Einsatz kommen, müssen sie auf unterschiedlichen Zielsystemen implementiert werden können. So werden beispielsweise zeitkritische Regelkreise und Filteralgorithmen für die Vorverarbeitung von Messdaten in der Regel direkt auf der SPS an der Maschine in Echtzeit gerechnet. Die automatische Codegenerierung sorgt dafür, dass in der Simulation in Simulink und Stateflow getestete Funktionen auf Knopfdruck in echtzeitfähigen C, C++ oder IEC 61131-3 Code übersetzt werden.
Andere, weniger zeitkritische Algorithmen, etwa für die Überwachungslogik oder für die statistische Auswertung der vorverarbeiteten Daten für Machine Learning oder Deep Learning, werden auf Edge Devices oder in der Cloud ausgeführt. Auch hier sorgen entsprechende Mechanismen in Matlab und Simulink dafür, dass die entsprechende Übersetzung reibungsfrei funktioniert.
So gelingt der Einstieg in modellbasierte Entwicklung und KI
In den meisten Unternehmen ist die Basis in Form von CAD-Modellen schon gelegt. Diese können mit geringem Aufwand in Simulink und Simscape für die modellbasierte Entwicklung importiert werden. Auch Messdaten der Maschine oder Anlage liegen in der Regel in umfangreichen Mengen vor und können durch mittels Simulation generierter Datensätze ergänzt werden. Diese Daten bilden das Fundament für den erfolgreichen Einsatz von Machine Learning und weiteren Verfahren aus dem Bereich der Künstlichen Intelligenz.
Mit zunehmender Softwarekomplexität und steigenden Datenmengen wird es zukünftig immer wichtiger, dass die verwendeten Software-Werkzeuge nahtlos miteinander arbeiten. Auf diese Weise unterstützen und stärken sich beide Bereiche – die modellbasierte Entwicklung und die Künstliche Intelligenz – gegenseitig.
MathWorks auf der SPS 2019
MathWorks wird als Aussteller auf der SPS am Stand 6-114 vertreten sein. Im Mittelpunkt stehen Lösungen zu Predictive Maintenance, virtueller Inbetriebnahme, Cloud Computing und der automatischen Codegenerierung für alle gängigen Industriesteuerungen. Das Partnerunternehmen Speedgoat zeigt am Stand zudem Echtzeitsysteme für das Prototyping und das Testen von Simulink-basierten Regelungs- und Steuerungsdesigns.
Vor dem Hintergrund des Fachkräftemangels arbeitet MathWorks mit Dr. Rainer Stetter und der Firma ITQ (Stand 6-260) zusammen, um junge Ingenieure an die für den Maschinen- und Anlagenbau relevantesten Fragestellungen im Bereich der modellbasierten Entwicklung und KI heranzuführen. Neben entsprechenden Anwendungen aus der Industrie, die am Messestand gezeigt werden, unterstützt MathWorks den von Stetter im März 2020 organisierten Smart Green Island Makeathon zum zweiten Mal als Platinsponsor.
.jpg "Mensch-Maschine-Interaktion und Robotik mit Virtual-Twin-Technologie")
