ein prototyp zur zustandsorientierten...

Ein Prototyp zur zustandsorientierten Ein Prototyp zur zustandsorientierten Instandhaltung

k b b hJakob Krause, Sebastian Cech

TU Dresden - Fakultät Informatik

GliederungFakultät Informatik, PreCon Projekt Gruppe

1 Motivation1. Motivation

2. Der Prognoseprozessg p

3. Die Frameworkarchitektur

4. Implementierung des Prototypen

5. Zusammenfassung und Ausblick

2/23

MotivationFakultät Informatik, PreCon Projekt Gruppe

Maschine

Beanspruchungen: Wirkungen:

•Verschleiß•Verformung

•Biologisch•Chemisch•Physikalisch

Ve o u g•Ermüdung•Korrosion•BrüchePhysikalisch

•Mechanisch•Brüche•Verschmutzung•usw.

Maschinenausfälle

3/23

Maschinenausfälle


Folgen von Maschinenausfällen:

• Stillstandzeiten in der Produktion• Überschreitung von Lieferfristen• Entstehung von Kosten

Konventioneller Lösungsansatz:Konventioneller Lösungsansatz:

• Präventive Instandhaltung unabhängig vom realen Zustand der Maschinen (periodische Wartung)Maschinen (periodische Wartung)

Probleme:

• Unnötige Instandsetzung (zu früh)• Maschinenausfälle (zu spät)

4/23

• Daraus resultierende Kosten


Lösungsansatz: Zustandsorientierte Instandhaltung

Maschinen/Prozess

Modellierung und Prognose des Maschinen Verhaltens Planung von des Maschinen-Verhaltens

Prozessdaten ErwarteteAusfallzeit

Planung von Wartungsarbeiten

Ausfallzeit

5/23

Wartung







6/23

Der PrognoseprozessFakultät Informatik, PreCon Projekt Gruppe

Prozessanalyse AusfallzeitbestimmungProzessdaten Ausfallzeitpunkt

Indikatoren Prog. Modelle

Statische und dynamische

Prognose Modellierung

Modelle

ModellierungModellierung

7/23


1. Prozessanalyse

• Analyse des Maschinenprozesses durch Spezialisten• Aufdeckung von Zusammenhängen in den Prozessgrößen• Identifizierung von Zuverlässigkeits-Indikatoren*• Bestimmung von Grenzwerten für Zuverlässigkeits-Indikatoren

2. Statische und dynamische Modellierung

• Erstellung von statischen Modellen (Zusammenhang zwischen Ein-• Erstellung von statischen Modellen (Zusammenhang zwischen Einund Ausgangsgrößen eines Systems)

• Erstellung von dynamischen Modellen (Verhalten eines Indikators über die Zeit)über die Zeit)

• Validierung der Modelle

8/23

*Indikatoren: Prozessdaten die den Alterungsprozess (Zuverlässigkeit) von Maschinen widerspiegeln


3. Prognose Modellierung

• Erstellung von Prognosemodellen basierend auf dynamischen Modellen

• Erstellung der Prognose • Validierung der Prognosemodelle

4. Ausfallzeitbestimmung

• Identifizierung von Zustandswechseln (Bereichen in denen die Prognose festgelegte Zuverlässigkeits- Grenzwerte überschreitet)

9/23


Probleme:

• Starke Unterschiede in den Eigenschaften der Prozessdaten • Dynamische Änderung der Prozessdaten-Eigenschaften • Stetig zunehmende Datenmenge

Zusammengefasst: g

• Forderung nach flexibler Anpassung des Modellierungsprozesses an die Prozessdaten-Charakteristikadie Prozessdaten Charakteristika

Lösung:

Framework für zustandsorientierte Instandhaltung

10/23







11/23

Die FrameworkarchitekturFakultät Informatik, PreCon Projekt Gruppe

Aufbau:

• Realisierung des Model-Frameworks in Schichten:

• Statische Modellierung• Dynamische Modellierung• Prognose Modellierungg g• Konsolidierung

• Anbindungsmöglichkeit auf jeder Schicht zur Datenakquise (DA)• Anbindungsmöglichkeit auf jeder Schicht zur Datenakquise (DA)• Persistierung relevanter Daten im Analytic Warehouse

(operationale Datenbank)• Anbindung an ERP Systeme zur bedarfsorientierten Wartung• Anbindung an ERP – Systeme zur bedarfsorientierten Wartung• Service Orientierte Architektur (Heterogenität unterschiedlicher

Systeme)

12/23

Die FrameworkarchitekturFakultät Informatik, PreCon Projekt Gruppe

13/23

Die Frameworkarchitektur







14/23

Implementierung des PrototypenFakultät Informatik, PreCon Projekt Gruppe

Technische Basis:

SPS OPC Server SAP PostgreSQLSPSSIMATIC S7

OPC ServerSIMATIC NET

SAPxMII

PostgreSQL

DatenbankProzessdaten

Steuerinformationen

Drehmaschine Applikations-S ( )

Benutzeroberfläche

15/23

Modellfabrik (Fischertechnik) Server (Tomcat)


Modellbildungs- und Prognose- Algorithmen im Modelframework:(A M d ll Z it ih d d P )(Anpassung von Modellen an Zeitreihen und deren Prognose)

• Repräsentation als WebServices mit einheitlicher Schnittstelle Vorteile:

• Flexible Erweiterung des Frameworks um neue Algorithmen und externe Werkzeuge (z.B.: X12-ARIMA)g ( )

• Verteilte Bearbeitung und Verwaltung des Prognosevorgangs

• Derzeitiger Vorrat:

ARIMA Polynom Prognose

Maximum-Likelihood Variate Differenzen Lineare Kalman Prog.

Yule-Walker Methode kl. Quadrate

16/23

Kalman Filter


17/23

Einbettung des Prototypes in die Frameworkarchitektur


Benutzeroberfläche:

• Modulare Eclipse RCP Anwendung

• Realisierung von:• Mechanismen zum Datenzugriff• Mechanismen zur Visualisierungg• Unterstützende Modellbildungsalgorithmen

• Zwei Sichten• Zwei Sichten• System Integrator• Operator

18/23


19/23

Die Benutzeroberfläche







20/23

Zusammenfassung und AusblickFakultät Informatik, PreCon Projekt Gruppe

Zustandsorientierte Instandhaltung:

• Kostengünstigere und effizientere Instandhaltung möglich

• Unterstützung der allwissenden Fabrik

Prototyp:yp

• Modellierung von ausgewählten Indikatoren (z.B. Leistungsverbrauch)Leistungsverbrauch)

• Prognostizieren des Ausfallzeitpunktes

• Periodische Modellaktualisierung

21/23

Zusammenfassung und AusblickFakultät Informatik, PreCon Projekt Gruppe

Ausblick:

• Flexible Anbindung an ERP-Systeme

• Technische Anbindung sowie Modellierung weiterer Indikatoren

• Integration weiterer angepasster Modellierungsalgorithmeng g p g g

• Test der Architektur in realer Produktionsumgebung

22/23

ENDE

Vielen Dank für Ihre Aufmerksamkeit!Vielen Dank für Ihre Aufmerksamkeit!

Jakob Krause: [email protected]

Sebastian Cech: sebastian cech@inf tu-dresden deSebastian Cech: [email protected] dresden.de

Das zu Grunde liegende Projekt wird finanziert von SAP Research

ein prototyp zur zustandsorientierten...

Documents