Schätzung der Durchlaufzeiten in ausgedehnten Produktionsanlagen zur Umsetzung eines datenbasierten Prozessmonitorings

Die moderne industrielle Produktion zeichnet sich durch eine größtenteils automatisierte und komplexe, teilweise auch werkstückindividuelle, Fertigung aus. Eine Vielzahl an Prozessschritten mit einer schwer überblickbaren Anzahl an Abhängigkeiten und Einstellparametern greifen ineinander, um hochtechnologisierte Produkte zu fertigen, welche den steigenden Anforderungen der Kunden gerecht werden. Ein Ziel im Kontext der Industrie 4.0 bzw. der zunehmenden Digitalisierung und Vernetzung der Anlagen ist die Identifikation optimaler Steuerparameter aus den historischen Anlagendaten zur Erreichung ausgewählter Zielkriterien. Durch die Vernetzung werden jedoch auch Informationen zusammengeführt, welche, durch Transport, Bearbeitung und Lagerung der Werkstücke, einen kausalen Zeitversatz von vielen Stunden bzw. bei üblichen Abtastraten mehreren Millionen Zeitschritten aufweisen. Ein solcher Zeitverzug kann in der Regel nicht implizit im Modell abgebildet und identifiziert werden. Neben markerbasierten Trackingverfahren, die für z. B. Fluide und Schüttgüter nicht oder nur mit hohem Aufwand geeignet sind, können auch bereits vorhandene Anlagendaten verwendet werden, um den Werkstückfluss durch den Prozess zu ermitteln. Anhand einer Simulationsumgebung zur Generierung von Werkstückflüssen verschiedener Prozesstopologien sowie zwei realer Anlagen, ein industrieller Handhabungsprozesses (Modellfabrik) und die Sandaufbereitung einer Grünsandgussanlage, werden die signalbasierten Methoden der Kreuzkorrelation sowie Transferentropie zur Bestimmung der Zeitverzüge bzw. Durchlaufzeiten untersucht und verglichen. Im speziellen die Sandaufbereitung weist eine starke Abhängigkeit der Zeitverzüge vom aktuellen Prozesszustand wie dem Befüllungsgrad der Sandbunker auf. Um in solchen Fällen die Genauigkeit der Zeitverzugsschätzung zu erhöhen, wird eine Adaption der zunächst statischen Schätzung vorgestellt. Hierbei werden Bayes’sche Schätzer sowie eine Moving Horizon Estimation verglichen, um die Sandmasse in den Bunker aus existierenden Anlagendaten zu schätzen und anschließend die Durchlaufzeiten des Sandes zu ermitteln. Es werden abschließend drei Möglichkeiten zur Berücksichtigung des durch signalbasierte Methoden bzw. Bayes’sche Schätzer ermittelten Zeitverzugs in datenbasierten Modellen vorgestellt und die Auswirkung der Zeitverzugsschätzung auf deren Konvergenzverhalten sowie Modellgüte verglichen: Die Erzeugung eines kausalen Datensatzes durch gewichtete Mittelung der Zeitschritte, die Reduzierung des Zeitverzuges zwischen den Zeitreihen durch Entfernen nicht-kausaler Zeitschritte sowie die Modellbildung und Anomalieerkennung ohne Zeitverzugsberücksichtigung an einzelnen Stationen und anschließende Zuordnung der Ergebnisse über den identifizierten Zeitverzug.