Kooperativer Mensch-Maschine-Dialog zur Diagnose und Beseitigung von Störungen an Verarbeitungsmaschinen

Projekt KoMDia

Mensch-Maschine-Dialog als Problemlösung

 

In KoMMDia entsteht ein lernfähiges, dialogbasiertes Assistenzsystem für die kooperative Diagnose und Beseitigung von Störungen an Verarbeitungsmaschinen. Das System greift dabei nicht aktiv in den Prozess ein, sondern unterstützt den Bediener durch Kombination von Erfahrungswissen und Maschinendaten, um die Potentiale des Menschen im Produktionsprozess optimal zu nutzen.

 

Effizienzsteigerung durch intelligentes Erfahrungsmanagement

 

Maschinen und Anlagen zur Verpackung von Lebensmitteln erreichen technische Wirkungsgrade von über 95%. Im Produktionsalltag werden jedoch lediglich Wirkungsgrade von 60-90% erreicht. Grund dafür sind regelmäßig auftretende Mikrostörungen, also kurze, sich ständig wiederholende Unterbrechungen des Produktionsbetriebs, die vom Bedienpersonal manuell beseitigt werden müssen. Diese häufigen Stillstände führen zu hohen Ausschussmengen, einer Senkung der Produktionseffizienz und einer Demotivation des Personals.

Ein steigender Automatisierungsgrad der Produktion kann nach den „Ironies of Automation“ [1] die Effizienz nicht nachhaltig steigern. Weiterhin erschweren die volatilen Eigenschaften der verarbeiteten Naturprodukte die sensorische Erfassung sämtlicher relevanter Parameter und tragen dazu bei, dass diese Automatisierung zusätzlich unwirtschaftlich ist. Deshalb wird in KoMMDia der alternative Ansatz der Menschzentrierung verfolgt. Dabei sollen durch die Befähigung zur eigenständigen Diagnose und Behebung von Störungen Produktionsschwanken zwischen unterschiedlichen Schichten ausgeglichen und der Gesamtwirkungsgrad des Verpackungsprozesses angehoben werden.

[1] Bainbridge, L. (1983): Ironies of automation. Proceedings of the IFAC/IFIP/IFORS/IEA Conference. Elsevier, Baden-Baden. S. 129-135.

 

Forschungsansatz in der Praxis – Anwendung für die Industrie

 

Am Fraunhofer IVV Dresden wird, mit Partner aus der Forschung und Praxis, ein Dialogsystem und die dazugehörigen Komponenten erarbeitet.

Anhand ermittelter Forderungen und Wünsche potentieller Kunden und Nutzer des Dialogsystems sowie psychologischem Grundlagenwissen über Kommunikationsprozesse und Methoden der Wissensextraktion werden im Themengebiet Dialogsystem Mensch-Maschine von der Professur für Ingenieurspsychologie und angewandte Kognitionsforschung der TU Dresden Konzepte zur Dialoggestaltung entwickelt. Die Evaluation dieser Konzepte erfolgt in empirischen Studien und führt zur iterativen Anpassung dieser Konzepte.

Aufbauend auf der Methode des Fallbasierten Schließens wird von der Professur für Prozessleittechnik der TU Dresden ein Semantic Case Based Reasoner (CBR) entwickelt, der zur Fallbeschreibung und als semantischer Informationsraum für die Störungserkennung und -diagnose dient. Dabei wird eine entsprechende IT-Infrastruktur aufgebaut, bevor domänenspezifische Vokabulare und Modelle zur Störungsbeschreibung in entsprechenden Ontologien abgebildet werden. Explizites Bedienerwissen wird dabei mittels einer zu entwickelnden Semantik im Informationsraum repräsentiert.

Aus den verfügbaren Datenquellen der Maschine, bspw. aus dem Manufacturing Execution System (MES), der Steuerung und Umgebungsdaten, werden am Fraunhofer IVV Dresden im Rahmen der Prozessdatenanalyse hochaufgelöste Rohdatensätze extrahiert. Die nötigen Schnittstellen werden dabei zuerst analysiert und anschließend durch die ELCO Industrie Automation GmbH geschafft. Die Rohdatensätze können mit Algorithmen des Maschinellen Lernens auf Muster untersucht werden, wodurch die Auswahl von Störungsfällen durch das CBR-System erleichtert wird.

 Durch die Nutzung der CAD-Daten der Anlage am Fraunhofer IVV Dresden können während der Modellierung und virtuellen Inbetriebnahme mögliche Beziehungen zwischen verschiedenen Störungen bereits im virtuellen Raum vorhergesagt werden. Durch den virtuellen Zwilling wird vor dem Praxiseinsatz in der Simulation eine Merkmalsextraktion und ein Anlernen des Algorithmus des Maschinellen Lernens erreicht. Dabei wird auf Modelle des Praxispartners und Maschinenherstellers Theegarten Pactec GmbH & Co. KG zurückgegriffen. Ergänzt durch eine initiale Fallbasis kann so das System schneller aussagekräftige Ergebnisse liefern.

Die prototypischen Umsetzungen der Komponenten werden anschließend in verschiedenen Varianten eines Demonstrators vereint und sowohl im Labormaßstab als auch unter Praxisbedingungen bei den assoziierten Partnern JR – Die Schokoladenfabrik GmbH sowie der August Storck KG evaluiert.

 

Projektinformationen KoMMDia

 

Projektlaufzeit: 2017 bis 2020
Projektträger
/Zuwendungsgeber:
Projektträger Karlsruhe – Produktion und Fertigungstechnologien
/Bundesministerium für Bildung und Forschung
Projektpartner TU Dresden, Professur für Ingenieurpsychologie und angewandte Kognitionsforschung, TU Dresden, Professur für Prozessleittechnik, Theegarten-Pactec GmbH Co. KG, Elco Industrie Automation GmbH

Video KoMMDia

Was Sie auch interessieren könnte