Industrie 4.0: Einbindung von Machine Learning
in ein Digitalisierungssystem

Mit modernen Industrie 4.0 Systemen lassen sich Produktionsprozesse auslesen und mit MES und ERP-Systemen verbinden. Eine wesentliche Aufgabe ist dabei die Erfassung von Produktionsdaten in Verbindung mit Qualitäts-, Energie- und Umweltdaten. Um zu optimierten Prozessen zu kommen, können Machine Learning Tools eingesetzt werden. Wir zeigen in diesem Artikel, wie man ML-Tools mit dem Digitalisierungssystem verbinden kann. Eine Analyse wird automatisch gestartet, sobald die erforderlichen Daten zur Verfügung stehen. Das daraus entstehende Modell kann zur Simulation und Optimierung genutzt werden.

Zusammenfassung

Industrie 4.0 für produzierende Unternehmen startet häufig mit der Prozessdatenerfassung und der Weiterleitung der Ergebnisse an organisatorische und kaufmännische Systeme. Am Beispiel eines Herstellers von Trocknungssystemen zeigen wir, dass ein geeignetes Industrie 4.0 Digitalisierungssystem mit „künstlicher Intelligenz“ über Machine Learning Tools ausgestattet werden kann. Die Trainingsdaten für das ML-Tool kommen aus der Prozessdatenerfassung der Produktionsanlage. Im beschriebenen Projekt sind dies Daten aus einer Versuchsanlage, in der der Kundenprozess nachgebildet und optimiert wird. Dabei wird das Ergebnis des Versuchs erst anhand von Proben zu einem späteren Zeitpunkt im Labor ermittelt. Nach einem Training mit realen Versuchsparametern ist das System in der Lage, die Ausgabewerte vorherzusagen. Dies wird genutzt um bei einem aktuellen Versuch das Ergebnis in Echtzeit auszugeben und damit schon vor der Laboruntersuchung zumindest eine Tendenz ermitteln zu können. Damit lässt sich die Zahl der Versuche deutlich reduzieren und auch instationäre Zustände der Anlage beim Einschalten, Hochfahren und Abschalten beschreiben. Das ML-Tool ist äußerst einfach zu bedienen, da es in die Anlagenvisualisierung integriert wurde und vollautomatisiert im Hintergrund seine Arbeit verrichtet.

Industrie 4.0: Einbindung von Machine Learning
in ein Digitalisierungssystem


Das Kundenprojekt

Der Kunde ist Hersteller eines Trocknungssystems. In einem Rotationsofen wird das einlaufende Material, z.B. Lebensmittel, über Wärmestrahler getrocknet. Ziel ist es, die gewünschte Restfeuchte im Material zu erreichen und das bei maximalem Durchsatz und geringstem Energieverbrauch. Meist darf eine Grenztemperatur des Materials im Ofen nicht überschritten werden.
Die Feuchte des einlaufenden und auslaufenden Materials wird im Labor bestimmt, da Online-Messgeräte noch nicht zuverlässig genug messen. Die Temperatur des Materials in den verschiedenen Zonen der Wärmestrahler kann indes online gemessen werden.
Die Anlagen werden mit modernen Steuerungen ausgerüstet. Die Parameter der Anlage für die Produkte des Endkunden werden auf Versuchsanlagen des Herstellers ermittelt. Diese Rezepte können dann in der Steuerung abgerufen werden. Die Entwicklung der optimalen Rezepte ist ein wesentlicher Teil des Lieferumfangs des Herstellers.


Das Digitalisierungssystem

Neben vielen MES-Funktionen wird das Digitalisierungssystem zur automatischen Erfassung der Parameter der Versuchsanlagen genutzt. Über einen OPC-Server werden die Daten aus der Steuerung ausgelesen und hinunter bis auf 100ms zyklisch gespeichert.
Auch das Labor ist angebunden: Die dort ermittelten Werte werden über die Chargenverwaltung dem Material und den Versuchsparametern zugeordnet. Die Eingabe der Laborergebnisse erfolgt direkt über eine kundenspezifische Webseite im Digitalisierungssystem.
Die Versuchsparameter und -ergebnisse werden im Digitalisierungssystem über einen Reportgenerator dokumentiert. Dabei werden auch Energieverbrauch und Umweltdaten zur Zeit des Versuches mit einbezogen.


Optimierung und Kostenreduktion durch Machine Learning

Aufgrund der Vielzahl der Variablen im Trocknungssystem sind viele Versuche notwendig, um geeignete Parameter zu finden und die Rezepte auch hinsichtlich weiterer Qualitätsmerkmale, wie den Energieverbrauch zu optimieren.
Mit Hilfe von Machine Learning (ML) soll die Anzahl der Versuche deutlich reduziert werden, was mit einer entsprechenden Kostenreduktion verbunden ist. Zudem soll ML die Suche nach optimierten Einstellungen erleichtern und im besten Fall neue Rezepte finden, die durch die komplexen Zusammenhänge der Variablen bisher unentdeckt blieben.
ML erkennt statistische Zusammenhänge in vorliegenden Datenbeständen und ist so in der Lage, eigenständig Lösungen für Probleme zu finden. Ergebnis der ML-Algorithmen ist ein Modell, das für Ergebnisvorhersagen genutzt werden kann. Z.B. können die Ergebnisse für veränderte Eingabedaten simuliert werden.

In dieser Anwendung nutzen wir Funktionen aus SciKit-Learn (https://scikit-learn.org/) und Tensorflow (https://www.tensorflow.org/), die über die Programmiersprache Python aufgerufen werden. Das so erstellte ML-Tool liest die Prozessdaten aus einer Tabelle in der Datenbank des Digitalisierungssystems. Das Ergebnis wird wiederum in Tabellen zur Verfügung gestellt, die vom Digitalisierungssystem ausgelesen und dargestellt werden.
Zur Demonstration wurden bis zu 500 künstlich erzeugte Datensätze als Trainingsdaten verwendet. Dabei gilt die Restfeuchte am Ende des Prozesses als Output. Das nächste Diagramm (JointPlot) zeigt die Eingangsfeuchte über der, im Labor gemessenen, Restfeuchte mit einer Häufigkeitsverteilung der Messwerte. Daneben die Abhängigkeit der Restfeuchte von der Temperatur des Materials in einer Zone. Im Digitalisierungssystem können beliebige JointPlots dargestellt werden, mit denen sich Abhängigkeiten einzelner Variablen von anderen identifizieren lassen.


Anbindung des ML-Tools an das Digitalisierungssystem

Für eine automatische Auswertung und Optimierung durch ein ML-Tool muss das Digitalisierungssystem 3 Funktionen bereitstellen:

  • Aufbereitung und Zusammenführung der Versuchsdaten in der Datenbank
  • Start des ML-Tools, sobald die Daten vollständig vorliegen
  • Nutzung des berechneten Modells im ML-Tool

Diese 3 Aufgaben sollen möglichst systemunabhängig gelöst werden. Dazu nutzen wir einen Data-Router, der ohne Visualisierung arbeitet, verschiedene Datenbanken auslesen und überwachen und das ML-Tool ansteuern kann. Für letzteres nutzen wir die REST-API Schnittstelle im Data-Router. Das ML-Tool seinerseits haben wir mit einer solchen Schnittstelle versehen.


Ergebnisse des ML-Tools

JointPlots stellen nur die Abhängigkeit von Wertepaaren dar. Schon bei wenig komplexen Prozessen ist es kaum noch möglich, daraus ein Prozessmodell abzuleiten. Das zeigt das nächste Diagramm am Beispiel zweier weiterer JointPlots: Eine Abhängigkeit ist auf den ersten Blick scheinbar nicht vorhanden.

Das ist genau die Stärke eines ML-Modells, denn es ist in der Lage, auch Zusammenhänge mehrerer Variablen untereinander zu berechnen. Im ML-Tool nutzen wir das sogenannte Supervised Learning: Die realen Versuchsdaten werden als Trainingsdaten an das ML-Tool gesendet, das daraus ein mathematisches Modell erzeugt. Dieses Modell kann mit neuen Input-Werten aufgerufen werden und berechnet dann die Output-Werte, in unserem Fall die Restfeuchte des Materials. Der nächste JointPlot zeigt das Ergebnis der Rechnung im Vergleich zu den tatsächlich gemessenen Werten.

Auch dieses Diagramm kann über das Digitalisierungssystem angezeigt werden. Ebenfalls dargestellt werden die „Scores“: Score-Werte geben Aufschluss darüber, wie zuverlässig die Vorhersagen sind.
Der Aufruf der „Predict“-Funktion erfolgt über das Digitalisierungssystem. Die Berechnung erfolgt in Echtzeit und kann genutzt werden, um bei einem laufenden Versuch die Output-Werte aus den realen Anlagenparametern zu berechnen. Dies wird im nächsten Kapitel gezeigt.


Visualisierung der aktuellen Anlagewerte und der Modellergebnisse

Neben der Darstellung verschiedener Abhängigkeiten empfiehlt sich eine Visualisierung der aktuellen Anlagenwerte mit zusätzlicher Anzeige der Ergebnisse aus dem ML-Modell. In der nächsten Grafik ist dies am aktuellen Projekt dargestellt.
Das ML-Modell repräsentiert einen erweiterten Digitalen Zwilling. D.h. die Informationen aus dem realen Prozess sind darin in digitaler Form gespeichert. Über das ML-Modell wird die „digitale Maschine“ um eine Simulation erweitert.
Die Simulation errechnet das Temperaturprofil des Materials im Ofen in Abhängigkeit von den Einlaufwerten und der gerade eingesetzten Wärmestrahlung. Auch die Auslauftemperatur, die Restfeuchte im Auslauf und der Energieverbrauch pro kg wird aus dem ML-Modell heraus berechnet. Dazu ruft das Digitalisierungssystem zyklisch die Modellrechnung auf, speichert die Ergebnisse parallel zu den Aktualwerten aus der Anlage und gibt diese in der Visualisierung aus.

Die Trainingsparameter kommen aus einem stationären Betriebszustand, d.h. Aufheizzeiten und Hochfahrkurven werden nicht betrachtet. Die Vorhersagefunktion des Modells ist nun in der Lage, auch schon zu Prozessbeginn mit den realen Parametern aus der Anlage die Restfeuchte zu bestimmen. Damit kann die Anlagensteuerung optimiert werden, um Anfahreffekte zu reduzieren.
Das Digitalisierungssystem ist in der Lage, die Prozessdaten bis hinunter auf 100ms zu speichern. Dieser Verlauf der Parameter kann nun offline genutzt werden, um z.B. eine zweite Modellvariante zu testen. Eine Wiederholung der Tests ist damit in vielen Fällen überflüssig geworden.
Für den Benutzer ist die Nutzung des ML-Tools sehr einfach: Aus der Reihe der realen Versuche müssen die Versuche markiert werden, die für das Training des ML-Modells verwendet werden sollen. Dabei können beliebig viele Modelle generiert und abgespeichert werden. Sind die Vorhersagen und Scores zufriedenstellend, kann das Modell für Vorhersagen (= Predict) freigegeben werden.
Wie oben gezeigt, ist es möglich, die Visualisierung mit den Predict-Werten zu ergänzen. Besonders einfach ist dies mit dem hier verwendeten Digitalisierungssystem möglich; andere Tools lassen sich jedoch meist über die Datenbank auch anbinden.
Selbstverständlich kann die Predict-Funktion offline mit gespeicherten Prozessparametern manuell aufgerufen werden und gibt für einen bestimmten Parametersatz den Output-Wert aus. Die Erfahrung zeigt hier, dass die Vorteile dieses Systems nur dann genutzt werden, wenn die Input-Werte automatisch im System erfasst werden und der Machine-Learning-Prozess inklusive Vorhersage im Hintergrund automatisch abläuft.


Wie geht es weiter?

Ein Digitalisierungssystem mit eingebundenem Machine Learning Tool können Sie bei ACCIO anfragen. Wir setzen u.a. die Tools der Firma www.inray.de ein mit

Inray bietet auch ein Energiemanagementsystem an:

Das Energieportal basiert auf den oben genannten Tools und kann daher mit ML-Funktionalitäten erweitert werden. Der Einsatz eines Energiemanagementsystems ist bis zu 40% förderfähig (https://www.bafa.de/). Auch ohne ein Energiemanagementsystem gibt es in diesen Zeiten viele Förderprojekte für die Digitalisierung. So lässt sich ein Teil der Investition gerade für kleinere Unternehmen leichter stemmen.
Sie haben noch Fragen oder benötigen Unterstützung bei der Auswahl eines Digitalisierungssystems, der Entwicklung einer Digitalisierungsstrategie oder der Umsetzung von Digitalisierungsfunktionen? Dann sprechen Sie uns an:

  • E-Mail: info@accio.de
  • Tel.: 02536 7029 445

Unseren Experten für Machine Learning erreichen Sie unter:

  • Dr. Volker Ahrens
  • E-Mail: ahrens@accio.de
  • Tel.: 01523 3784768

Wir freuen uns auf Ihre Prozesse und finden auch für Ihr Unternehmen gewinnbringende Digitalisierungsideen.