Effizienz im Maschinenbau steigern Schneller, smarter, stärker: Maschinenbau mit KI

KI-Technologie birgt enormes Potenzial für Maschinenbauer und Anlagenhersteller. Philipp Wallner, Industry Manager Industrial Automation & Machinery bei MathWorks, erläutert, wie Unternehmen diese Herausforderungen dank modellbasierter Entwicklung (Model-Based Design) meistern können.

Dem Maschinenbau-Barometer für Q2/2023 der Wirtschaftsprüfungsgesellschaft PwC zufolge erwarten 45 Prozent der Befragten durch künstliche Intelligenz (KI) die grössten disruptiven Auswirkungen auf die Branche. Industriemaschinen sind heutzutage zunehmend modular zusammenstellbar und verfügen vermehrt über eine Vielzahl von Sensoren und Software-Bestandteilen. So erzeugte Daten werden von Unternehmen im Zuge von Industrie 4.0, Internet of Things (IoT), Deep Learning (DL) und Machine Learning (ML) genutzt, um Prozesse zu rationalisieren und effizienter zu gestalten. Die Modularität in Kombination mit kontinuierlichen Software-Updates über die gesamte Lebensdauer der Industriemaschinen hinweg, erschwert es Entwicklungsingenieuren, die Maschinen in sämtlichen möglichen physischen Konfigurationen mit kleineren Iterationen ausgiebig zu testen. Dies wiederum führt oft zu höheren Fehlerraten oder verzögerter Inbetriebnahme.

Model-Based Design als Antwort auf Herausforderungen im Maschinenbau

In der Simulation kann das Zusammenspiel zwischen Mechanik, Maschinensoftware und Gütern in diversen Szenarien mithilfe von Modellen getestet, verifiziert, optimiert und visualisiert werden – ohne Prototypen und physische Anlagen. Dies erspart im Vorfeld der Inbetriebnahme erheblichen Zeitaufwand und Kosten und senkt damit das Entwicklungsrisiko enorm. Auf Regelstrecken können Software und Hardware getestet und zusammengeführt werden mit dem jeweils gebotenen Detaillierungsgrad. Die physikalische Modellierung erlaubt eine realistische Simulation und Visualisierung, z. B. Kollisionen von mehreren Körpern. Der automatisch generierte Code beschleunigt zudem den Entwicklungsprozess. Virtuelle Inbetriebnahme gewinnt dementsprechend im Maschinenbau zunehmend an Bedeutung. Als digitale Zwillinge können Modelle auch nach Inbetriebnahme mit Daten der realen Anlagen gespeist werden. Im Rahmen einer vorausschauenden Wartung lassen sich so mithilfe von künstlicher Intelligenz (z. B. Machine Learning) Fehlfunktionen frühzeitig aufzeigen.

Bildergalerie

Effizienz im Maschinenbau steigern: Vorzüge automatisierter Codegenerierung

Die Übersetzung von entwickelten Steuerungs- und Logik-Algorithmen in Programmcode stellt Ingenieure und Unternehmen vor weitere Hürden. Simulationsmodelle haben hier den Vorteil, dass sie den generierten Code automatisch in verschiedenen Programmiersprachen für unterschiedlichste Steuerungen und Entwicklungsumgebungen (IDEs) anpassen.

Die Plattformunabhängigkeit von Simulationsmodellen erlaubt Maschinenbauern und Unternehmen ausserdem, ohne aufwendige und kostspielige Anpassungen auf unterschiedlichen Märkten und in Situationen zu agieren, die verschiedene Anforderungen an und Präferenzen für Steuerungshersteller mit sich bringen. Auch der Wechsel auf eine komplett andere Plattform ist im Rahmen von Hardware-in-the-Loop – dem Generieren, Überspielen und Testen von Software gegen ein in Echtzeit ausgeführtes Regelstreckenmodell – durchführbar. Eine Einbindung in State-of-the-Art-Workflows für Continuous Integration/Continuous Deployment (CI/CD) ist ebenfalls möglich, um grossen Entwicklungsteams an verschiedenen Standorten eine zuverlässige Umgebung zur automatisierten Softwareentwicklung und Codegenerierung bereitzustellen. Dies ist unter anderem nützlich bei Maschinen, die in unterschiedlichen Konfigurationen angeboten werden. Eine recht neue Variante der virtuellen Inbetriebnahme bietet die Darstellung umfassender dreidimensionaler Maschinenmodelle mit sogenannten Game Engines. Deren für Computerspiele entwickelte, physikalische Modelle erlauben auf abstrahierter Ebene beispielsweise das Testen von Trägheit, Kollisionen oder Fallvorgängen.

Beispiel: Anlagen für die Getränkeindustrie

Ein Vorreiter auf all diesen Gebieten ist der Maschinenbauer Krones AG. Dessen Contiloop AI (Abb. 1) ist eine Streckblasmaschine für PET-Flaschen, die den Blasprozess mit einer durch Reinforcement Learning trainierten KI ständig überwacht. Sie verringert so Ausschuss und minimiert Bedienereingriffe. Zudem ist sie mit der Krones-IIoT-Plattform verbunden, auf der anhand gesammelter Daten automatisch ein verbesserter KI-Agent trainiert, durch Codegenerierung bereitgestellt und auf die Contiloop AI übertragen wird. Modelle, KI, IIoT und CI/CD wurden hier zu einer Lösung zusammengeführt, die sich an veränderte Material- und Umweltbedingungen anpasst.

Simulationsmodelle haben das Potenzial, IoT-Entwicklung zu transformieren

Model-Based Design – der konsequente Einsatz von Simulationsmodellen und Codegenerierung für alle gängigen Industriesteuerungen – erlaubt Unternehmen schon heute, diverse Herausforderungen im Maschinenbau zu meistern.

In Zukunft werden Industriemaschinen – in grössere Netzwerke integriert – gigantische Datenmengen an Edge-Geräte, Unternehmens-IT oder Hersteller zurückfliessen lassen. Als Teil des Industrial Internet of Things (IIoT) wird dies die Entwicklung und Wartung von Industriemaschinen und Anlagen weiter optimieren. Es ist zu erwarten, dass Konzepte des Machine Learning sowie der kontinuierlichen Weiterentwicklung manche Prozesse im Maschinenbau revolutionieren.

Darüber hinaus werden durch automatisierte Codegenerierung Zeit und Personalkosten gespart und durch automatisiertes Testen die Reproduktion von Fehlerbedingungen reduziert. Dank ihrer Modularität und Wiederverwendbarkeit eignen sich Simulationsmodelle demnach zur Entwicklung und schnellen Bereitstellung von Software-Updates sowie zur beschleunigten Neuentwicklung und Umrüstung von Maschinen – ohne dabei direkt die realen Systeme, Anlagen oder Personal zu gefährden. Die virtuelle Inbetriebnahme und das Testen von Maschinen und Szenarien in einem virtuellen Raum ist unterm Strich schneller und kostengünstiger und gibt Ingenieuren darüber hinaus zusätzlichen Design-Spielraum für das optimierte Entwickeln innovativer Lösungen.

MathWorks auf der SPS

Mehr über die modellbasierte Entwicklung und andere Fokusthemen zeigt MathWorks auf der diesjährigen SPS Nürnberg am Stand 6-227. MathWorks-Experten zeigen eine Reihe von spannenden Demos und hilfreichen Informationen für Ingenieure und Entwickler.

• Virtuelles Fliessband: Das virtuelle Fliessband ist ein digitaler Zwilling, der durch den Import von CAD-Dateien in Simulink erstellt wird. Es handelt sich um eine praxisnahe Demonstration auf Basis von Model-Based Design mit Simulink. Die Demo beinhaltet zwei Roboter und eine Bewegungssteuerung.

• Echtzeitsimulation mit SPSen: Erweiterung der Demo «Virtuelles Fliessband» auf Echtzeitsimulation mit Code, der auf einer SPS mit automatischer Codegenerierung eingesetzt wird.

• KI für die visuelle Inspektion auf einer Beckhoff-SPS: Diese Demo gibt einen Überblick über den kompletten Arbeitsablauf für die Entwicklung und den Einsatz von KI-Algorithmen zur Bildklassifizierung auf SPSen – vom Entwurf des Deep-Learning-Modells bis zum Einsatz auf der Hardware. Der Schwerpunkt liegt auf der Entwicklung eines Bildklassifizierungsalgorithmus für Bauteile, um deren Qualität zu prüfen. Das KI-Modell läuft auf einer Beckhoff-SPS unter Verwendung generischer C-Code-Generierung.

• Low-Code-Workflow für Predictive Maintenance (vorausschauende Wartung): In dieser Demo werden Low-Code-Workflows für die Extraktion von physikalischen Merkmalen zur Erkennung von Fehlern und zur Abschätzung der verbleibenden Nutzungsdauer von technischen Systemen, wie Motoren und Batterien, vorgestellt.

• Steuerung von Elektromotoren mit Simulink: Die Demo zur Steuerung von Elektromotoren zeigt, wie man einen bürstenlosen Gleichstrommotor mit feldorientierter Steuerung dreht, Parameter on-the-fly einstellt und Motorparameter mit nur wenigen Klicks schätzt. Die Demo kombiniert die Leistungsfähigkeit von Speedgoat-Echtzeitlösungen mit Simulink und weiteren Tools.

Wettbewerbsvorteil KI-Engineering

KI-Trends für Ingenieure

MathWorks auf der embedded world

Modellbasierte Entwicklung – Chancen, die Unternehmen jetzt ergreifen sollten

(ID:49722196)