Von der Pyramide in die Wolken

In der klassischen Produktion, von Maschine bis Management, wird meist hierarchisch kommuniziert. Von Ebene zu Ebene werden innerhalb der »Automatisierungspyramide« Daten im Maschinenumfeld nach unten und oben ausgetauscht. Ganz unten liegt die Feldebene mit ihren Sensoren, Aktoren und der Computer Numerical Control (CNC), die direkt an der Werkzeugmaschine hochfrequente Prozessdaten erzeugen. Weitergereicht an die höheren Leitebenen können mithilfe dieser Daten Prozesse überwacht und optimiert werden. An der Spitze steht schließlich die Unternehmensebene, auf der wichtige strategische Entscheidungen getroffen werden. 

Traditionell werden Feldbusse genutzt, um Daten zwischen diesen Ebenen auszutauschen, auf der Feldebene zum Beispiel das Echtzeitsystem PROFINET. Auf den höheren Ebenen sind solche Echtzeit-Busse jedoch nicht verfügbar, die hochfrequenten Daten müssen also in andere Protokolle wie OPC UA übersetzt werden. Verzögerungen und Datenverluste sind die Folge: Kritische Prozessinformationen erreichen die oberen Ebenen zu spät oder kommen gar nicht an. Die Praxis zeigt, dass nicht die bloße Verfügbarkeit von Daten entscheidend ist, sondern auch ihre Einheitlichkeit und Verfügbarkeit genau dann, wenn sie gebraucht werden.

Cloud und Edge 

Es braucht also Systeme, die die großen Datenmengen agil verarbeiten können. Mithilfe von Cloud Computing lässt sich die klassische Pyramide aufbrechen, indem Dienste, Daten und Anwendungen über verteilte Knoten bereitgestellt werden. Das schlägt sich auch in den Kosten der IT-Infrastruktur nieder. Laut Bundesverband der Deutschen Industrie (BDI) senken Unternehmen durch Cloud Computing ihre IT-Kosten im Schnitt um 50 Prozent, ihre Organisationskosten um rund 20 Prozent.

Edge Computing hingegen verarbeitet die Daten direkt auf der Feldebene. Edge Devices, oft im Schaltschrank der Werkzeugmaschine installiert, erfassen und verarbeiten hochfrequente Daten dort, wo sie entstehen, ohne die Leistungsfähigkeit der Maschinensteuerung zu beeinträchtigen. Große Datenmengen müssen dann nicht mehr über mehrere Ebenen geleitet werden, Reaktionszeiten verkürzen sich und die Prozesssicherheit steigt. 

Besonders effektiv ist die Kombination aus beidem: Rechenlast und Speicherbedarf werden zwischen Edge und Cloud optimal verteilt, Übertragungswege werden entlastet und Maschinen arbeiten autonomer und flexibler. Auch ältere Anlagen lassen sich durch Retrofit-Ansätze mit Edge Devices, moderner Sensorik und zusätzlichen Schnittstellen ausstatten.

Mit dem richtigen Equipment ans Netz

Bereits seit einigen Jahren bieten Hersteller Plattformlösungen an, die mit häufig eingesetzten Maschinensteuerungen kompatibel sind, bestehend aus den Edge Devices selbst, passenden Apps sowie der nötigen Konnektivitäts- und Management-Infrastruktur. Auf der Feldebene machen die Edge Devices maschineninterne Protokolle IP-fähig und verbinden so Maschine und Cloud. Über einen »Marketplace« können Apps zur Datenspeicherung, Visualisierung oder Digital-Twin-Anwendungen bezogen werden. Software Development Kits (SDK) erlauben es Unternehmen, auch eigene, auf ihre Prozesse abgestimmte Apps zu entwickeln. 

Die Forschenden am IWF der TU Berlin haben sich eine dieser Plattformlösungen zunutze gemacht. Sie erweiterten eine CNC-Fräsmaschine mit einem Edge Device, der nötigen Netzwerktechnik und einem Sensoradapter, um verschiedene Sensordaten erfassen zu können.

Ein Netzwerk-Switch verbindet die jeweiligen Komponenten mit dem Firmen- und Maschinennetz, sodass Prozessdaten lokal verarbeitet oder in die Cloud übertragen werden können. Die Logik für den automatisierten Betrieb wurde in der Maschinensteuerung und in einer eigens entwickelten Edge App umgesetzt. Hochfrequente Maschinendaten können damit 500 Mal pro Sekunde erfasst werden, während Sensordaten parallel aufgezeichnet werden. Die Edge App steuert dabei den Ablauf und übermittelt bei kritischen Sensordaten automatisch Gegenmaßnahmen an die Maschinensteuerung. 

Steuerung und Edge genau im Takt

Voraussetzung ist, dass die Kommunikation zwischen Maschinensteuerung und Edge Device verlässlich läuft – denn wer mit verschiedenen Systemen arbeitet, kennt die Herausforderung der Kompatibilität. Abhilfe schaffen die Forschenden durch die Synchronisation von Edge Device und Maschinensteuerung. So ist gewährleistet, dass alle erfassten Daten, ob hochfrequente, niederfrequente oder Sensordaten, eindeutig zugeordnet werden können. Auf dieser Basis lassen sich bei kritischen Sensorwerten präzise Befehle an die Steuerung übermitteln. 

In der Maschinensteuerung können dafür im G-Code sogenannte Synchronaktionen hinterlegt werden. Diese werden in jedem Interpolationstakt der Werkzeugsteuerung anhand definierter Rechenparameter (R-Parameter) geprüft und bei erfüllten Bedingungen in Echtzeit ausgeführt. Über die von 0 bis 999 frei belegbaren R-Parameter tauschen Maschine und Edge App Prozesszustände aus und synchronisieren so den Ablauf. Ein Parameter kann beispielsweise signalisieren, dass die Startposition für einen Prozessschritt erreicht ist. Die Edge App startet daraufhin automatisch die Datenerfassung und meldet ihre Bereitschaft zurück.

Erst dann beginnt die Fräsbearbeitung unter Aufsicht des Edge Device. Erkennt die App während des Prozesses kritische Sensordaten, meldet sie dies der Steuerung über einen weiteren R-Parameter zurück. Zum Beispiel lassen sich Wartebefehle integrieren, um auch in instabilen Zonen weiter zu fräsen und dort Daten zu erfassen. Anschließend kann der Schnitt gestoppt, die Bearbeitung angepasst oder neu gestartet werden. Durch diese enge Kopplung lassen sich Maschinen- und Sensordaten präzise verknüpfen und Prozesse vollständig automatisieren. 

Ohne Sensoren, mit KI?

Ein Einsatzbereich der Technologie ist die Verschleißprädiktion. Dazu führen die Forschenden Fräsversuche mit neuen und bereits verschlissenen Werkzeugen durch. Während der Bearbeitung erfasst die Edge App parallel hochfrequente Maschinendaten, niederfrequente Steuerungsdaten und externe Sensordaten. Dank der Synchronisation sind alle Datenquellen zeitlich exakt aufeinander abgestimmt und lassen sich präzise vergleichen. Die Versuche zeigten zudem erste Hinweise darauf, dass kritische Prozesszustände nicht nur in Sensordaten deutlich werden, sondern auch zeitgleich in Maschinendaten erkennbar sind.

Ziel ist es, Signalveränderungen zu identifizieren, die auf Werkzeugverschleiß hinweisen, und diese Muster in den Maschinendaten wiederzufinden. Ein KI-Modell lernt anhand von Sensordaten, Verschleißzustände allein aus den Maschinendaten abzuleiten. Im späteren Betrieb wertet die KI dann ausschließlich diese Daten aus, erkennt den Verschleiß frühzeitig und kann automatisch einen Werkzeugwechsel veranlassen – ohne manuelles Eingreifen.