Demonstrator

Condition-based Scheduling: Unerkanntes Potenzial

Von Siemens entwickelt von Fraunhofer adaptiert: Der Demonstrator für Condition-based Scheduling.
© Fraunhofer Austria

Eine an den Maschinenzustand angepasste Reihenfolgeplanung kann helfen, den Wartungsaufwand zu reduzieren und den Nutzungsgrad der Maschine zu verbessern. Gleichzeitig wird die Durchlaufzeit und Lieferfähigkeit optimiert, was den Aufwand für die Produktionsplanung reduziert. Dieses Potenzial ist vielen Betrieben noch nicht bekannt.

Fraunhofer Austria hat in Zusammenarbeit mit der Siemens AG Österreich daher einen Demonstrator entwickelt, der die Möglichkeiten der zustandsabhängigen Reihenfolgeplanung (Condition Based Scheduling, CBS) unmittelbar und interaktiv erlebbar macht. Vorgestellt wurde der Demonstrator im Rahmen der Hannover Messe im April.

Flexible Reaktion auf ermittelte Zustände

Während in der gewöhnlichen Reihenfolgeplanung in der Regel nur die Verfügbarkeit von Maschinen sowie die einzuhaltenden Liefertermine berücksichtigt werden, geht die zustandsbasierte Reihenfolgeplanung einen Schritt weiter. Diese Methode ermittelt den Zustand der Maschine und bewertet ihn mit sogenannten „health points“.

Deutet der Zustand darauf hin, dass die Maschine nur noch eingeschränkt verfügbar ist, wird flexibel darauf reagiert und die Planung angepasst, sodass nicht nur Durchlaufzeiten und Liefertreue optimiert, sondern auch Wartungsaufwände reduziert und die Anlagenverfügbarkeit erhöht werden. Im Auge haben die Fraunhofer-Forscher dabei vor allem Industriebereiche, in denen die Zusammenhänge zwischen Produktqualität und Werkzeug- oder Maschinenzustand besonders stark sind – wie etwa in der Metall- und Holzverarbeitung, der Halbleiter- oder der Lebensmittelindustrie.

Robert Glawar, Leiter der Gruppe Produktionsoptimierung und Instandhaltungsmanagement, erklärt das so: „Wenn während der Produktion beispielsweise verschiedene Bleche geschnitten werden müssen, kann das Messer einer Maschine im Lauf der Zeit stumpfer werden.

Es ist dann zum Beispiel noch in der Lage, ein Standardblech einwandfrei zu schneiden, nicht aber eine härtere Legierung. Eine starre Reihenfolgeplanung würde es nötig machen, das Messer sofort zu tauschen, wenn eine harte Legierung als nächstes geschnitten werden soll. Eine zustandsabhängige Reihenfolgeplanung dagegen reiht die Aufträge flexibel um, sodass beispielsweise noch einige weiche Bleche geschnitten werden, bevor man eine Wartung vornimmt. So verbessert diese Methode die Auslastung der Anlage und sichert gleichzeitig die Qualität.“

Das Potenzial gesammelter Daten nutzen

Diese Flexibilität wird nun von Fraunhofer Austria gemeinsam mit der Siemens AG Österreich erlebbar gemacht. Ein Demonstrator, in seiner ursprünglichen Form von Siemens entwickelt, um die Datenübertragung in die MindSphere-Cloud darzustellen, wurde von den Forscherinnen und Forschern dafür ergänzt und weiterentwickelt.

Der Demonstrator besteht im Wesentlichen aus einem Motor, der eine Spindel dreht. Dazu kommen nun ein Vibrationsmotor, der ein unrundes Laufen des Motors simuliert, ein Lichtsensor, der – wenn er abgedeckt wird – eine Filterverstopfung nachstellt, und eine Bremse, die Verschleiß simuliert und eine höhere Stromaufnahme verursacht.

Wer zustandsbasierte Reihenfolgeplanung in Aktion erleben möchte, kann in Zukunft also beispielsweise den Lichtsensor abdecken, den Vibrationsmotor zuschalten oder die Bremse betätigen und in Folge beobachten, wie ein Algorithmus die Anomalie in den Daten erkennt und mit einer neuen optimalen Reihenfolgeplanung reagiert. Der Algorithmus, der diese Reihenfolge erstellt, basiert auf Maschine Learning und wurde bei Fraunhofer Austria entwickelt.

Das Forschungsteam erhofft sich, durch den Demonstrator mehr Bewusstsein für die Vorteile und Möglichkeiten der zustandsbasierten Reihenfolgeplanung zu schaffen. „Viele Maschinen sind bereits mit Sensoren ausgestattet, und viele Betriebe sammeln Daten, aber nur die wenigsten nutzen ihr volles Potenzial“, beschreibt Robert Glawar ein bekanntes Phänomen. „Wir wollen zeigen, was mit einer multikriteriellen Optimierung auf Basis dieser Daten möglich ist.“