Data Analytics in der Massivumformung

Zusammenfassung

The role of a Digital Twin is increasingly discussed within the context of Cyber-Physical Production Systems. Accordingly, various architectures for the realization of Digital Twin use cases are conceptualized. There lacks, however, a clear, encompassing architecture covering necessary components of a Digital Twin to realize various use cases in an intelligent automation system. In this contribution, the added value of a Digital Twin in an intelligent automation system is highlighted and various existing definitions and architectures of the Digital Twin are discussed. Flowingly, an architecture for a Digital Twin and an architecture for an Intelligent Digital Twin and their required components are proposed, with which use cases such as plug and produce, self-x and predictive maintenance are enabled. In the opinion of the authors, a Digital Twin requires three main characteristics: synchronization with the real asset, active data acquisition from the real environment and the ability of simulation. In addition to all the characteristics of a Digital Twin, an Intelligent Digital Twin must also include the characteristics of Artificial Intelligence. The Intelligent Digital Twin can be used for the realization of the autonomous Cyber-Physical Production Systems. In order to realize the proposed architecture for a Digital Twin, several methods, namely the Anchor-Point-Method, a method for heterogeneous data acquisition and data integration as well as an agent-based method for the development of a co-simulation between Digital Twins were implemented and evaluated.

Zusammenfassung

Prozessanomalien in Form von unbekannten nichtlinearen Effekten sind ursächlich für Qualitätsschwankungen und Ausschussteile in der diskreten Fertigung. Das Prozessverhalten ist hochgradig nichtlinear und kann u. a. aufgrund seiner zeitlichen und örtlichen Verteilung nicht in einem analytischen Modell gefasst werden. Aus diesem Grund wird ein datengetriebenes Verfahren entwickelt, um Anomalien in Form von Modellunsicherheiten und unbekannten Nichtlinearitäten zu kompensieren. Die Kompensation wird durch ein Neuronales Netz realisiert. Auf die entwickelte Architektur des Neuronalen Netzes wird im Detail eingegangen. Es generiert ein Signal zur Anpassung der Stellgrößen, sodass diese so geändert werden, dass der Einfluss der Anomalien auf das Qualitätsergebnis des Prozesses ausgeglichen wird und die Qualität länger in der Toleranz gehalten werden kann. In Kapitel 2 wird der Stand der Technik und Forschung beschrieben. Dabei werden vor allem bereits bestehende Ansätze hinsichtlich des Einsatzes Neuronaler Netze reflektiert. In Kapitel 3 wird eine formale Beschreibung der Prozesskette als Ganzes sowie der Prozesse im Einzelnen vorgenommen. Dazu wird die nichtlineare Systembeschreibung um Interdependenzen entlang der Prozesskette erweitert. Kapitel 4 widmet sich dem Konzept zur Prädiktion und Kompensation dynamischer Anomalien. Dabei wird zunächst der grundlegende Ansatz erläutert, bevor die dafür entwickelte Netzarchitektur vorgestellt wird. Diese wird dann zur Erzeugung der Kompensation in den geschlossenen Regelkreis zur Qualitätssicherung integriert. In Kapitel 5 wird auf die Prozessketten zur Evaluierung eingegangen, bevor dann die empirischen Ergebnisse präsentiert werden. In Kapitel 6 erfolgen eine Zusammenfassung und ein Ausblick.

Zusammenfassung

Process anomalies and unexpected failures of manufacturing systems are problems that cause a decreased quality of process and product. A better understanding of the system’s behavior with the aid of data is the key to improve reliability and process stability. Current data analytics approaches show decent results concerning the optimization of single processes but lack in extensibility to plants with high-dimensional data spaces. This paper presents and compares two data-driven self-learning approaches that are used to detect anomalies within large amounts of machine and process data. Models of the machine behavior are generated to capture complex interdependencies and to extract features that represent anomalies. The approaches are tested and evaluated on the basis of real industrial data from a metal forming process.

Zusammenfassung

Automated manufacturing machines in the discrete manufacturing domain are frequently facing changes in environmental conditions such as volatile customer demands or changes in product variants. Due to this, machines need to become more flexible to cope with these changing conditions. Therefore, manufacturing machines have to undergo adaptation processes during their operational phase. The adaptation processes might include mechanical, electrical and software changes. In industrial practice, these adaptation processes are individually performed by experts without methodological support which is time-consuming and highly error-prone. This article proposes a structured approach for supporting the different phases of the adaptation process. The producibility check of a production request based on a suitable skill model of the system is addressed as well as the automatic generation of adaptation options. Furthermore, the article provides concepts for analyzing the impact, effort and benefit of the generated adaptation options. Additionally, a multi agent architecture is presented for the implementation of the proposed adaptation approaches. The entire assistance concept was applied to a lab-size production machine to validate the applicability of the approach.

Zusammenfassung

Unerwartete Ausfälle von Anlagenkomponenten sowie unvorhersehbare Prozessereignisse und Anomalien sind Treiber erhöhter Ineffizienzen in Form von Stillstandzeiten und schwankender Produktqualität. Produzierende Unternehmen stehen vor der Herausforderung, trotz entlang der gesamten Wertschöpfungskette auftretender Dissonanzen, ein hochwertiges und reproduzierbares Qualitätsergebnis zu gewährleisten. Dazu werden Lösungen benötigt, die die zunehmende Komplexität entlang vernetzter und hochgradig dynamischer Prozessketten beherrschbar machen. Intelligente Sensor-Netzwerke erlauben den Aufbau umfangreicher Infrastrukturen zur Datenerfassung und sind Wegbereiter für den Einzug datenanalytischer Konzepte und Lösungen in die Fertigungsautomatisierung (‘Big Data Analytics’). In diesem Beitrag wird ein datengetriebener Ansatz zur Qualitätsoptimierung vorgestellt, auf dessen Basis Interdependenzen entlang von Prozessketten erfasst und mit Hilfe von multidimensionalen Datenmodellen abgebildet werden können. Aufgrund der Tatsache, dass aktuelle ‘Self-Learning’-Ansätze potenzielle Interdependenzen zwischen Prozessen nicht adäquat modellieren, mangelt es diesen aufgrund der isolierten Optimierung von Einzelprozessen an Skalierbarkeit. Systeme und Prozessketten mit hochdimensionalen Datenräumen können dadurch nicht oder nur unzureichend abgebildet werden. Durch eine verteilte, multidimensionale Modellierung ist dagegen die Integration multipler Prozessschritte in die analytische Betrachtung möglich. Das in dieser Arbeit beschriebene Konzept stellt darüber hinaus einen „Grey-Box-Ansatz“ dar, indem es vorsieht, bestehendes Wissen aus dem Engineering um aus Daten extrahierte Modellstrukturen zu erweitern und zu einem ganzheitlichen Modell zusammenzuführen. Darauf aufbauend wird das in der vorliegenden Arbeit propagierte Gesamtsystem durch zwei zusammenwirkende Rückkopplungsschleifen realisiert. Bestehendes Wissen wird in einer direkt steuernd auf die Prozesskette einwirkenden Schleife mit Hilfe von Regelstrukturen abgebildet, die die verteilten, multidimensionalen Datenmodelle semantisch verknüpfen. Diese wird um eine vollständig datengetriebene Schleife ergänzt, die die Dimension des erfassten Datenraumes reduziert, Merkmale auf Basis maschinellen Lernens extrahiert und die Wissensbasis kontinuierlich erweitert. Dadurch wird eine ganzheitliche und datenbasierte Qualitätsoptimierung realisiert. Der Ansatz wird momentan prototypisch für eine Modell-Prozesskette der Massivumformung unter Laborbedingungen sowie für zwei Pilotanlagen im realen industriellen Umfeld der Unternehmen Otto Fuchs KG und Hirschvogel Automotive Group umgesetzt. In diesem Beitrag wird die Datenextraktion und -aufbereitung, die prototypisch umgesetzte Datenmodellierung, der Ansatz zur Datenanalyse sowie das Gesamtkonzept vorgestellt.

Zusammenfassung

Tracking each workpiece provides two major advantages in forging technology. First, the matching of physical workpiece with the monitored process information facilitates root‐cause analysis for product quality. Second, the following process steps can be adapted according to the incoming workpiece properties to improve the robustness of hot forging process chain. The paper presents a general tracking methodology and tagging experiments on aluminium and steel forgings for harsh drop‐forging technology. Furthermore, a framework for streaming and processing large amounts of real‐time data as well as a multidimensional approach to model and analyse the workpiece information for individual and batch‐tracking are presented.

Zusammenfassung

Reduction in use of conventional oil-lubricates in drawing processes has been important working aims of many investigations in sheet metal forming from past until today. A completely new approach is developed at the University of Stuttgart, using volatile media like N2 or CO2 as lubrication for sheet metal deep drawing processes. Doing so, remarkable results were obtained regarding friction behaviour of this new tribological system. Sustainability, environmental protection and economic efficiency are the most outstanding advantages of this new process compared to conventional oil based lubrication. The paper includes perspective results from fundamental investigations friction investigations to testing and validating the applicability of the new process in a deep drawing tool. Tracking of workpieces provides two advantages in forging technology. First, the matching of workpiece with the monitored process information makes the root-cause analysis for product quality possible. Second, the process steps can be adapted based on the incoming workpiece properties to improve the robustness of hot forging process chain. For that purpose, a general tracking methodology was developed and labelling experiments on steel and aluminium parts appropriate for harsh drop-forging environments has been conducted. Furthermore, a multidimensional approach to model and to analyse the workpiece information for individual and batch-tracking as well as a framework for streaming and processing of large amounts of real-time data are presented in this contribution.

Zusammenfassung

Produzierende Unternehmen stehen stets vor der Herausforderung, qualitativ hochwertige Produkte zu erzeugen, die den strengen Anforderungen der Kunden und des Gesetzgebers genügen. Das Qualitätsergebnis muss trotz entlang der Wertschöpfungskette auftretender Schwankungen und Unregelmäßigkeiten reproduzierbar sein. Das gilt speziell für die Branche der Massivumformung, die durch ihre Abhängigkeit von den Entwicklungen in der Automobil- sowie Luft- und Raumfahrtindustrie zusätzliche Anforderungen durch den dort stattfindenden strukturellen Wandel hin zur E-Mobilität und zum Leichtbau erfährt. Um diesen Herausforderungen gewachsen zu sein, werden Lösungen benötigt, die die zunehmende Komplexität entlang der Prozesskette beherrschbar machen und zu einer erhöhten Prozessstabilität und Effizienz beitragen. Dieser Beitrag stellt einen datengetriebenen Ansatz vor, der darauf abzielt, kurzfristig auftretende Qualitätsschwankungen zu verfolgen. Prozessdaten werden dazu In-Memory in einer multidimensionalen Datenbank modelliert. Auf Basis der Ergebnisse eines Online Analytical Processing (OLAP) soll in Echtzeit reagiert und steuernd auf die Prozesskette eingewirkt werden.