MathWorks-Kommentar Erfolgsduo: Modellbasierte Entwicklung und Datenanalyse

Die SPS IPC Drives 2018 steht vor der Tür. Ein weiteres Mal wird dort die Frage dominieren, wie die Digitalisierung im Maschinenbau umgesetzt werden kann. Eine umfassende Lösung lässt sich nur dann finden, wenn modellbasierte Entwicklung und Datenanalyse Hand in Hand gehen.

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 steht oft am Anfang eines Entwicklungszyklus und bestimmt diesen entscheidend mit, da sie mittlerweile maßgeblich die Funktionsweise von Maschinen und Komponenten definiert. So ist Softwarekompetenz zum Schlüsselaspekt im Rahmen der Industrie 4.0 geworden. Zwei herauszuhebende Anwendungsbereiche sind die virtuelle Inbetriebnahme auf Basis von modellbasierter Entwicklung und Predictive Maintenance (vorausschauende Wartung) durch eine umfassende Analyse von Maschinendaten.

Virtuelle Inbetriebnahme führt zu Wertschöpfung

Virtuelle Inbetriebnahme ermöglicht es, Programme, die im Betrieb auf einer Industriesteuerung ausgeführt werden, vorab zu testen, und reduziert so die Zeit, bis eine Maschine störungsfrei anläuft. Aus dem Maschinenmodell generierter Code kann direkt auf einem Echtzeitsystem ausgeführt werden. Dieses Hardware-in-the-Loop-System, zum Beispiel mit Simulink Real-Time auf Speedgoat-Hardware, simuliert die physikalische Maschine oder Anlage und ermöglicht es, Testzeiten auf dieser zu verkürzen. Darüber hinaus bietet Simulink Schnittstellen zu spezialisierter 3D-Software für die virtuelle Inbetriebnahme wie fe.screen-sim von F.EE.

Doch das Potenzial der modellbasierten Entwicklung endet nicht mit der Virtuellen Inbetriebnahme. Der laufende Betrieb nimmt in der Regel einen weitaus längeren Zeitraum im Lebenszyklus einer Maschine ein als ihre Entwicklung. Ziel ist es, durch das Sammeln und durch die intelligente Auswertung der Messdaten Einblicke in den Zustand der Maschine zu bekommen und einen Defekt bereits zu erkennen, bevor er eintritt und zu einem kostenintensiven Stillstand führt.

Im Idealfall werden die von Sensoren gesammelten Rohdaten schon an der Maschine aufbereitet und ausgewertet – etwa von einer SPS oder einem Industrie-PC. Der dafür eingesetzte Filteralgorithmus wird direkt auf der Steuerung ausgeführt. Erst im zweiten Schritt erfolgt die Übertragung der vorverarbeiteten Daten an ein Edge-Device oder in die Cloud. Dort werden die Daten von mehreren Maschinen zentral zusammengeführt und mittels komplexer, in MATLAB entwickelter Algorithmen ausgewertet, die etwa mithilfe von Deep-Learning-Techniken die verbleibende Lebensdauer der Maschine voraussagen können.

Interview

Künstliche Intelligenz: Mehr Schein als Sein?

Modellbasierte Entwicklung und Datenanalyse gehen Hand in Hand

Ein großes Problem, vor dem Maschinenbauer oft stehen, ist, dass sie nicht über genügend Messdaten verfügen, um Algorithmen für Deep-Learning oder Machine Learning zu trainieren. Vor allem mangelt es an Fehlerdaten, von denen die Algorithmen für den Ernstfall lernen können. Hier schafft die Simulation Abhilfe, indem verschiedene Szenarien – darunter auch unterschiedliche Defekte – im Maschinenmodell simuliert und so Fehlerdaten generiert werden.

Deshalb ist es essentiell, dass sowohl die modellbasierte Entwicklung, Hardware-in-the-Loop-Tests als auch die Datenanalyse nahtlos ineinandergreifen. Auf der einen Seite helfen Daten bei der Entwicklung einer Maschine, um bereits vorab Fehlerquellen aufzuspüren. Andererseits kann das Modell als Digitaler Zwilling – versorgt mit Messdaten aus der physikalischen Maschine – im Betrieb zur laufenden Diagnose des Maschinenzustands verwendet oder zur Optimierung der Produktion genutzt werden.

Doch wie kommt man an diesen Punkt? Die gute Nachricht ist: In den meisten Unternehmen ist die Basis in Form von CAD-Modellen schon gelegt. Diese können mit geringem Aufwand in Simulink und Simscape importiert werden. Hinzu kommt, dass nicht nur die Mechanik, sondern auch die Funktionalität der Maschine – also der Teil, der später in Echtzeit auf einer SPS, einem Industrie-PC oder einem Embedded Controller läuft – abgebildet und in der Simulation getestet werden kann.

IoT und Wireless

SPS IPC Drives 2018: Produktneuheiten - UPDATE 3

Durch die Vernetzung aller Maschinen untereinander und durch das Sammeln von Messdaten steigt die Komplexität. Deshalb ist es wichtig, dass sowohl die Entwicklung einer Maschine oder Anlage als auch deren Wartung in einem eng verzahnten Prozess stattfinden, und dass die Software-Werkzeuge, die man dafür verwendet, nahtlos miteinander arbeiten. So unterstützen und stärken sich beide Bereiche – die modellbasierte Entwicklung und die Datenanalyse – gegenseitig.“

MathWorks auf der SPS IPC Drives 2018: Halle 6, Stand 308

(ID:45598773)