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

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.
<p>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.

 

Details

Duration 01/04/2018 - 30/09/2020
Funding FFG
Program Produktion der Zukunft
Department

Department for Integrated Sensor Systems

Center for Distributed Systems and Sensor Networks

Principle investigator for the project (Danube University Krems) habil. Dipl.-Ing. Dr. Thilo Sauter
Back to top

 

To Glossary

This website uses cookies to improve your user experience and for analytical purposes for optimizing our systems. By clicking on „OK" or continuing to browse the site, you are agreeing to the use of cookies. More information concerning privacy policy and data protection official.

OK