Toleranzkettenadaption zur intell. Positionierung von Großbauteilen in der Flugzeugmontage gestützt durch ressourceneffizientes Datenmanagement
Causal Alarm pattern analysis by the Integration of Technical Information from engineering documents (CausAlITI)
In diesem Projekt soll eine neue Methode entwickelt werden, um Alarmmeldungen in Großindustriellen-Anlagen gemäß der wahrscheinlichsten gemeinsamen Ursache zu gruppieren. Dazu sollen neben historischen Alarmdaten auch Prozessdaten und die Topologie der Anlage genutzt und mittels Verfahren des maschinellen Lernens ausgewertet werden.
Seit der Einführung digitaler Prozessleitsysteme hat die Anzahl der Sensoren in der Prozessindustrie immer weiter zugenommen. In vielen Anlagen ist heute ein Anlagenfahrer für die Überwachung von tausenden Prozessvariablen und hunderten damit verschalteter Alarme zuständig. Durch die hohe Korrelation der Prozessvariablen kann eine Abweichung an einer Stelle eine Kaskade von vielen weiteren Alarmen in kurzer Zeit auslösen, auch „Alarmschauer“ genannt.
Bei einem solchen Alarmschauer kann der Anlagenfahrer nicht mehr alle Meldungen ausreichend erfassen und ist damit nur noch eingeschränkt fähig, die Anlage schnell und effektiv in den Normalbetrieb zurückzuführen und so die Sicherheit zu gewährleisten. Um dies zu verhindern, sollte der Anlagenfahrer durch ein gutes Alarmmanagement entlastet werden. Die Gruppierung der Alarme nach kausalen Zusammenhängen verringert die Menge der zu erfassenden Informationen und hilft den Ursprung einer abnormalen Situation zu identifizieren.
Da die Alarme bei unterschiedlichen Schwellwerten auslösen und diese verschieden schnell überschreiten, lässt sich allein aus historischen Alarmdaten nur bedingt eine Kausalität ableiten. Um die Kausalität besser zu erfassen, können zusätzliche Informationen über die Anlage genutzt werden, welche bereits in Form von „Piping and Instrumentation Diagram“ (P&ID) oder „Computer Aided Design“ (CAD)-Zeichnungen für die meisten Anlagen zur Verfügung stehen.
Um den manuellen Aufwand zu reduzieren, sollen diese Dokumente automatisiert verarbeitet und die Struktur der Anlage, in einem Computer-lesbaren Format, daraus extrahiert werden. Diese Daten sollen dann mit historischen Alarmdaten kombiniert werden, um Alarme kausal zu gruppieren. Dabei soll das System nicht nur historische Daten nutzen, sondern auch aus neu auftretenden Alarmen lernen und diese folgerichtig eingruppieren können, um so den Anlagenfahrer im laufenden Betrieb zu unterstützen.
Partner: |
TU München – Lehrstuhl für Automatisierung und Informationssysteme Prof. Dr. Birgit Vogel-Heuser |
Laufzeit: | November 2021 bis März 2026 |
Förderung: | DFG – Deutsche Forschungsgemeinschaft |
Analyse von GRAFCET-Spezifikationen zur Erkennung von Entwurfsfehlern
GRAFCET ist ein graphisches Beschreibungsmittel zur Spezifikation von Steuerungsabläufen, die damit technologieunabhängig in Form von Schrittketten spezifiziert werden können. GRAFCET ist insbesondere in Frankreich weit verbreitet und wird auch in Deutschland immer bekannter, auch weil GRAFCET seit mehreren Jahren Pflichtanteil der beruflichen Ausbildung von Mechatronikern ist. In dem Vorgängerprojekt AGRAFE wurden – neben der Vervollständigung eines Metamodells und eines Code-Generators für IEC 61131-3 Steuerungscode – Methoden im Bereich des Model Checkings und der statischen Analyse entwickelt, die zur Erkennung von Entwurfsfehlern bei GRAFCET eingesetzt werden können. Ziel des beantragten Forschungsprojektes ist, diese Analyse weiter zu verbessern. Während der Bearbeitung von AGRAFE hat sich gezeigt, dass beide Ansätze – statische Analyse und Model Checking – für sich genommen geeignet sind, um jeweils verschiedene Arten von Fehlern zu identifizieren, sodass die Ansätze nun miteinander kombiniert werden sollen, um die jeweiligen Stärken ausnutzen zu können. Beim Model Checking hat sich ergeben, dass auch bei GRAFCET die Zustandsraumexplosion ein wesentliches Problem ist, die dazu führt, dass die Analyse von GRAFCET-Spezifikationen von industrieller Größenordnung nicht mit angemessenem Ressourcenaufwand möglich ist. Jedoch haben erste Ergebnisse aus AGRAFE gezeigt, dass das Einbinden von weiteren Informationen aus Steuerung und Steuerstrecke diesem Problem entgegenwirken kann. Das erste Forschungsziel ist daher die Einbeziehung von Streckeninformationen in die Analyse, um die Zustandsraumexplosion zu reduzieren und um die Analyseergebnisse zu verbessern. Neben Informationen aus der Strecke können aber auch Informationen aus den GRAFCET-Spezifikationen genutzt werden, die mittels der statischen Analyse gewonnen werden. So ist das zweite Forschungsziel, der Zustandsraumexplosion entgegenzuwirken, indem Informationen aus der statischen Analyse genutzt werden. So können beispielsweise für die jeweils zu analysierende Eigenschaft irrelevante Informationen aus dem Zustandsraum wegabstrahiert werden Das dritte Forschungsziel betrifft die automatische Generierung von Anfragen, die während des Model Checkings ausgewertet werden sollen. In der Praxis müssen diese Anfragen in Temporallogik formalisiert werden, wofür Expertenwissen notwendig ist. Einige Anfragen können aber auch aus den Informationen der statischen Analyse generiert werden. Das vierte Forschungsziel ist eine Erweiterung der statischen Analyse: Neben dem Fehler selbst soll auch dessen Ursache gefunden werden, um die Behebung des Fehlers durch den Anwender zu unterstützen. Darauf aufbauend soll untersucht werden, ob auch automatisiert Korrekturvorschläge generiert werden können.
Partner: |
Rheinisch-Westfälische Technische Hochschule Aachen – Lehrstuhl Software für eingebettete Systeme Prof. Dr.-Ing. Stefan Kowalewski |
Laufzeit: | |
Förderung: | DFG – Deutsche Forschungsgemeinschaft |
Im Leuchtturmprojekt „Factory-X“ arbeiten 47 Partner unter der Führung von Siemens und SAP zusammen, ergänzt durch 10 assoziierte Partner (Unternehmen, Verbände und Forschungseinrichtungen).
Primäres Ziel ist die Schaffung eines offenen und kollaborativen Datenökosystems für Fabrikausrüster und -betreiber auf der Grundlage von Catena-X und Konzepten der Plattform Industrie 4.0.
Im Projekt sollen elf dedizierte Anwendungsfälle des Datenökosystems umgesetzt werden, welche eine besonders hohe Relevanz für die produzierende Industrie besitzen.
Dazu werden insbesondere die folgenden Themen betrachtet:
Neben der technischen Entwicklung übernimmt das Konsortium auch eine wichtige Rolle bei der projektübergreifenden Koordination von Entwicklungsaktivitäten sowie beim Aufbau einer internationalen Manufacturing-X-Community.
Webseite: | https://factory-x.org/ |
Laufzeit: | Februar 2024 bis Juni 2026 |
Förderung: |