Co-Creation Lab Fabrik der Zukunft
Die Realisierung von Industrie 4.0-Szenarien ermöglicht eine effektive und effiziente Fertigung von kundenspezifischen Kleinserien und Einzelaufträgen. In einer derart gestalteten Umgebung werden intelligente Werkstücke und Maschinen den Prozess steuern, miteinander kommunizieren und sich eigenständig durch die Fertigung bewegen.
Das Co-Creation Lab Fabrik der Zukunft bündelt die Potentiale des Transferverbunds Saxony⁵ und seiner Partner für die Entwicklung dafür notwendiger Prozessinnovationen. Das Co-Creation Lab fokussiert auf die Industrie 4.0-Themenbereiche: Smart Factory, Smart Operations, Smart Products, Data-driven Services, Mitarbeiter und Digital Leadership. In der interdisziplinären Forschungsumgebung werden in Zusammenarbeit mit Industriepartnern Konzepte und Demonstratoren für die Digitalisierung der Fertigung und die Entwicklung neuer Produkte und Dienstleistungen erarbeitet.
Projekte im Co-Creation Lab
Datenerfassung für KI-gestützte Zustandsüberwachung an Werkzeugmaschinen
Um plötzliche und unerwartete Produktionsausfälle durch Schäden an Werkzeugmaschinen zu verhindern, wird seit jeher versucht durch Auswertung von Betriebsdaten diese Schäden frühzeitig vorherzusagen. Diese Zustandsüberwachung erfordert bisher ein hohes Maß an Expertenwissen, um Symptome dieser Fehler zu erkennen und den Einfluss von Umweltbedingungen und verschiedenen Betriebszuständen einzuschätzen.
Im Projekt „KI-Labor für Effiziente Methoden des Condition-Monitoring“ wird daher erforscht, wie durch den Einsatz von maschinellem Lernen die Qualität von Zustandsüberwachung erhöht werden kann. Die künstliche Intelligenz bietet den Vorteil, riesige Datenmengen zu analysieren und darin Muster und Gesetzmäßigkeiten zu erkennen. Anhand von Trainingsdaten wird ein Modell erstellt, um anhand dieses Modells neue unbekannte Daten zu beurteilen. Bezogen auf die Zustandsüberwachung an Werkzeugmaschinen ist die Idee, Datenmodelle vom Betrieb der Maschine mit bekannten Zuständen zu erstellen, um dann bei neuen Daten eine Aussage treffen zu können, ob diese Daten einem bekannten Maschinenzustand entsprechen.
Die wichtigste Einschätzung ist dabei, ob die Daten einen fehlerfreien Betrieb der Maschine wiederspiegeln oder nicht. Wenn ein Schadensfall erkannt wird, muss das defekte Bauteil in der Werkzeugmaschine bestimmt werden können, um eine gezielte Wartung zu ermöglichen.
Die Herausforderung bei der Nutzung von maschinellem Lernen zur Zustandsüberwachung ist, dass jeder Maschinenzustand, welcher unterschieden werden soll, ein eigenes Datenmodell erfordert. Um Ausfälle zuverlässig zu erkennen, sind daher Daten vom Betrieb mit fehlerfreiem Zustand, aber auch mit typischen zu erwartenden Schadensfällen erforderlich.
Das Erstellen dieser Datenbasis ist einer der wichtigsten Arbeitspunkte im Forschungsprojekt. Die Versuchsmaschine ist ein mechatronischer Demonstrator mit für eine Werkzeugmaschine typischen Vorschubantrieben. Beim Betrieb werden sowohl Daten aus der Maschinensteuerung, als auch von zusätzlichen Beschleunigungsaufnehmern durch Edge-Computing hochfrequent erfasst und für die Verarbeitung durch die künstliche Intelligenz gespeichert. Die Versuchsmaschine bietet die Möglichkeit gezielt Fehler einzubringen, um den Betrieb zu beeinflussen.
Da es in der Praxis undenkbar ist, zum Anlernen der KI im Vorfeld Daten von Fehlerfällen an der realen Maschine zu erzeugen, werden neben der Messung an der realen Anlage systemdynamische Simulationen an einem virtuellen Maschinenmodell durchgeführt. Der reale Messaufbau kann dort am virtuellen Zwilling der Maschine nachgestellt und Schadensfälle durch Beeinflussung von Simulationsparametern eingebracht werden. Das Nachbilden der Betriebsdaten im virtuellen Zwilling wurde durch die Kombination der mechanischen Eigenschaften der Versuchsmaschine in Form eines Zustandsraummodells und der Maschinensteuerung durch numerische Simulation der kaskadierten Regelkreise erreicht.
Dadurch konnte die Datenbasis für die Modelle zur Beurteilung von Betriebsdaten geschaffen werden, welche nun im Forschungsprojekt verwendet wird, um ein System zur Zustandsüberwachung von Werkzeugmaschinen zu entwickeln.
Drahtlos gekoppeltes Spannsystem
![drahtlos gekoppeltes Spannsystem Foto: Ein drahtlos gekoppeltes Spannsystem.](fileadmin/_processed_/b/9/csm_Spannsystem_c14e91d7a1.jpg)
Im Projekt wurde ein Funktionsmuster zur funkbasierten Ansteuerung und Überwachung eines Spannsystems entwickelt und realisiert. Es ist mit diesem Demonstrator möglich, über eine stationäre SPS das Öffnen und Schließen mit variablen Geschwindigkeiten anzusteuern sowie die Spannkraft, den Ladezustand des Akkus sowie das Hauptrelais zu überwachen und eine "Leerfahrt" zu erkennen.
Entwicklung einer parametrierbaren Belastungssubroutine
![Belastungssubroutine Foto: Blick auf einen Laptopbildschirm. Darauf lange übereinanderliegende farblich unterschiedliche Balkenanordnungen.](fileadmin/_processed_/6/6/csm_Belastungssubroutine_4ede517052.jpg)
Ziel des Projektes war die Erarbeitung eines Demonstrators zur automatischen Erfassung von Prozessparametern und die Entwicklung eines Algorithmus zur systematischen Erkennung von Prozessanomalitäten.
KI-Labor für effiziente Methoden des Condition-Monitorings – KI-Lab-EmCo
![KI-Labor für Effiziente Methoden des Condition-Monitorings Grafik: 3 dimensionale Darstellung eines Konstruktionsaufbaues.](fileadmin/_processed_/5/c/csm_KI_Lab_1_266180ed59.jpg)
Das konkrete Ziel dieses Vorhabens ist es, ein ganzheitliches KI-Labor für die modernen Methoden des Condition-Monitoring zu errichten. Hierfür wird eine innovative Umgebung für die umfassende Bearbeitung von Problemen des maschinellen Lernens mittels etablierter Herangehensweisen aus den Gebieten des Software Engineering sowie des Scientific Computing erstellt. Ferner ist es das Ziel, die anwendungsbezogene Forschung im Bereich des maschinellen Lernens mittels sogenannter Neuronalen Tensorformate neu zu befruchten. Das im Projekt angestrebte Konzept stellt einen hybriden Ansatz aus Finite-Elemente-Methode, realer Messdatenerfassung und Machine-Learning-Algorithmen dar.
Ziel ist eine Machine-Learning gestützte Sensordatenfusion, die aus einer variablen Anzahl an Messwertaufnehmern eine vollständige Erhebung und Beurteilung des Anlagenzustandes während des Betriebs ermöglicht. Um schon vor dem (kostenintensiven) Auftreten realer Ausfälle die Machine-Learning-Algorithmen entsprechend zu trainieren, sollen diese Algorithmen mit Ergebnissen aus FEM-Analysen vorkonditioniert werden. Unser innovativer Ansatz bei der Darstellung von Hypothesen im Kontext des maschinellen Lernens sind neuronale Tensorformate.
Modulares intelligentes Transportsystem in der Intralogistik MoITra
![Modulares intelligentes Transportsystem in der Intralogistik Foto: Modulares intelligentes Transportsystem in der Intralogistik MoITra.](fileadmin/_processed_/2/7/csm_MoITra_1_7c829f9e9e.jpg)
![Modulares intelligentes Transportsystem in der Intralogistik Foto: Ein Roboterarm. Modulares intelligentes Transportsystem in der Intralogistik MoITra.](fileadmin/_processed_/c/f/csm_MoITra_2_5da34c06c4.jpg)
Das Ziel dieses Vorhabens ist es, ein funkbasiertes fahrerloses Transportsystem für die Intralogistik zu entwickeln, welches aufgrund der mittels Tensorformaten erlernten Logik zum einen eine hohe Ausfallsicherheit bietet und zum anderen schnell an neue Aufgabenfelder angepasst werden kann. Technische Basis hierfür soll das mobile Robotersystem Robotino® sein, dass bereits die Grundfunktionalität sowie einen modularen Aufbau sicherstellt. Die Forschungsaufgabe, die sich daraus ableitet setzt sich aus folgenden drei Forschungsschwerpunkten zusammen:
- Funkbasierte Übertragung der wechselnden Logistikaufgaben, abgeleitet aus dem ERP- System
- Erarbeitung der virtuellen Lernumgebung sowie hard- und softwaretechnische Umsetzung am realen Demonstrator in der Laborumgebung
- Erarbeitung des Lernmodells mittels Tensorformaten
Prozessüberwachung mit Vision-Sensor
![Prozessüberwachung mit Vision-Sensor Foto: Ein technisches Gerät auf einem Tisch zur Prozessüberwachung.](fileadmin/forschung/images/Saxony5/VS_3.jpg)
Ziel des Projektes besteht in der automatisierten Überwachung der Einhaltung der Prozessvorgaben in einem RFID-geführten Bearbeitungs- und Montageprozess zur Qualitätssicherung. Hierfür wurde ein Allround Vision-Sensor Advanced in eine existierende Demonstrationsfertigungsstrecke mechanisch und softwaretechnisch integriert.
Maschinenkonzepte im virtuellen Raum
![Interaktiver Seminarraum Bild: Mehrere Fotos und Grafiken zum Thema interaktiver Seminarraum.](fileadmin/_processed_/1/8/csm_InteraktiverSeminarraum_021d4b5271.png)
Ziel ist es, eine Methodik zu entwickeln, Maschinen und Anlagen als digitalen Zwilling in der Virtuellen Realität abzubilden und somit die Möglichkeit zu eröffnen, den Entwurf und die Erprobung von Steuerungen im Virtuellen durchzuführen. Hierfür soll die Demonstratoranlage im VR- Labor der WHZ abgebildet werden und somit die zukünftige Maschinen- und Anlagenentwicklung durch die Möglichkeiten der Virtuellen Realität auf ein höheres Niveau zu heben. Perspektivisch soll den jeweiligen Entscheidungsträgern eine Anlage demonstriert werden können, die im Virtuellen Teile in realer Größe fertigt. Als weiteres Ziel gilt es zu untersuchen, welche derzeitigen Schnittstellen zur späteren realen Fertigung notwendig und geeignet sind, um das virtuelle Modell für die interaktive Abfrage von Maschinen- und Anlagenzuständen zu nutzen.
Geräte und Ausstattung
![Innovative Hochschule Logos: Innovative Hochschule. Bundesministerium für Bildung und Forschung und GWK Gemeinsame Wissenschaftskonferenz.](fileadmin/_processed_/4/8/csm_Innovative_Hochschule_Initiative_BMBF_GWK_RGB_online_284af6ad0c.jpg)
Ansprechpartnerin an der WHZ:
Transferbeauftragte Melanie Weber
melanie.weber[at]fh-zwickau.de
0375-536 1740
![Innovative Hochschule Logo: Saxony 5.](fileadmin/_processed_/0/a/csm_Saxony5_CD_Logo_RGB_e9b7cbbf51.jpg)