NACH OBEN

Laufende Projekte



CausAlITI

Verbesserte Analyse von Alarmfluten durch Integration zusätzlicher Informationsquellen

Causaliti

In diesem Projekt soll eine neue Methode entwickelt werden, um Alarmmeldungen in großen industriellen 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 und Signale 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 Verknüpfung der Prozessvariablen über den Prozess und das Prozessleitsystem kann eine Abweichung an einer Stelle eine Kaskade von vielen weiteren Alarmen in kurzer Zeit auslösen, auch „Alarmschauer“ oder "Alarmflut" 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. Daher soll 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 der Reihenfolge des Auftretens der Alarme nur bedingt eine Kausalität ableiten. Um die Kausalität besser zu erfassen, können zusätzliche Informationen über die Anlage genutzt werden, welche bereits in Form des „Piping and Instrumentation Diagram“ (P&ID)  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 computerlesbaren 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 neu auftretende Alarme richtig eingruppieren können, um so den Anlagenfahrer im laufenden Betrieb zu unterstützen.

Projektpartner:
  • TU München
    Lehrstuhl für Automatisierung und Informationssysteme
    Prof. Dr. Birgit Vogel-Heuser
Laufzeit: November 2021 bis März 2026
Förderung: DFG – Deutsche Forschungsgemeinschaft
dfg
Bearbeitet durch: Franz Christopher Kunze

Factory X

Aufbau eines Datenraums für die ausrüstende Industrie

Factoryx

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.

Der Lehrstuhl für Automatisierungstechnik der RUB ist an der Erarbeitung der Anwendungsfälle 1 und 2 beteiligt und erarbeitet darin die einheitliche Semantik der auszutauschenden Informationen:

Anwendungsfall 1 „Integrated Toolchains and Collaborative Engineering“:
Hierin wird eine digitale Unterstützung für Arbeitsabläufe im Engineering erarbeitet, vom Komponentenhersteller über Maschinenhersteller zu Systemintegratoren.

Anwendungsfall 2 „Information Update and Change Service“:
Hierin werden Lösungen geschaffen, wie Information über Aktualisierungen von Produkten systematisch von Herstellern zu Kunden gelangen können.

Dazu werden insbesondere die folgenden Themen betrachtet:

  • Aufbau eines digitalen Factory-X-Ökosystems unter Berücksichtigung bestehender Standards
  • Herstellerübergreifende Datenkonsistenz für Engineering, Geräteinformationen und Zustandsüberwachung
  • Rückverfolgbarkeit von Materialien, Daten und Produkten entlang der gesamten Lieferkette​
  • Update- und Änderungsmanagement für Geräte im Feld
Webseite: https://factory-x.org/
Laufzeit: Februar 2024 bis Juni 2026
Förderung:

Logo_BMWK_EU_klein

Bearbeitet durch: Hesam Rezaee Ahvanouee

AGRAFE

Analyse von GRAFCET-Spezifikationen zur Erkennung von Entwurfsfehlern

dfg

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 den Vorgängerprojekten wurden ein Metamodell für GRAFCET erstellt und ein darauf basierender Code-Generators für IEC 61131-3 Steuerungscode. In der ersten Phase von AGRAFE wurden Methoden im Bereich des Model Checkings und der statischen Analyse entwickelt, die zur Erkennung von Entwurfsfehlern bei GRAFCET eingesetzt werden können. Ziel des laufenden Forschungsprojektes ist, diese Analyse weiter zu verbessern. Beide Ansätze – statische Analyse und Model Checking – sind für sich genommen geeignet, um jeweils verschiedene Arten von Fehlern zu identifizieren, sodass die Ansätze nun miteinander kombiniert werden, um die jeweiligen Stärken ausnutzen zu können. Beim Model Checking hat sich ergeben, dass auch bei GRAFCET die Zustandsraumexplosion bei nebenläufigen Abläufen ein wesentliches Problem ist, das dazu führt, dass die Analyse von GRAFCET-Spezifikationen von industrieller Größenordnung nicht mit angemessenem Ressourcenaufwand möglich ist. Jedoch haben erste Ergebnisse in AGRAFE gezeigt, dass das Einbinden von weiteren Informationen aus Steuerungsspezifikation 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 ist 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.

Projektpartner:
  • Rheinisch-Westfälische Technische Hochschule Aachen
    Lehrstuhl Software für eingebettete Systeme
    Prof. Dr.-Ing. Stefan Kowalewski
Laufzeit: von 2020 bis Ende 2026
Förderung: DFG – Deutsche Forschungsgemeinschaft
dfg
Bearbeitet durch: Darko Divkovic

 


kaMeL

Klimaschonende automatisierte Montagetechnologien für durchgängig einseitig zugängliche Längs- und Quernähte

Logo Kamel

Im Forschungs‐ und Technologieverbundvorhaben kaMeL werden sowohl neuartige Fertigungstechnologien für die Flugzeugfertigung als auch innovative Entwicklungsmethoden und Werkzeuge aus den Bereichen der multidisziplinären Simulation, Gesamtprozessmodellierung, und dem ressourceneffizienten Datenmanagement erforscht.

Die erarbeiteten Methoden und Werkzeuge bilden die Grundlage für die durchgängige Digitalisierung im Produktionsprozess. Diese Ansätze sollen eine Effizienzsteigerung in der Flugzeugfertigung ermöglichen.

Der Fokus der Forschungsarbeiten des Lehrstuhls für Automatisierungstechnik der RUB liegt auf der digitalen Durchgängigkeit und dem Einsatz von Methoden der Künstlichen Intelligenz (KI), insbesondere für Cyber‐Physische Produktionssysteme (CPPS). Die RUB konzipiert und realisiert einen „Digitalen Zwilling“ zur Modellierung, Simulation und Steuerung und Regelung von automatisierten Montageprozessen am Flugzeugrumpf. Der betrachtete Anwendungsfall ist das Zusammenfügen von Rumpfsegmenten. Dafür wird eine Experimentalplattform am ZAL (Zentrum für Angewandte Luftfahrtforschung) in Hamburg aufgebaut.

Projektpartner:
 
  • Airbus
  • Fraunhofer
  • Broetje Automation
  • 3D.aero
Laufzeit: Februar 2024 bis Juli 2026
Förderung: Bmwk Fz 2017 Web De

Bearbeitet durch:


iMOD

Intelligente modulare Robotik und integrierte Produktionsgestaltung im Flugzeugbau

Imod

Dieses Projekt adressiert die Automatisierung, Digitalisierung und Optimierung von Montageprozessen in der Flugzeugproduktion. Es wird erforscht, wie sich die Flugzeugfertigung und die zugehörige Qualitätssicherung durch den Einsatzinnovativer Automatisierungslösungen optimiert werden können.

Die praktische Erprobung wird an einem Versuchsträger am ZAL (Zentrum für Angewandte Luftfahrtforschung) in Hamburg durchgeführt. Die dort bis Ende 2024 aufgebaute Validierungsplattform soll um ein Konzept zur kontextualisierten Datenerfassung erweitert werden. Die gewonnenen Daten werden dann zur Validierung, Optimierung und Erweiterung der bereits entwickelten Methoden, Ansätze und Algorithmen verwendet. Die Forschung setzt Schwerpunkte in den Bereichen modellbasierte Systementwicklung (MBSE), automatisierte Produktionsablaufplanung, virtuelle Inbetriebnahme (VC) und automatisierte Inspektion.

Die Forschung am Lehrstuhl für Automatisierungstechnik der Ruhr-Universität Bochum (RUB) konzentriert sich auf die automatisierte Inspektion. Dabei kommen fortschrittliche KI-Modelle und Bildverarbeitungsalgorithmen zum Einsatz, um mögliche Defekte auf der Flugzeugoberfläche (Kratzer, Dellen, fehlende Nieten, usw.) zu detektieren, zu klassifizieren und zu vermessen. Das Vermessen bedeutet, dass die Geometrie des Defekts mithilfe geometrischer Größen (Tiefe, Fläche usw.) beschrieben wird.

Außerdem wird künstliche Intelligenz für die Klassifikation und das Clustering von Nieten und Löchern, die sich in ihrer Größe unterscheiden, eingesetzt, um den Nietprozess optimieren zu können.

Projektpartner:
  • Helmut-Schmidt-Universität Hamburg
    Professur für Informatik im Maschinenbau
    Prof. Dr. Oliver Niggemann

Laufzeit:

September 2020 bis Dezember 2026

Förderung: Dtec.bw Eu-foederhinweis Rgb Vertikal-768x181
 
Bearbeitet durch:

RIVA

IT-Konzepte & -Lösungen für Verbünde autonomer Fahrzeuge

Riva

Autonome Fahrzeugverbünde, in denen sich schwimmende, fahrende und fliegende Fahrzeuge ergänzen und unterstützen, besitzen ein großes wirtschaftliches und gesellschaftliches Potenzial, da sich mit ihnen viele Anwendungsfälle effektiver und effizienter realisieren lassen als mit Einzelfahrzeugen.

Mögliche Anwendungen sind z. B. das Umweltmonitoring, die Logistik, die Reaktion auf Havarien sowie Search and Rescue. In diesem Projekt werden die technologischen und rechtlichen Grundlagen erarbeitet, die für die wirtschaftliche Nutzbarkeit von solchen autonomen Fahrzeugverbünden erforderlich sind, so dass diese anspruchsvolle Missionen sicher und selbständig durchführen können.

Das RIVA-Projekt soll Fahrzeugverbünde unterschiedlicher Modalität (Land, Wasser, Luft) in die Lage versetzen, autonom Missionen in Echtzeit zu erfüllen. Hierzu sollen die Umgebungs- und Randbedingungen durch den Verbund ermittelt und ein Umgebungsmodell erstellt werden. Mit dem generierten Wissen um die unterschiedlichen Fähigkeiten der einzelnen Fahrzeuge wird die Missionserfüllung geplant und ausgeführt, wobei sich verändernde Rand- bzw. Umweltbedingungen oder Fähigkeiten der Verbundteilnehmer direkt auf die Aufgaben der einzelnen Fahrzeuge auswirken. Die Erfüllung der Missionen wird zunächst simuliert und dann in der Praxis beispielhaft demonstriert.

Der Schwerpunkt der Forschung des Lehrstuhls für Automatisierungstechnik der RUB in diesem Projekt ist die Erforschung, Weiterentwicklung und Erprobung von Methoden zur Gewährleistung des sicheren Verhaltens unbemannter Fahrzeuge.

Projektpartner:
  • Helmut-Schmidt-Universität Hamburg
    Professur für Regelungstechnik
    Prof. Dr.-Ing. Joachim Horn
  • Helmut-Schmidt-Universität Hamburg
    Professur für Automatisierungstechnik
    Dr.-Ing. Felix Gelhoff

Laufzeit:

September 2020 bis Dezember 2026

Förderung: Dtec.bw Eu-foederhinweis Rgb Vertikal-768x181
 
Bearbeitet durch:

RAMP

Roboter-assistierte modulare rohrlose Produktion

Ramp Logo

Das Forschungsprojekt RAMP zielt auf die Mobilisierung und Automatisierung modularer Produktionsanlagen ab, um Energieverbrauch zu reduzieren, die Produktqualität zu steigern und die Flexibilität in biotechnologischen Pharma-Produktionsmodulen zu erhöhen. Mithilfe von KI, Sensorik und mobiler Robotik werden innovative Lösungen für die autonome Steuerung, Überwachung und Integration von Produktionsmodulen entwickelt. Durch die Implementierung intelligenter, vernetzter Systeme werden energieintensive Reinigungsprozesse und aufwändige Umbauten minimiert, was zu einer nachhaltigeren und effizienteren Produktion führt.

Hauptthemen des Projektes:

Mobile Robotik:

  • Autonomes Fahren mobiler Produktionsmodule.
  • Automatisierte Probenentnahme und Überwachung während des Transports.
  • Robotergestütztes Handling und Verbindung von Modulen (Energie, Stoffe, Daten).

Nachhaltigkeit und Effizienz:

  • Reduktion energieintensiver Reinigungs- und Umbauprozesse.
  • Ressourcenschonende und flexible Produktionskonzepte.

Forschung und Validierung:

  • Identifikation geeigneter Prozesse für Mobilisierung und Robotisierung.
  • Analyse der Auswirkungen auf Produktqualität und Prozessstabilität.
  • Umsetzung und Test innovativer Lösungen in realen Produktionsszenarien.

Der Lehrstuhl für Automatisierungstechnik der Ruhr-Universität Bochum (RUB) bringt Forschungsprojekterfahrungen in der robotergestützten Objekt-Erkennung und -Handhabung auf den Gebieten des Module Type Packages (MTP) sowie der notwendigen Orchestrierungstechnologie ein. Diese Kenntnisse werden in RAMP im Rahmen der Konzeption, Funktionsmusterentwicklung und Systemintegration für die Aktorik des automatisierten Systems eingebracht.

Projektpartner:
 
  • Karlsruher Institut für Technologie (KIT)
    Institut für Regelungs- und Steuerungssysteme (IRS)                                        
  • Boehringer Ingelheim
  • Sartorius Stedim Biotech
  • SEW-EURODRIVE
  • Siemens
Laufzeit: Januar 2025 bis Dezember 2027
Projektträger: Forschungszentrum Jülich GmbH (PT-J.ESN2)
Förderung:

Bmwk Fz 2017 Web De

Bearbeitet durch: Thomas Becker

Automatisiertes Löschen

Automatisierung des Löschvorgangs bei Normbrandversuchen

Feuerloeschen

In einer vorangegangenen Studie wurden Methoden für die automatische Erkennung von Flammen und Glut mit Hilfe von Farb- und Infrarotkamera erforscht und eine Methode zur automatisierten Betätigung von Feuerlöschern erarbeitet.

Im laufenden Projekt sollen diese Methoden mit einem Mobilroboter kombiniert werden, um Feuer aus geeigneter Position automatisiert löschen zu können. Dabei muss das System mit wechselnden Umgebungsbedingungen, wie z.B. Lichtverhältnissen, umgehen können. Auch sollen unterschiedliche brennende Materialien gelöscht werden können.

Laufzeit:

bis Ende 2026

Bearbeitet durch:               Nico Oblisz