Hagenberg – Daten sammeln, das ist die Devise der Zeit. Für Produktionsbetriebe bedeutet das, Anlagen und Maschinen engmaschig mit Sensorik auszustatten und die daraus resultierenden Daten in sinnvolle Zusammenhänge zu bringen, um neues Wissen abzuleiten. Aus dem Forschungsunternehmen Risc Software in Hagenberg kommt ein neuer Ansatz in diesem Bereich.

In dem bis 2020 laufenden Forschungsprojekt VPA 4.0 – Virtueller Produktionsassistent werden, gefördert vom Land Oberösterreich, die Grundlagen für eine Industrie-4.0-Plattform geschaffen, die sich auf Industriebetriebe verschiedenster Art und Größe adaptieren lässt. "Ob am Ende der Produktion ein Kunststoffverschluss oder Ski stehen, ist für das generisch funktionierende System nicht wichtig", sagt Projektleiterin Stefanie Kritzinger von Risc Software.

Das Framework "Anna", für das zu Projektende ein Proof-of-Concept stehen soll, umfasst vielfältige Methodensammlungen: "Der Data-Engineering-Bereich umfasst die Gewinnung, Zusammenführung und Aufbereitung der Daten, die erfahrungsgemäß die wichtigsten Aufgaben sind, in die ein großer Teil der Ressourcen fließen", erklärt Kritzinger.

Datenreihen aus verschiedensten Systemen, die etwa Temperatur, Druck oder Maschinengeräusche abbilden und in unterschiedlicher Qualität und Datendichte vorliegen, müssen etwa um Fehlmessungen und Verzerrungen bereinigt und auf einen Nenner gebracht werden, um eine tragfähige Basis zu bilden.

Zusammenhänge finden

In einem Folgeschritt werden die Daten in einen Zusammenhang gesetzt. Dem System muss klargemacht werden, dass etwa ein Steigen der Temperatur an einem Punkt eine erhöhte Druckmessung an einem anderen Punkt erwartbar macht. "Eine schnelle Visualisierung der Daten kann in diesem Bereich bei der Hypothesenbildung helfen", betont Kritzinger.

Die datengetriebenen Modelle sollen mit den physikalischen Modellen, die die Funktionsweise der Maschinen abbilden, verbunden werden, um die Vorteile beider Bereiche zu nutzen. "Wir sprechen viel mit Servicetechnikern. Sie erzählen zum Beispiel, dass sie morgens an der Maschine horchen, ob alles rundläuft. Sie würden Auffälligkeiten schnell bemerken. Das ist eine Art von Modellwissen, die wir in den Systemen mitabbilden wollen", veranschaulicht die Forscherin.

Ein Data-Science-Bereich versammelt schließlich einen Werkzeugkasten an statistischen Methoden, maschinellem Lernen oder Korrelations- und Regressionsanalysen, um mit algorithmischen und mathematischen Mitteln Erkenntnisse für die Verbesserung des Betriebs zu gewinnen. Eine vorausschauende Wartung wird auf diese Art umsetzbar und verhindert ungeplante Stillstände. Die Fertigung kann systematisch optimiert werden, um die Qualität der Produkte zu erhöhen.

Die Einflussfaktoren, die erkennbar werden, sind vielfältig. Kritzinger: "In einem Fall wurde bemerkt, dass eine Maschine gerade am Montag weniger gute Qualität liefert. Es wurde entdeckt, dass sie sich nach dem Stillstand am Wochenende erst warmlaufen musste." (Alois Pumhösel, 18.12.2019)