Steigerung der Intelligenz mechatronischer Systeme

Globalisierung, demografischer Wandel und Ressourcenknappheit verändern unsere Lebens- und Arbeitsbedingungen und stellen hohe Anforderungen an die Innovationskraft der heimischen Industrie. Im Technologienetzwerk Intelligente Technische Systeme OstWestfalenLippe – kurz it’s OWL – werden innovative Produkte und Dienstleistungen für die Märkte von morgen erarbeitet. Weltmarktführer und „Hidden Champions“ aus dem Maschinenbau, der Elektro- und Elektronikindustrie und dem Bereich der Automobilzulieferer arbeiten dabei eng mit Spitzenforschungseinrichtungen zusammen. Denn der Innovationserfolg stellt sich ein, wenn sich Market Pull und Science Push treffen. In 50 Projekten mit einem Gesamtvolumen von rund 100 Mio. EUR (Laufzeit von 2012 bis 2017) werden intelligente Produkte und Produktionssysteme entwickelt. Zielsetzung des Cluster-Querschnittsprojekt Selbstoptimierung ist ein Instrumentarium zur Planung und Entwicklung von selbstoptimierenden Produkten und Produktionssystemen. Das Instrumentarium soll die Entwickler (Im Folgenden wird in der maskulinen Form geschrieben und zwar ausschließlich wegen der einfachen Lesbarkeit. Wenn beispielsweise von Entwicklern, Entscheidungsträgern und Managern die Rede ist, sind selbstredend auch Entwicklerinnen, Entscheidungsträgerinnen und Managerinnen gemeint.) in den Unternehmen bei der Realisierung von Ansätzen der Selbstoptimierung praxisgerecht unterstützen. Vor diesem Hintergrund wird in diesem Kapitel zunächst der Spitzencluster it’s OWL vorgestellt. Nachfolgend wird gezeigt, wie das Cluster-Querschnittsprojekt Selbstoptimierung im Spitzencluster eingebettet ist und welche Schwerpunkte und Zielsetzungen im Fokus des Projekts stehen.

Die Entwicklungen im Bereich der Informations- und Kommunikationstechnik eröffnen vielfältige neue Möglichkeiten, um intelligente technische Systeme zu realisieren und damit erhöhten Nutzen beim Kunden zu stiften. Diese Systeme sind in der Lage, sich ihrer Umgebung und den Wünschen ihrer Anwender im Betrieb anzupassen. Systeme aus diesem Bereich werden nicht mehr durch rein ingenieurwissenschaftliche Ansätze entstehen (Dumitrescu in Entwicklungssystematik zur Integration kognitiver Funktionen in fortgeschrittene mechatronische Systeme. Dissertation. Universität Paderborn, Paderborn, 2011). Vielmehr werden verstärkt Ansätze aus den Bereichen des maschinellen Lernens oder der mathematischen Optimierung ihre Berücksichtigung finden (Isermann in Mechatronische Systeme: Grundlagen. Springer, Berlin, 2008, Iwanek et al. in Tagungsband der VDI Mechatroniktagung, 185–190, 2015). Im folgenden Abschnitt wird zunächst der Innovationssprung von der Mechatronik hin zu selbstoptimierenden Systemen beschrieben. Nachfolgend wird die Architektur selbstoptimierender Systeme vorgestellt. Zudem wird in diesem Kapitel gezeigt, wie die Strategische Planung und integrative Entwicklung von selbstoptimierenden Produkten und Produktionssystemen gestaltet ist. In diesem Zuge werden auch verschiedene Vorgehen zum Realisieren von Ansätzen der Selbstoptimierung eingeordnet. Das Kapitel schließt mit der Vorstellung von Anwendungsbeispielen aus dem Kontext derbo Selbstoptimierung.

Die absehbaren Entwicklungen der Informations- und Kommunikationstechnik ermöglichen zunehmend die Entwicklung von technischen Systemen mit inhärenter Teilintelligenz. Diese Systeme können als Intelligente Technische Systeme bezeichnet werden. Schlagworte, die in diesem Kontext stets genannt werden sind: „Cyber-Physical Systems“, „Industrie 4.0“ oder „Selbstoptimierung“. Die Ansätze in den Bereichen weisen hohes Potenzial zur Weiterentwicklung bestehender mechatronischer Systeme auf, jedoch werden diese von den Unternehmen nicht systematisch berücksichtigt. Es bedarf einer Potenzialanalyse, mit der die Intelligenz mechatronischer Systeme gesteigert werden kann. Vor diesem Hintergrund werden zunächst die Herausforderungen bei der Steigerung der Intelligenz mechatronischer Systeme aufgezeigt. Nachfolgend wird ein Stufenmodell vorgestellt, welches die Möglichkeiten zur Weiterentwicklung mechatronischer Systeme adressiert. Der Einsatz des Stufenmodells erfolgt im Rahmen einer Potenzialanalyse, die ebenfalls Gegenstand dieses Kapitels ist. Die Anwendung der Potenzialanalyse wird zudem beispielhaft an einem System aus dem Bereich der Lackiertechnik gezeigt.

Statistische und maschinelle Lernverfahren extrahieren Regelmäßigkeiten aus Daten. Sie ermöglichen die effiziente Abbildung von Wirkzusammenhängen in komplexen technischen Systemen, welche nur schwer oder gar nicht durch klassische Modellierungsansätze abgebildet werden können. Im Selbstoptimierungsprozess sind maschinelle Lernverfahren besonders für die Online-Analyse des Betriebszustands, sowie für die Modellbildung zur Regelung relevant. Durch den Einsatz von Lernverfahren eröffnen sich neue Perspektiven für die Automatisierung und Optimierung technischer Systeme. In dieser Anwendungsdomäne stehen allerdings oft nur relativ wenige Daten zur Verfügung, da die Datenakquisition in komplexen technischen Systemen meist hohe Kosten verursacht. Von entscheidender Bedeutung ist auch die zuverlässige Generalisierung der gelernten Modelle in technischen Systemen. Dieses Kapitel stellt Arbeiten im Rahmen des Spitzenclusters it?s OWL vor, welche diese Herausforderungen adressieren. Es umfasst eine kurze Einführung zum Hintergrund maschineller Lernverfahren und ausgewählter Verfahren, die Integration von Vorwissen in den Lernprozess, sowie Leitfäden zur Anwendung maschineller Lernverfahren in technischen Systemen. Die entwickelte Methodik wird an mehreren Anwendungsfällen aus dem Spitzencluster demonstriert.

Bei der Entwicklung eines technischen Systems möchte man dieses derart auslegen, dass es sich bzgl. der jeweiligen Anwendungssituation optimal verhält. Wird das System mit unterschiedlichen Anwendungssituationen im Betrieb konfrontiert, erfordert dies in der Regel unterschiedliche Zielsetzungen, welche sich im Allgemeinen widersprechen. Eine wichtige Rolle für die Auflösung dieser Konflikte spielen dabei Optimierungsverfahren, welche konkrete Ziele für die aktuelle Anwendungssituation sowie die zur Erfüllung der aktuellen Ziele notwendigen Verhaltensanpassungen bestimmen sollen. Hier werden zunächst die theoretischen Grundlagen und ausgewählte Methoden der mathematischen Optimierung beschrieben. Dabei wird der Fokus auf die Mehrzieloptimierung sowie Mehrzieloptimalsteuerung gelegt. Anschließend wird eine methodische Vorgehensweise präsentiert, welche den Arbeitsprozess der mathematischen Mehrzieloptimierung im Selbstoptimierungskontext näher beschreibt. Diese besteht aus einem Leitfaden zum Einsatz mathematischer Optimierung im industriellen Kontext, der zukünftige Anwender bei der selbstständigen Lösung mathematischer Optimierungsprobleme unterstützen soll, sowie einem Katalog von typischen Anwendungshemmnissen. Abschließend werden drei Beispiele vorgestellt, die während der Projektlaufzeit in interdisziplinärer Zusammenarbeit bearbeitet wurden.

Intelligentes Verhalten technischer Systeme wird durch intelligente Steuerungen und Regelungen realisiert. Diese Regelungen berücksichtigen Unsicherheiten und passen sich zur Laufzeit an geänderte Umgebungsbedingungen an. Dabei steht die modellbasierte Regelung auf Basis physikalischer Prozessmodelle im Mittelpunkt, die die Dynamik der technischen Systeme umfassend abbilden. Einer kurzen Einführung in grundlegende Methoden der Regelungstechnik folgt die Präsentation eines paretooptimalen Reglers, welcher Systeme befähigt, autonom auf veränderliche Betriebsbedingungen zu reagieren. Desweiteren ist die methodische Unterstützung beim Entwurf intelligenter Regelungen Inhalt dieses Kapitels. Der Einsatz der vorgestellten Methoden wird anhand von Praxisbeispielen aus dem Spitzencluster it’s OWL gezeigt.

Selbstoptimierung bietet die Möglichkeit der autonomen Anpassung des Systemverhaltens an veränderliche Ziele. Dabei ist vor allem der Aspekt Zuverlässigkeit von maßgeblicher Bedeutung, da über einen an die aktuelle Systemzuverlässigkeit angepassten Betriebspunkt die Leistungsfähigkeit verbessert wird, während das Ausfallverhalten besser vorhersehbar wird. Zur Anpassung des Systemverhaltens an die aktuelle Zuverlässigkeit mittels Selbstoptimierung müssen die ersten beiden Schritte des Selbstoptimierungsprozesses unterstützt werden. Für die Analyse der Ist-Situation ist eine Erkennung des aktuellen Degradationszustands mittels Condition Monitoring notwendig. Zur Auswahl geeigneter Verfahren werden bestehende Ansätze hinsichtlich ihrer Eignung klassifiziert. Der zweite Schritt, die Bestimmung der Systemziele, wird durch eine strukturierte Methode zum Finden verlässlichkeitsrelevanter Zielfunktionen ergänzt. Dabei werden kritische Komponenten identifiziert, Optimierungsparameter festgelegt und die Verlässlichkeit in Abhängigkeit des Systemverhaltens quantifiziert. Entwickler selbstoptimierender Systeme werden somit durch geeignete Mittel bei der Implementierung beider Schritte unterstützt. Abschließend wird der praktische Einsatz der vorgestellten Methoden anhand zweier Beispiele gezeigt.

Kürzer werdende Produktlebenszyklen, steigende Volatilität der Märkte und Kostendruck erhöhen die Anforderungen an Produktionssysteme, bspw. hinsichtlich der Verlässlichkeit, Produktivität und Ressourceneffizienz. Es ergeben sich zwei wesentliche Handlungsfelder im Kontext der Verbesserung von Produktionssystemen, um diesen Herausforderungen entgegenzuwirken. Zum einen effektive Verbesserungsprozesse, die eine Grundvoraussetzung für den Unternehmenserfolg darstellen, und zum anderen intelligente technische Systeme zur Optimierung der Produktion. Vor diesem Hintergrund wird zunächst das Vorgehen zur Auswahl bedarfsgerechter Verbesserungsmethoden vorgestellt. Es ermöglicht insbesondere kleineren und mittleren Unternehmen (KMU) die systematische Identifikation benötigter Verbesserungsmethoden bei unterschiedlichen Zielstellungen. Anschließend wird die Funktionsweise eines intelligenten technischen Systems zur Optimierung der Fertigung erläutert. Die entwickelte selbstoptimierende Fertigungssteuerung ermöglicht es, unter verschiedenen Betriebsbedingungen, selbstständig das optimale Fertigungsprogramm zu ermitteln und umzusetzen.