Industrie 4.0 – Lösungen für die intelligente Produktionslinie in der Fertigungsanlage

Eine Produktionslinie bezeichnet eine Reihe von sequentiellen Arbeitsvorgängen, die in einer Fertigungsanlage ausgeführt werden und bei denen Materialien zu einem Endprodukt verarbeitet werden. Dieses Endprodukt wird entweder verbraucht oder dient als Komponente, die mit anderen Komponenten zu einem größeren Produkt zusammengebaut werden muss, um einen fertigen Artikel herzustellen.

Intelligente Anlagen integrieren mehrere fortschrittliche Technologien, um eine effiziente Produktionslinie zu realisieren. Fortschrittliche Technologie wird verwendet, um den Herstellungs- und Produktionsprozess zu verbessern.

Für intelligente Fertigungszwecke werden ständig neue Funktionen entwickelt und in intelligente Anlagen integriert. Automatisierung, Virtual Reality, maschinelles Lernen, künstliche Intelligenz, Augmented Reality, Big Data und Analysen sind einige Technologien, die Fertigungsanlagen in das Zeitalter der intelligenten Fertigung führen.

Schaffung einer dynamischen Produktionslinienumgebung

Die Schaffung eines dynamischen Produktionslinien-Ökosystems ermöglicht es Herstellern, den Betrieb zu rationalisieren und bietet ihnen wesentliche Flexibilität. Die Produktion muss im Einklang mit den Unternehmenszielen stehen.

Eine Smart Factory muss ein Unternehmensressourcensystem enthalten, das als einheitliche Informationsdatenbank fungiert. Da intelligente Fertigungsanlagen auf Big Data angewiesen sind, müssen Unternehmen einen Weg finden, Daten von Produktionslinien zu , und auch eine Umgebung schaffen, in der sich so große Mengen an wertvollen Informationen speichern lassen. Sensoren, die mit Maschinen und Geräten in der Fertigung verbunden sind, extrahieren Daten, und ein stabiles System ist unerlässlich, um auf solche Daten zuzugreifen und sie auf unterschiedliche Weise anzuwenden.

Durch den Einsatz transformativer Technologien in Produktion und Fertigung entsteht ein neues Informations- und Kommunikationsökosystem aus Ingenieuren, Technikern, Arbeitern, Maschinen, Fertigungsstätten, Montagelinien und dem Endprodukt. Jeder Schritt kann an individuelle betriebliche Anforderungen angepasst werden.

Intelligente Produktionsplanung und -steuerung

Die Produktionsplanung und -steuerung (PPC) verwendet hierarchische Frameworks, die verschiedene PPC-Prozesselemente mit heterogenen Details und Zeitplänen einführen. Diese Hierarchie ergänzt den von Geschäftsführern bevorzugten „Drill-Down“-Ansatz, wenn es darum geht, Entscheidungen über ihre Produktionssysteme zu treffen.

Abbildung 1: Der PPC-Prozess

Eine wichtige strategische Einschränkung der PPC besteht darin, dass sie bedingungslos davon ausgeht, dass externe Störungen wie industriepolitische Veränderungen, Änderungen der Witterungsverhältnisse und globale Konjunkturschwankungen im Durchschnitt von einem Jahr zum anderen auftreten. Dies führt häufig dazu, dass Planer und Betreiber innerhalb der Produktionsstruktur Überkapazitäten, Sicherheitsbestände und Puffer verwenden. Die aggregierten Daten weisen ferner je nach Bedeutung und Menge der vom Unternehmen verwendeten Daten eine unterschiedliche Qualität auf. Herausforderungen sind unter anderem die längerfristige Datenqualität (aufgrund schwankender Geschäftsbedingungen) und die Häufigkeit der Aktualisierung. In solchen Fällen bietet der Zugriff auf Echtzeitdaten möglicherweise keinen Vorteil, selbst wenn diese korrekt sind. Ein größerer Datenbereich ist besser, um verschiedene Simulationsszenarien zu ermöglichen.

Konventionelle Unternehmenssysteme wie ERP, APS (Advanced Planning and Scheduling) oder MES (Manufacturing Execution-Systeme) können die Anforderungen von PPC an zeitliche Nähe oder Echtzeit nur schwer erfüllen. Diese Systeme unterliegen einer weiteren kritischen Einschränkung: Es gibt zahlreiche Abweichungen zwischen den in solchen Unternehmenssystemen enthaltenen Informationen und der Realität der Fertigungsstätte und der Lieferkette. Das Problem wird noch dadurch verschärft, dass solche Systeme in der Regel so konfiguriert sind, dass sie Daten aus einer begrenzten Bandbreite von Produktionssystemquellen sammeln. Solche Quellen sind in der Regel Produktionslinien und der gelegentliche Lagerbestand. Mehrere Faktoren beeinflussen die Leistung in Produktionssystemen. Die PPC-Leistung ist besser, wenn Daten aus verschiedenen Quellen eingespeist werden. Industrie 4.0 kann solche Komplikationen lösen.

Industrie 4.0 prognostiziert eine Fertigungszukunft, in der die End-to-End-Lebenszyklusphasen des Produkts integriert werden, die internen Funktionseinheiten und Fertigungssysteme vernetzt sind (vertikale Integration) und ein integriertes externes Wertschöpfungsnetzwerk vorhanden ist (horizontale Integration). Jüngste technologische Fortschritte wie Big Data Analytics (BDA), cyber-physische Systeme, Augmented Reality, das Internet der Dinge (IoT), maschinelles Lernen (ML), additive Fertigung sowie Cloud- und Edge-Computing haben solche Entwicklungssprünge gefördert. Die aus solchen anlageninternen integrierten Systemen generierten Daten ermöglichen die Steuerung der Fertigungsumgebung und der zugehörigen Lieferkette in Echtzeit.

Ein wichtiger Aspekt von Industrie 4.0 sind autonome und empfindungsfähige Fertigungssysteme. Unnötiger Aufwand, Verbrauch und Abfälle werden minimiert, da die Anlagensteuerung in Echtzeit die Herstellung von Produkten genau nach Kundennachfrage ermöglicht. Ein weiterer bemerkenswerter Vorteil ist die Fähigkeit von ML- und BDA-Technologien und -Tools, eine große Vielfalt an Daten zu verarbeiten.

Das intelligente PPC-Konzept

Während Unternehmen zur Digitalisierung ihrer Fertigungsbetriebe auf Industrie 4.0 zusteuern, werden Fortschritte stufenweise erzielt. Diese Stufen sind Computerisierung, Anpassungsfähigkeit, Konnektivität, Vorhersagefunktion, Sichtbarkeit und Transparenz. Zur Vereinfachung werden diese sechs Stufen wiederum in drei Stufen eingeteilt – vernetzt, intelligent und transparent. Diese drei Stufen, siehe Abbildung 2, beziehen sich auf die Anforderungen von Produktionssystemmanagern, die bessere Tools benötigen, um genau und schnell auf Veränderungen des Geschäftsumfelds reagieren zu können.

Abbildung 1: PPC in der Industrie 4.0

Die theoretischen Grundlagen der einzelnen Stufen, das konzeptionelle Modell sowie denkbare Anwendungsfälle für intelligente PPC werden in den folgenden Unterabschnitten beschrieben.

Vernetzt

Die Computerisierung von PPC-Prozessen ist nicht neu. Tabellenkalkulationen und ERP-Systeme sind mittlerweile Jahrzehnte alt. Heutige Produktionsprozesse arbeiten in der Regel mit einer höheren Anzahl an elektronischen Komponenten und auch speicherprogrammierbaren Steuerungen (SPSen), wodurch eine verstärkte Automatisierung der Produktionsprozesse möglich ist.

Umgekehrt steht die Konnektivität im Zeitalter der Digitalisierung und Industrie 4.0 erst am Anfang. Sie wächst weiter, da Vernetzung und Sensorinfrastruktur langsam erschwinglicher und allgegenwärtiger werden. Mess- und Erfassungsfunktionen werden mithilfe von Telemetriesensoren und Autoidentifikationstechnik wie IoT, Radiofrequenzidentifikation (RFID) und Signalleuchten umgesetzt. Mit dem Internet Protocol Version 6 (IPv6) als neuem Standard, der theoretisch einen enormen Adressraum von bis zu 3,4*10E38 bietet, ist es heute möglich, Dinge zu vernetzen, deren Verbindung mit dem Internet früher zu teuer oder zu kompliziert gewesen wäre. Alles kann jetzt verbunden, gemessen, verfolgt, zurückverfolgt und verbessert werden. Die durch Bewegungen oder Aktionen von Dingen generierten Daten können verwendet werden, um das Systemdesign zu verbessern und den Betrieb zu planen und zu verwalten. Die Verfolgung von Ressourcen innerhalb einer Fertigungsstätte und in der Lieferkette wird viel einfacher.

IoT-Sensoren interagieren über IoT-Edge-Geräte mit physischen Produktionssystemen, indem sie Rechen-, Status- und Standortabfragen senden und Befehle und Daten von Cloud-Infrastrukturdiensten empfangen. Die Notwendigkeit von sofortigen Reaktionen erfordert den Einsatz von IoT-Edge-Geräten. Dies gilt insbesondere dann, wenn die Latenzzeit bei der Datenübertragung zwischen Geräten und Cloud über dem liegt, was akzeptabel ist, und es Schwierigkeiten mit der Bandbreite gibt. Damit ist es nun möglich, Produktionssysteme und Lieferketten in Echtzeit zu planen und zu steuern.

Transparent

Ein digitales Modell einzelner Maschinen kann erstellt werden, wenn „Dinge“ miteinander verbunden und computerisiert werden. Es ist auch möglich, digitale Modelle von Endprodukten und Bauteilen herzustellen, die sich durch die Produktion bewegen. Dies wird als „digitaler Schatten“ bezeichnet und kann für das gesamte System umgesetzt werden. Der digitale Schatten repräsentiert die digitale Statusmap des Produktionssystems und empfängt Daten, die aus den verbundenen Elementen dieses Systems eingehen, um sie in visueller Form darzustellen. Produktionsplaner und -manager können damit zukünftige Systemabläufe und Zustände simulieren und auch planen. Ein digitaler Zwilling empfängt nicht nur Daten, sondern sendet auch Aktionsbefehle an das betreffende Produktionssystem. Die Daten können anschließend entweder aus der Fertigungsstätte oder von Lkw, die kritische Bauteile oder Rohstoffe transportieren, oder von sensorbestückten Paletten in kundenseitigen Warenlagern gesammelt werden. Der Produktionsplaner kann dann die Daten , um die logistischen Problemquelle(n) auf taktischer, strategischer und operativer Ebene zu ermitteln. Dies geschieht über Dashboards, die mit Echtzeit-KPIs ausgestattet sind, welche aus IoT-Systemen und integrierten Unternehmen zusammengestellt werden.

Ein digitaler Zwilling ist im Wesentlichen eine digitale Replik des physischen Assets. Das Asset ist mit intelligenten Geräten wie Sensoren ausgestattet, die per industriellem IoT Echtzeitdaten des Assets an dessen digitalen Zwilling kommunizieren. Der Zwilling verfolgt das physische Asset während dessen gesamter Lebensdauer.

Intelligent

Ein intelligentes System muss in der Lage sein, Daten aus mehreren Quellen über sich selbst und auch seine Umgebung zu integrieren, um zu lernen und dann Ereignisse autonom vorherzusagen, die seine Umsetzung vorgegebener Ziele beeinflussen können. Dies bedeutet, dass in der Produktion unter anderem Produktionsverzögerungen, Nachfragerückgänge und Lieferverzögerungen antizipiert werden können, damit ein Leistungsausfall abgewendet werden kann. Das aktuelle Interesse der Industrie an ML-Anwendungen hat zu bemerkenswerten Fortschritten geführt, die solche Methoden und Technologien für die PPC heute praktikabler machen. ML gibt es in drei Arten – überwacht, in Form von Reinforcement-Learning und unüberwacht. Alle drei Typen wurden bereits im Hinblick auf PPC untersucht – mit Berichten über begrenzte empirische Fallstudien. Unüberwachte und überwachte ML-Methoden wurden für Planungs- und Steuerungsanwendungen zum Antizipieren von Versorgungsstörungen ausprobiert. Reinforcement-Learning wurde für die Echtzeit-Zeitplanung getestet.

Diese Fälle wurden auch auf gelegentliche statische PPC-Probleme angewendet, hingegen gab es nur wenige Untersuchungen, bei denen dynamische Fälle in Echtzeit-PPC-Systemen t wurden. In den letzten zehn Jahren wurde DL jedoch von der Softwarebranche eingehend geprüft und auch in anderen Branchen als der Fertigungsindustrie erfolgreich eingesetzt. Mehrere veröffentlichte Studien haben bereits früher die Verwendung von ML-Techniken in Untergruppen von PPC-Systemen untersucht. Damit können intelligente Systeme so vorprogrammiert werden, dass sie nicht nur unabhängig funktionieren, sondern auch ohne menschliches Eingreifen Erkenntnisse gewinnen und Verbesserungen vornehmen.

Industrie 4.0, Smart Cities und saubere Energie sind nur einige der Segmente, die im industriellen Bereich für Begeisterung sorgen. Eine Lösung zu erstellen, ist das Eine, sie dann auch schnell auf den Markt zu bringen, kann über Erfolg oder Misserfolg entscheiden. Farnell bietet Tools zur Beschleunigung des Entwicklungsprozesses an, zum Beispiel: