Intelligente Prozessüberwachung für die flexible Produktion

Neue Herausforderungen durch Fachkräftemangel und agile Produktionsumfelder

Produzierende Unternehmen stehen vor großen Herausforderungen: Fachkräftemangel, steigende Lohn- und Produktionskosten, dem Trend zur Individualisierung sowie zunehmendem internationalen Kostendruck. Damit Unternehmen in diesem Umfeld wettbewerbsfähig bleiben, müssen neue Ansätze und Lösungen in der Produktion Einzug halten. Eine kostengünstige Produktion mit hoher Qualität und Flexibilität ist der Schlüssel zu einer zukunftsfähigen Wertschöpfung und damit zur langfristigen Sicherung der Wettbewerbsfähigkeit im globalen Markt [1].

Getrieben durch den Fachkräftemangel [2] kommt es jedoch zu einer Ausweitung von Aufgabenbereichen, sodass sich auch die Anzahl der zu überwachenden Maschinen erhöht. Wird ein kritischer Wert überschritten, sinkt jedoch die Effizienz von Mensch und Maschine [3], was langfristig zu Qualitätseinbußen und monetären Verlusten in der Produktion führen kann. Insbesondere bei hoher Auslastung können nicht mehr alle Prozesse kontinuierlich überwacht werden, sodass Systeme zur Prozessüberwachung unabdingbar sind.

Aufgrund des Trends hin zur Individualisierung von Produkten steigt der Anteil der Einzel- und Kleinserienfertigung an [1]. In diesem Umfeld stehen Prozessdaten nicht in einem geeigneten Umfang für eine statistische Überwachung zur Verfügung. Infolgedessen sind neue, flexiblere Ansätze erforderlich. Moderne Prozessüberwachungssysteme müssen in der Lage sein, komplexe Zusammenhänge präzise abzubilden. Sie müssen sich flexibel an unterschiedliche, sich wandelnde Produktspektren und deren individuelle Prozessbedingungen anpassen und dabei möglichst dateneffizient arbeiten.

Im vorliegenden Artikel erfolgt eine Bewertung bestehender Ansätze aus Industrie und Wissenschaft. Aufbauend wird ein Konzept für ein Überwachungssystem am Beispiel des Fräsprozesses vorgestellt, welches Physics-Informed Machine Learning (PIML) und Active Learning (AL) integriert, um eine kontinuierliche Anpassung und Optimierung an sich ändernde Produktionsbedingungen zu ermöglichen.

Einordnung und Bewertung industrieller Lösungen für die Prozessüberwachung

Zur Beurteilung der Branchensituation wurden drei der umsatzstärksten deutschen Werkzeugmaschinenhersteller im Bereich der spanenden Bearbeitung bezüglich ihrer beworbenen Lösungen betrachtet: die DMG MORI AG, die Maschinenfabrik Berthold Hermle AG sowie die Chiron Group SE [4]. Die Bewertung und Einordnung der einzelnen Technologien zur Prozessüberwachung erfolgen anhand der folgenden Kriterien:

1. Zeitlicher Auflösungsgrad

   Das System muss in der Lage sein, Prozesse mit einem hohen zeitlichen Auflösungsgrad zu überwachen. Somit muss es eine große Anzahl von Zeitpunkten pro Zeiteinheit vorhersagen, um detaillierte und hochfrequente Überwachungen sicherzustellen.

2. Robustheit

   Das System muss robust gegenüber unvollständigen, ungenauen oder fehlerhaften Daten sein und auch unter diesen Bedingungen eine hohe Vorhersagegenauigkeit gewährleisten.

3. Anpassungsfähigkeit

   Das System muss in der Lage sein, sich effizient an Prozessänderungen anzupassen, beispielsweise bei einer wandelnden Produktpalette, um auch unter veränderten Produktionsbedingungen eine zuverlässige Überwachung gewährleisten zu können.

4. Dateneffizienz

   Das Überwachungsmodell muss die verfügbaren Daten effizient nutzen und in der Lage sein, möglichst viele Informationen aus den vorhandenen Datensätzen zu extrahieren, um optimale Ergebnisse zu erzielen.

Die in Bild 1 dargestellte Übersicht gibt Aufschluss über alle Technologien, für die umfangreiche Informationen verfügbar sind. Die Einordnung erfolgt anhand der definierten Kriterien auf qualitativer Basis und berücksichtigt die unterschiedlichen Informationslagen. Ein niedriger Erfüllungsgrad entspricht einer starren Prozessüberwachung, die einfache und wiederkehrende Zusammenhänge abbildet. Ein hoher Erfüllungsgrad steht für die Vision einer flexiblen Prozessüberwachung.

Bild 1

Qualitative Einordnung von Industrielösungen bezüglich einer intelligenten Prozessüberwachung für die flexible Produktion der Zukunft

Chiron bietet unter dem Namen Smart-Line (A) eine Gesamtlösung an, die sich aus verschiedenen digitalen Bestandteilen zusammensetzt. Die folgenden Smart-Line-Bausteine sollen unter anderem dabei helfen, Prozesse zu überwachen [5].

Der Baustein ProcessLine simuliert den realen Bearbeitungsprozess anhand eines digitalen Zwillings, der die Geometrie, die Kinematik sowie die Dynamik eines gesamten Bearbeitungszentrums abbildet. Dadurch können beispielsweise Rüstzeiten optimiert werden, ohne die Maschine dabei zu blockieren. Aufbauend soll der Baustein ProtectLine durch einen Abgleich der realen und simulierten Werkstückgeometrie während der Prozesse zuverlässig vor Produktionsausfällen schützen. Da der digitale Zwilling im Falle eines Maschinencrashs zuerst kollidiert, kann die Maschine sicher zum Stillstand geführt werden. Dies soll einen präventiven und zuverlässigen Schutz vor Produktionsausfällen gewährleisten. Um Prozesse kontinuierlich zu optimieren, erfasst und analysiert Data-Line Maschinendaten parallel zum Prozess. Diese integrierte Maschinen- und Prozessdiagnose bietet eine Grundlage für die stetige Verbesserung des gesamten Prozesses bezüglich Hard- und Software, Automatisierung sowie Prozess- und Rüstzeiten. Mit dem Baustein ConditionLine sollen durch die permanente Maschinendatenerfassung und -analyse frühzeitig Unregelmäßigkeiten erkannt werden, sodass Wartungen und Reparaturen proaktiv und zugeschnitten auf die eigene Produktion geplant und durchgeführt werden können, um zeit- und kostenintensive Stillstände zu vermeiden [5].

Insgesamt weisen die Bausteine zur Prozessüberwachung von SmartLine (A) eine niedrige Dateneffizienz auf. Für jeden Prozess müssen konkrete Daten vorliegen, sodass die Robustheit des Modells sowie die Anpassungsfähigkeit einzelner Modelle als eher niedrig eingestuft werden können. Durch die Prozesssimulation mit dem digitalen Zwilling ist bereits eine Lösung mit hochfrequentem Auflösungsgrad gegeben.

Hermle stellt das zentrale Überwachungstool HIMS (B) [6] vor, mit dem Maschinendaten erfasst und ausgewertet werden, sodass eine Übersicht des Live-Status der einzelnen Maschinen abgebildet werden kann. Sobald Auffälligkeiten oder Fehler erkannt werden, wird der zuständige Mitarbeiter benachrichtigt. Das Überwachungsmodell ist insgesamt jedoch wenig anpassungsfähig und wenig robust, da nur wenige Daten und Parameter betrachtet werden. Diese können dafür bereits mit einem hohen zeitlichen Auflösungsgrad überwacht werden. Da das Modell auf eine Maschine und deren Prozesse zugeschnitten ist, können die Daten im Vergleich zu anderen vorgestellten Technologien effizient genutzt werden, sodass bereits mit wenigen Daten der Live-Status der Maschinen überwacht werden kann.

Im Gegensatz zu Chiron und Hermle präsentiert DMG Mori ein breites Spektrum an Technologien zur Überwachung von Prozessen, die auch unabhängig voneinander eingesetzt werden können. Infolgedessen erfolgt in diesem Beitrag eine separate Bewertung und Einordnung dieser Technologien. Ähnlich zu den bisher vorgestellten Technologien zur Maschinenparküberwachung (C) bietet auch DMG Mori einen Laufzeitmonitor [7, 8], um Bearbeitungszyklen zu überwachen und somit Taktzeiten zu optimieren, sowie eine digitale Maschinendatenerfassung [9], mit der eine übersichtliche Leistungsüberwachung des gesamten Maschinenparks möglich ist. Diese Technologien zur Maschinenparküberwachung sind auf konkrete Prozesse und Maschinen zugeschnitten, sodass nur eine geringe Anpassungsfähigkeit an veränderte Bedingungen sowie eine geringe Robustheit bezüglich veränderter Daten gegeben ist.

DMG Mori bietet verschiedene Technologien zur Maschinen- und Prozessüberwachung an. Mit MPC 2.0 – Machine Protection Control [10, 11] werden während des Prozesses Vibrationen und Drehmomente überwacht, um im Falle eines Crashs eine Schnellabschaltung zu ermöglichen und Schäden zu vermeiden. Auch MVC – Machine Vibration Control (D) [12, 13] erfasst mit Hilfe von Schwingungssensoren in der Frässpindel Vibrationen in der Maschine. Sind die Vibrationen zu stark, werden Bearbeitungsvorschläge gemacht, sodass Vibrationen verringert oder vermieden werden. Eine Editierfunktion ermöglicht die Anpassung von Bearbeitungszuständen, wodurch die Prozesssicherheit kontinuierlich beobachtet wird. Dadurch ist eine Anpassung an leicht veränderte Prozessbedingungen möglich.

Um die Werkzeuge und deren Spannkraft zu überwachen, bietet DMG Mori folgende Möglichkeiten: iJAW (E) [14, 15] überwacht die Spannkraft der Werkzeuge im Prozess mithilfe von Sensoren in einem Kraftspannfuttern, um eine kontrollierte Spannkraft während des Zerspanens zu gewährleisten. Durch die Sensoren können auch leicht veränderte Prozessbedingungen überwacht werden und leichte Datenabweichungen verarbeitet werden. Das TCC – Tool Control Center (F) [16, 17] bietet Spanerkennung bei Plan- und Kegelauflage und überwacht die Einzugskraft. Durch die Symmetrie-überwachung des Biegemoments können Schneidbrüche erkannt werden. Neben diesen können auch radiale und axiale Spindelbelastungen in Relation zur Werkzeugeinzugskraft visualisiert werden, um Maschine und Werkzeug zu schützen und den Werkzeugeinsatz zu optimieren. Hierbei wird ein hoher zeitlicher Auflösungsgrad realisiert, wobei hier konkrete Daten für eine gute Vorhersage benötigt werden und für veränderte Prozessbedingungen keine aussagekräftigen Vorhersagen getroffen werden können. Im Gegensatz zu den bisher genannten Technologien zur Werkzeugüberwachung funktioniert der Easy Tool Monitor 2.0 (G) [18, 19] sensorlos mit automatisiertem Lernen von Lastgrenzen für jedes verwendete Werkzeug im Programm. Dadurch lassen sich Schäden im Falle eines Werkzeugbruchs oder einer Werkzeugüberlastung vermeiden. Durch das automatisierte Lernen ist im Vergleich zu den anderen Technologien eine hohe Robustheit sowie eine gute Anpassungsfähigkeit gegeben, wobei gleichzeitig eine geringe Dateneffizienz gegeben ist.

Die Komplexität der Prozesse einer spanenden Fertigung ist hoch, infolgedessen stellt deren Überwachung eine besondere Herausforderung dar. Geeignete Ansätze, welche an das sich ständig ändernde Produktspektrum angepasst sind, existieren bisher nur bedingt. Die in Bild 2 dargestellte Einordnung der bewerteten Überwachungstechnologien erfolgt anhand der Kriterien Dateneffizienz sowie der Abbildungskomplexität, welche sich aus dem zeitlichen Auflösungsgrad, der Robustheit und der Anpassungsfähigkeit zusammensetzt. Das Angebot an Lösungen ist geprägt durch zwei wesentliche Merkmale: eine hohe Abbildungskomplexität oder eine hohe Dateneffizienz. Dies führt dazu, dass Unternehmen tendenziell starre Prozessüberwachungssysteme anbieten, welche auf einen bestimmten Prozess zugeschnitten sind.

Bild 2

Von starren Modellen zur Vision der intelligenten und flexiblen Prozessüberwachung: Einordnung der betrachteten Lösungen bezüglich der Abbildungskomplexität, welche sich aus dem zeitlichen Auflösungsgrad, der Robustheit und der Anpassungsfähigkeit zusammensetzt, und der Dateneffizienz

In einem flexiblen Produktionsumfeld mit sich ständig ändernden Produktportfolios können solche Überwachungssysteme jedoch an ihre Grenzen stoßen. Modelle müssen mit weniger Daten kontinuierlich an neue Gegebenheiten angepasst werden. Für eine effiziente Prozessüberwachung sind intelligente Modelle mit hoher Abbildungskomplexität bei gleichzeitig hoher Dateneffizienz notwendig. Nur so können sich Überwachungssysteme schnell an Produktionsbedingungen anpassen. Um effizientere Lösungen zu identifizieren, werden aktuelle Forschungsansätze mit Fokus auf eine höhere Flexibilität und Anpassungsfähigkeit untersucht.

Forschungsansätze zur Erhöhung der Flexibilität von Prozessüberwachungssystemen

Durch die steigende Anzahl an Produktvarianten und die daraus resultierenden Anforderungen an die Produktionsflexibilität haben sich die Anforderungen an traditionelle Prozessüberwachungssysteme im Kontext von Industrie 4.0 grundlegend verändert [20, 21, 22]. Die klassischen Systeme basieren auf empirisch festgelegten Grenzwerten und sind standardmäßig reaktiv ausgelegt. Zwar können sie schwerwiegende Fehler wie Werkzeugbruch oder Maschinenausfälle schnell erkennen und dadurch weitere Schäden verhindern, sind jedoch nicht in der Lage, prozessrelevante Fehler frühzeitig zu identifizieren und den Maschinenbediener rechtzeitig zu warnen. Das frühzeitige Erkennen von Fehlern mit kurzer Reaktionszeit ist jedoch entscheidend für eine qualitätsorientierte und ausschussminimierte Produktion. Besonders bei Bauteilen mit langer Produktionszeit kann das rechtzeitige Erkennen von Fehlern die Wirtschaftlichkeit erheblich steigern. Folglich wurden bereits statistisch basierte Methoden untersucht, um potenzielle Anomalien frühzeitig zu identifizieren [23]. Diese Methoden haben sich in der Großserienfertigung mit wiederkehrenden Prozessmustern bereits bewährt. Mit zunehmender Verfügbarkeit von Prozessdaten können Maschinenbediener Eingriffsgrenzen präzisieren. Zusätzlich ermöglichen verschiedene Sensoren, Anomalien unterschiedlicher Art zu erkennen. Der Trend zeigt, dass die Forschung den Fokus auf spezifische Probleme gesetzt hat. Beispielsweise können mithilfe von Schall- und Vibrationssignalen Oberflächenanomalien [24] oder Werkzeugverschleiß [25, 26] bei der spanenden Fertigung identifiziert werden. Auch der Verlauf von Prozesskräften ermöglicht eine Bewertung des Werkzeugzustandes [27].

Anhand der Spindelstromsignale konnten Korrelationen zu den Prozesskräften festgestellt werden [28, 29]. Die besonders einfache Zugänglichkeit der Spindelstromsignale ermöglicht eine kostengünstige Implementierung in Überwachungssysteme. Veränderungen dieser Stromsignale über längere Zeiträume können zudem auf Werkzeugverschleiß hinweisen [28]. Auch durch Beobachtung von kurzfristigen Veränderungen in den Stromsignalen sind Rückschlüsse auf die Prozessqualität möglich [30]. Durch die Einführung von ML-Methoden können noch komplexere Fertigungsprozesse überwacht werden [31]. Zum Beispiel können mittels ML-basiertem Clustering wiederkehrende Prozessschritte identifiziert und deren spezifischer Stromverlauf als Referenzmuster für die Überwachung neuer Produkte verwendet werden [32, 33].

Sowohl statistische als auch modellbasierte Verfahren haben jedoch eine gemeinsame Schwäche: Die Qualität der Vorhersagen hängt entscheidend von den verwendeten Trainingsdaten ab [34]. Insbesondere durch die zunehmende Individualisierung stellt die Datenmenge im Produktionsumfeld eine große Herausforderung dar. Bei der Umstellung auf neue Produktvarianten kann die Gültigkeit eines Modells nicht mehr gewährleistet werden. Dies führt in der Praxis zu Fehlalarmen, die im schlimmsten Fall zu Maschinenstillständen führen.

Ansatz zur Sicherung der Modellvalidität in flexiblen Produktionsumgebungen

Um die Vorhersagequalität bei schwankenden Stückzahlen und hoher Variantenvielfalt zu gewährleisten, müssen Prozessüberwachungssysteme flexibler werden. Ein modellbasiertes System eignet sich besonders für die dynamische Anpassung an den aktuellen Fertigungsprozess. Die Leistungsfähigkeit des Überwachungsmodells, welches den Vergleichswert liefert, bleibt jedoch durch den Mangel an verfügbaren Felddaten für das Training begrenzt. Die Fertigung eines neuen Werkstücks wirkt sich unmittelbar auf die Aussagekraft eines initial trainierten Modells aus. Weicht der aktuelle Prozess der Generation G_n aufgrund veränderter Randbedingungen von dem im Trainingsdatensatz abgebildeten Originalkontext ab, kommt es zu einem „Domain Shifting“ [35]. Ein klassisch trainiertes Modell kann jedoch nur in bereits bekannten Bereichen zuverlässige Vorhersagen treffen [34]. Um dieses Problem effektiv zu lösen, kann domäneninkrementelles Lernen eingesetzt werden [35]. Ein effektiver Ansatz zur Anpassung des Modells an die neuen Bedingungen ist durch PIML gegeben [36]. Zusätzlich kann AL mit integrierter Daten-Augmentierung dabei helfen, die Modellqualität weiter zu verbessern [37]. Das Wechselspiel der Systemkomponenten ist in Bild 3 dargestellt.

Bild 3

Konzept des modellbasierten Prozessüberwachungssystems für die flexible Fertigung. Es setzt sich aus den Subsystemen Überwachungsmodell, PIML sowie AL mit integrierter Daten-Augmentierung zusammen, welche durch das Domäne-inkrementelle Lernen produktübergreifend zusammenspielen

Diskussion und Fazit

Es sind bereits einige Lösungen zur Prozessüberwachung erhältlich, welche jedoch oft starr und auf einzelne Prozesse oder Prozessschritte zugeschnitten sind. Solche Systeme haben sich bereits in der Massenfertigung und bei Produktspektren mit wiederkehrenden Bearbeitungsmustern bewährt. Unternehmen wie DMG Mori, Hermle und Chiron bieten beispielsweise bereits Monitoring-Systeme zur Überwachung einzelner Prozessparameter an. Jedoch sind diese bisher nur bedingt in der Lage, sich flexibel und effizient an veränderte Produktionsbedingungen anzupassen. Der Trend zu immer komplexeren und flexibleren Produktionsprozessen mit immer kürzeren Produktlebenszyklen erfordert jedoch dynamische und adaptive Überwachungsmodelle.

Um die Flexibilität von Überwachungsmodellen zu erhöhen, wird im vorgestellten Ansatz Wissen durch zwei kombinierte Strategien (PIML und AL) in den Trainingsprozess integriert. Damit ist eine Einordnung in eine Informed-ML-Taxonomie [40] möglich. Die PIML-Strategie basiert auf Wissen und physikalischen Gesetzmäßigkeiten in Form von Systemgleichungen. Bei der AL-Strategie wird zusätzlich Expertenwissen über eine Mensch-Maschine-Schnittstelle in das Trainingssystem integriert. Dadurch wird es möglich, auch ohne große Mengen an Produktionsdaten in einer agilen Produktionsumgebung Überwachungsmodelle flexibel und dateneffizient zu betreiben.

Bei der Anwendung dieses Ansatzes sind jedoch einige wichtige Aspekte zu beachten: Das zugrundeliegende Modell kann nur dann präzise Vorhersagen liefern, wenn qualitativ hochwertige Trainingsdaten vorliegen. Diese hängt stark von der aufgestellten Systemgleichung und der Qualität des Expertenwissens ab. Zudem muss definiert werden, wann eine Abweichung als Anomalie zu betrachten ist. Eine zu hohe Empfindlichkeit kann dazu führen, dass eine große Anzahl von Intervallen bewertet werden muss. Daher ist zwischen einer hohen Sensitivität und der damit verbundenen Sicherheit und dem Bewertungsaufwand abzuwägen.

Insgesamt bietet der vorgestellte Ansatz zur intelligenten Prozessüberwachung durch die Kombination von hybriden Überwachungsmodellen, PIML und AL eine vielversprechende Lösung für die Prozessüberwachung in flexiblen Produktionsumgebungen. Im Vergleich zu bereits existierenden Lösungen berücksichtigt der vorgestellte Ansatz sowohl Expertenwissen als auch physikalische Gesetze. Durch die kontinuierliche Anpassung der Überwachungsmodelle an sich ändernde Bedingungen können Prozessüberwachungssysteme flexibilisiert und damit Fehlalarme reduziert sowie die Vorhersagegenauigkeit erhöht werden. In zukünftigen Arbeiten wird sich mit der Untersuchung der einzelnen Subkomponenten sowie deren Einfluss auf die Flexibilität beschäftigt.