Industrie-4.0-Forschungsprojekt »Improve« EU investiert in virtuelle Fabrik

Prof. Oliver Niggemann vom Institut für industrielle Informationstechnik (inIT) der Hochschule OWL erklärt seinen Projektpartnern Aksel Jørgensen (Xcelgo A/S), Adam Gąsiorek (Transition Technologies S.A.) und Ulrich Bührer (Technische Universität München) (v.r.n.l.) das intelligente Assistenzsystem an der Modellanlage der SmartFactoryOWL.

Mit mehr als 4,1 Millionen Euro über eine Laufzeit von drei Jahren fördert die EU das Forschungsprojekt »Improve«. An dem Projekt beteiligen sich 13 Partner aus sechs Ländern mit dem Ziel, gemeinsam eine virtuelle Fabrik der Zukunft zu entwickeln.

Das Institut für industrielle Informationstechnik (inIT) der Hochschule OWL forscht seit Jahren an Industrie-4.0-Techniken und der Verbindung von Informatik und Automatisierungstechnik, um die intelligente Fabrik der Zukunft wandlungsfähiger, ressourceneffizienter und benutzerfreundlicher zu machen. Anfang September startete dazu in Lemgo erstmals ein internationales EU-Projekt, genannt »Improve« (Innovative Modelling Approaches for Production Systems to Raise Validatable Efficiency). Das inIT entwickelte die Projektidee und koordiniert das Forschungsvorhaben. »Ziel ist es, die virtuelle Fabrik zu Simulations-, Optimierungs-, Wartungs- und Diagnosezwecken zu nutzen«, erläutert Prof. Oliver Niggemann, Projektkoordinator und Vorstandsmitglied am inIT. »Wenn uns das gelingt, können wir den manuellen Aufwand einer Anlagenmodellierung durch innovative, selbstlernende Modelle minimieren.«

Erreicht werden soll dies über zwei Schritte. Zunächst wird ein virtuelles Modell einer realen industriellen Produktionsanlage erstellt, das zur Fehlererkennung, Optimierung, Simulation und vorausschauenden Wartung dienen kann. So könnten etwa der Ressourcen- und Energieverbrauch während der Produktion reduziert oder Ausfallzeiten verhindert werden.

Der nächste Schritt ist die Einbindung des Menschen in diesen Prozess. Über Assistenzsysteme bekommt der Benutzer bei der Bedienung einer Anlage Unterstützung und Entscheidungshilfen: Das System hilft zu entscheiden, welche Baugruppen einer Anlage er sich als erstes anschauen muss, was die optimalen Parameter sind, in welcher Reihenfolge die Produkte optimal gefertigt werden oder was der Grund für den Ausfall einer Maschine ist.

Zusammen mit Wissenschaftlern der Marmara Üniversitesi in Istanbul forschen die Lemgoer auch konkret am Themenfeld »Machine learning« (gelernte Modelle). Dabei sollen drei Typen von Maschinen-Modellen entstehen: Verhaltensmodelle, Kausalitätsmodelle und Prognosemodelle. Diese Modelle sollen sich über einen Algorithmus selbst lernen, auf der Basis von Prozessdaten. Das Verhaltensmodell erkennt Anomalien, das Kausalitätsmodell modelliert Abhängigkeiten, die den Grund einer Anomalie erkennen, und das Prognosemodell simuliert eine vorausschauende Wartung und Optimierungen der Anlage. »Über das Verhaltensmodell und das Kausalitätsmodell werden Erkenntnisse aus der realen Anlage auf ein virtuelles Modell übertragen, und man kann kontrollieren, ob sich das Verhalten einer Anlage im Modell wiederfindet«, führt Niggemann aus. »Das Prognosemodell hingegen simuliert die reale Anlage mit unterschiedlichen Konfigurationen. Wird dabei eine bessere Konfiguration gefunden, kann diese in die reale Anlage übertragen werden, um beispielsweise Energie zu sparen.«