Industrie 4.0: Symposium an der RFH Köln

Copyright by Brockhaus GmbH, alle Rechte reserviert, unautorisierte Vervielfältigung untersagt

Industrie 4.0 Software-Lösungen im

Maschinen- und Anlagenbau

Symposium „Industrie 4.0 konkret“an der Rheinische Fachhochschule Köln

Copyright by Brockhaus GmbH, alle Rechte reserviert, unautorisierte Vervielfältigung untersagt2

Who am I?

Dipl.-Kfm. Matthias Bohnen

✔ Geschäftsführender Gesellschafter Brockhaus GmbH, Heidelberg und Brockhaus Consulting GmbH, Wiesbaden

✔ Software Architekt und/oder Entwicklungsleiter bei versch. MES Projekten im Maschinenbau

✔ Mitglied des Industrie 4.0 Innovationsteams der cellent AG

✔ Lehrbeauftragter im Software Engineering an versch. Hochschulen (auch der Rheinischen Fachhochschule Köln )


Industrie 4.0

Die vierte industrielle Revolution

Daten sind das Öl des 21. Jahrhunderts. Im Unterschied zu Öl gehen Daten auch nicht aus, sondern werden immer mehr. Wichtig ist es, nicht nur eine Menge Daten zu haben, sondern diese richtig aufbereitet und visualisiert zu bekommen.

--- Stefan Ferber, Robert Bosch AG

Die Vision wäre, aus meiner Sicht, viel mehr über die aktuelle Realität im Shopfloor zu wissen und damit eine bessere und aktuellere Entscheidungsgrundlage für alle Produktions-Akteure zu schaffen

--- Dieter Spath, Fraunhofer IAO


Industrie 4.0

Die vierte industrielle Revolution

Der Fokus im im Maschinenbau muss sich von der Hardware zur Invormationsverarbeitung verschieben … nennen wir es Software

--- Prof. Dr. Detlef Zühlke / DFKI (Saarbrücken)


Das Beispielszenario

Ebenen der vertikalen Integration: ERP, MES, Shopfloor und die ISA 95


Ausgangssituation

Folgende Randbedingungen waren in allen Projekten (kundenseitig sowie prototypisch / evaluierend) zu beachten:

✔ Keine Lizenzkosten, ausschließliche Verwendung von Open Source Technologien.

✔ Geringe Kosten durch Hardware (es handelte sich u.a. um Prototypen, die auf Technologiemessen ausgewählten Kunden gezeigt wurden).

✔ Hohe Integration in den bestehenden kundenseitigen Technologiestack (hier Java EE 6 und JBoss).


Das Beispielszenario

schematisierte Taktfertigung

Siematic S7Station BStation A

Lichtschranke

Förder-einrichtung


Anwendungsszenarien


Anwendungsszenarien

Folgende Szenarien waren Gegenstand verschiedener Projekte im Kundenumfeld

✔ Überwachung und Steuerung der Produktion mittels mobiler Endgeräte

✔ Speicherung und Auswertung von Sensordaten aus der Produktion

✔ Verfolgung von Produktions-aufträgen im Produktionsprozess


Szenario I

Überwachung und Steuerungder Produktion mittels

mobiler Endgeräte


Mobile Endgeräte

Bedeutung

Damit der Mensch mit der Produktionssteuerung oder der Maschine inter-agieren kann, muss die mobile Assistenz zu-nehmen.

Bei einer Fehlermeldung einer Maschine kann sich das ›iProductionPad‹ vor Ort vernetzen und den Fehlerspeicher auslesen und interpretieren.

Das ›iProductionPad‹ kann Temperaturen oder Frequenzen der Maschine messen, Anweisungen geben und deren Zustand sehr schnell analysieren und diagnostizieren.

--- Prof. Dr. Gunter Reinhard, TUM


Mobile Endgeräte

Integration mobiler Endgeräte: Steuerung

✔ Ablösung kostenintensiver Touch-Panels beim Endkunden (Reduktion um 80%)

✔ Arbeitserleichterung bei Einrichtung und Wartung

✔ OPC DA bzw. proprietäre Eigenentwicklung des Kunden zur Maschinenkommunikation

➢ Im Fall OPC DA utgard / eclipseSCADA Clients

➢ Interne Weiterentwicklung mit OPC UA, hierprosys (100% Java) auf der Server und Client-Seite


Mobile Endgeräte


Siematic S7

Integrationsbus

BluetoothBeacon

Lokalisierung basierend auf RSSI


Mobile Endgeräte


✔ Die Umsetzung beim Kunden ...

https://vimeo.com/107448682

https://vimeo.com/107448682


Integration mobiler Endgeräte: Überwachung

✔ Ablösung kostenintensiver Touch-Panels beim Endkunden (Reduktion um 80%)

✔ Arbeitserleichterung bei Einrichtung und Wartung

➢ Zzgl. zu OPC / OPC UA auch MQTT

➢ Open Source MQTT Broker HiveMQ

➢ Open Source MQTT Client eclipse Paho

Mobile Endgeräte


Mobile Endgeräte

Integration mobiler Endgeräte: Steuerung & Überwachung (LeanVISU)

Siematic S7

Integrationsbus

OPCMQTT

Factory Publication Pattern (IBM)


Integration mobiler Endgeräte: Quick-Info

✔ Nach Steuerung und Überwachung weitere ad-hoc Informationen

➢ zu aktuellem Maschinenzustand (grafisch visualisiert)

➢ Technische Dokumentation

✔ Erweiterung des Integrationsframeworks um

➢ Datei- Schnittstellen (Java NIO2), Web Services (REST / SOAP), JMS, RMI, MQTT, OPC, …

➢ Daten-Konvertierung (JSON/XML), Speicherung (relational, Big Data)

➢ Push-Notification zu Web-Clients

➢ Flexible Konfiguration mittels Spring DI

➢ Alternativen wie ESB oder Apache Camelwurden in Betracht gezogen

Mobile Endgeräte


Integrationsbus

Mobile Endgeräte

Integration mobiler Endgeräte: Überwachung (Quick Info) und technische Information

Siematic S7

OPCMQTT


Szenario II

Speicherung und Auswertungvon Sensordaten


Warum?

Auswertung der Daten hinsichtlich:

✔ MES KPIs wie im VDMA Einheitsblatt 66412 beschrieben:

➢ Verfügbarkeit, Effektivität

➢ Produktqualität insbes. i. Verbindung mit Tracking & Tracing

✔ (Predictive) Maintenance:

➢ Überwachung der Maschinenzustände und belastungs-abhängiger Wartungsintervalle

➢ Verarbeitung komplexer Ereignisse

➢ Mustererkennung in den Daten zwecks Voraussage von Störungen und Defekten (aber: die Programmierung der Daten zu mathematischen Modellen ist harte Arbeit)


Das Problem

Time Series Data und relationale Datenbanken passen nicht (gut) zusammen:

✔ Datenmenge und Geschwindigkeit des Auftretens sind enorm

✔ Daten sind ggf. verteilt

✔ Datenmodell ist extrem simpel, keine Notwendigkeit für referentielle Integrität, Relationen usw.

Sensor IDZeitstempel

WertZeitstempel

Wert

100 ms 'Taktung': 26.298.000 Werte pro Monat1 min 'Taktung': 43.830 Werte pro Monat1h 'Taktung': 740 Werte pro Monat


Data Acquisition

Speicherung von Sensordaten

Siematic S7

IntegrationsbusAmazon EC2

lokal LAN

Cloud

OPCMQTT

Cassandra is really good for time-series data because you can write one column for each period in your series and then query across a range of time using sub-string matching.

This is best done using columns for each period rather than rows, as you get huge IO efficiency wins from loading only a single row per query.

– MyDrive Telemetry (15 billion records on average)


Sind die Daten einmal gespeichert ...

… will man sie auch verarbeiten (s.o.)

✔ Ohne relationale Datenbank auch kein SQL, Apache Cassandra bietet SQL-like CQL

✔ Daten sind ggf. verteilt

✔ Performance, Performance, Performance


Data Acquisition

Auswertung von Sensordaten: Qualität und Trends

Integrationsbus

Amazon EC2

Lokal LAN

Cloud

OPCMQTT



… will man sie auch verarbeiten (s.o.)

✔ Complex Event Processing und Event-driven Architecture

➢ Daten werden zum Zeitpunkt ihres Entstehens und nicht nach ihrer Speicherung verarbeitet

➢ Das System reagiert (asynchron) auf Ereignisse


Master Thesis: Industry 4.0, CEP and Big Data

Joint Master Thesis in the field of Complex Event Processing and Big Data Storages in production lines within the automotive industries

The master thesis of Steffen Templin was done in collaboration of Dürr Systems, University of Siegen and Brockhaus Group.

• Real-time analysis of complex events from several streams / sensors in production processes

• Storing large amounts of sensor data in NoSQL datastores

• Prototypical implementation using OpenSource technologies (WSO2 CEP / ESB, MongoDB)

Consulting/ Development

Training / Coaching

Research / Academia


Szenario II

Verfolgung von Produktionsaufträgen im Produktionsprozess



… will man sie auch verarbeiten (s.o.), dazu gehört auch

✔ produkt- / auftragsbezug der Sensordaten zwecks:

➢ Qualitätsüberwachung,

➢ Nachkalkulation,

➢ …

✔ Tracking & Tracing der Produktionsaufträge

✔ Hardware:NFC mit Raspberry Pi (50 EUR/St.) oder Mobile mit NFC Reader/Writer


Tracking und Tracing

Überwachung des Produktstatus mittels NFC

Siematic S7

MES

Integrationsbus

Detailed Scheduling

ResourceManagement

Tracking

Dispatching

DefinitionManagement

Data Collection

Execution

Analysis


Resümee


Resümee

Zusammengefasst:

✔ Software-Technologien sind alle vorhanden und einsatzfähig

✔ Eintrittsschwelle ist (eigentlich) gering


Resümee

Die subjektive Wahrnehmung:

➢ Thema ist von großen allgemeinem Interesse, jeder sortiert sich

➢ Maschinenbau in seiner Breite i.d. Umsetzung eher zögerlich, einige Vorreiter existieren

➢ Mindshift oftmals auf Management-ebene nicht erfolgt (1% mehr Effizienz ist besser als 30% mehr Serviceumsatz)

➢ Kleine Unternehmen oder Branchen-riesen (SAP, Siemens, T-Systems, …) der ITK Industrie dominieren die SW-Seite, der Mittelstand zögert häufig noch.

Die Software wird fortan einen immer größeren Teil der Wertschöpfung vereinnahmen und Kundengelder abgreifen - auf diesem Terrain haben hiesige Maschinenverehrer bislang wenig vorzuweisen.

Wenn Geld ausgegeben wird, dann häufig für die falschen Dinge. Rund 650 Millionen Euro wollen die wichtigsten zwölf Branchen der deutschen Wirtschaft im kommenden Jahr in 4.0-IT investieren, davon allerdings nur 80 Millionen in die Produktion von Software - Voraussetzung für ein Überleben in der neuen Industrieära.

--- Manager Magazin


Referenzprojekte


Windmill Park

3. ANOMALY PREDICTION AND

DETECTION

2. MODELLING e.g. temperature

1. CLUSTERING, e.x. based on wind turbine

performance

Groups of wind turbines with similar performance

Temperature modeling and prediction based on SCADA dataset, under normal operating conditions. e.g. Generator/Gearbox: bearings

temperature

Wind farm anomaly detection based on those temperatures related to the failure: e.g: bearing temperature monitoring

Too high % of deviation on temperature X regarding baseline (the farm, the model). Dangerous for the Generator performance.Client: INGETEAM

Analyzing current sensor values for modeling and predictive maintenance


Machine tool

Motorize internal signal (like electric consumption) for predict fails in heads and lineal guides.


MES System for Automotive Supplier

Architectural lead on ISA 95 compliant MES System realized with Java EE

The existing solution came to an end in terms of maintainability and technologies.The customer asked for a modern solution catering all needs.

• Training internal teams• Defining the a new architecture• Implementation lead• Staffing of development teams

Implemented for:• Honda / Ohio• Volkswagen / Wolfsburg• Ford / China, Thailand, Turkey and India


Training / Coaching

Research / Academia


MES System for Film-stretching industry

Architectural lead on ISA 95 compliant MES System realized with Java EE and Big Data

The existing solution was build by different vendors and not according to modern requirements. The new solution should be re-build based upon standards like ISA 95 and latest technologies.

• Training of internal teams• Defining the a new architecture• Implementation lead of

distributed teams in Germany and Romania

• Staffing of development teams


Training / Coaching

Research / Academia


Software Architecture: Review

Architectural review of the application related to planning the production of the powertrain components of a car manufacturer in Germany

The existing solution was older than 16 years, maintenance and improvement were almost impossible due to technical debts.

• Evaluating the existing architecture• Identification of problematic hot spots• Defining an optimization strategy• Developing the new reference architecture


Training / Coaching

Research / Academia


eConvey: Operating and supervising conveyors

Implementing a new, mobile solution for operating and supervising conveyors in the automotive sector (mass production)

The existing solution was operated by 250+ touch screens, the mobile solution was developed to replace several of these.

Based upon direct OPC interaction the solution allows:

• to operate the conveyors (< 5 ms latency),

• to localize the operator (Bluetooth LE), • to vizualize the current state of the

conveyor(s) by means of a VISU• to retrieve additional information

by QR-Codes


Training / Coaching

Research / Academia


Master Thesis: Industry 4.0, CEP and Big Data

Joint Master Thesis in the field of Complex Event Processing and Big Data Storages in production lines within the automotive industries

The master thesis of Steffen Templin was done in collaboration of Dürr Systems, University of Siegen and Brockhaus Group.

• Real-time analysis of complex events from several streams / sensors in production processes

• Storing large amounts of sensor data in NoSQL datastores

• Prototypical implementation using OpenSource technologies (WSO2 CEP / ESB, MongoDB)


Training / Coaching

Research / Academia


Contact information:

Brockhaus Consulting GmbHGustav Stresemann Ring 1D - 65189 WiesbadenGermany

Fon: +49-611-97774-332Fax: +49-611-97774-432

Web: www.brockhaus-gruppe.de Mail: [email protected]

http://www.brockhaus-gruppe.de/