Flexibles Referenzmodell zur Planung und Optimierung der Produktion
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Digitalisierte Produktion
Flexibles Referenzmodell zur Planung
und Optimierung der Produktion
Generierung digitaler Fabrikmodelle mit dem digitalen Zwilling
Michael Schlecht, Jürgen Köbler, Hochschule Offenburg und Roland de Guio, INSA Straßburg
Der digitale Zwilling dringt immer weiter in den Fokus von Produktionsunter-
nehmen vor und wurde von Gartner als wichtige Schlüsseltechnologie identi- Flexible Reference Model for Planning and
fiziert [1]. Volkswagen setzt die Technologie in der Cloud ein, um zukünftig die Optimization
Produktion an allen Standorten digital zu planen, zu steuern und zu optimieren The digital twin has moved into the focus of man-
[2]. Dennoch ist diese Technologie im Mittelstand bisher kaum vertreten. Dieser ufacturing companies and has been identified by
Beitrag beschreibt ein flexibles Referenzmodell für die Planung und Optimie- Gartner as a key technology [1]. In the automotive
rung der Produktion durch den digitalen Zwilling. Der Fokus liegt zum einen auf industry, VW uses the digital twin in the cloud to
plan, control and optimize production at all 122
der Optimierung statischer Layouts und Materialflüsse und zum anderen auf locations in the future [2]. The digital twin is also
der Optimierung der dynamischen Materialflüsse und der zeitlichen Organisa- the basis and an integral part of new, digital busi-
tion von Prozessen. ness models and the digitization of production
companies. This article gives an overview of the
current state of the art and describes a flexible
reference model for planning and optimizing
production systems based on the digital twin. The
focus is on the one hand on the optimization of
static layouts and material flows and on the oth-
er hand on the optimization of dynamic material
flows and the temporal organization of processes.
Keywords:
factory planning, digital twin, reference mod-
el, discrete event simulation, industry 4.0
Kürzere Produktlebenszyklen und gesteigerte Für die Konzeption eines Referenzmodells de-
Variantenvielfalt erzeugen eine erhöhte Va- finiert dieser Beitrag drei Forschungsfragen. Im
rianz und Komplexität in der Produktion. Die zweiten Teil werden die gegenwärtigen Heraus-
Planung von Produktionssystemen mit klas- forderungen bei der Entwicklung digitaler Mo-
sischen, oftmals analogen Werkzeugen, stößt delle diskutiert. Es folgt ein Konzept zur Realisie-
daher zunehmend an ihre Grenzen. Neue rung des Referenzmodells. Ein Fallbeispiel dient Michael Schlecht arbeitet als wis-
senschaftlicher Mitarbeiter im Labor
Chancen bieten digitale Planungstools, allen zur Validierung des Konzepts und als Grundlage Virtual Engineering der Hochschule
Offenburg.
voran die Simulation und der digitale Zwilling. für die Einordnung und Diskussion. Im Ausblick
Dieser ermöglicht die Erzeugung und Simulati- folgen ungelöste Herausforderungen und die
on digitaler Modelle in near-real-time und un- nächsten Schritte.
terstützt die Analyse und Verbesserung kom-
plexer Produktionssysteme. Forschungsfrage
Der digitale Zwilling ist in diesem Beitrag ein Insbesondere bei KMUs ist die Durchdringung Prof. Jürgen Köbler leitet das Labor
Virtual Engineering an der Hochschu-
Oberbegriff für ein Set von Methoden und Mo- von digitalen Planungstools gering, Simulations- le Offenburg.
dellen, welche die reale Produktion und deren werkzeuge sind kaum existent. Um diese Her-
Abläufe digital abbilden. Gemäß Kritzinger ver- ausforderungen anzugehen arbeiten die Hoch-
fügt er über eine bidirektionale Datenverbin- schule Offenburg, das Institut der Angewandten
dung zum realen System [3]. Er erhält Daten aus Wissenschaften Straßburg sowie die Universität
der realen Produktion durch die betrieblichen Straßburg im Rahmen des Forschungsprojekts
Informationssysteme. Analyse und Optimierung VIRTFac gemeinsam an einem flexiblen Referenz-
erfolgen durch die Simulation. Abgeleitete Ver- modell. Schwerpunkte sind die Erfassung von Prof. Roland de Guio ist Forscher im
Labor ICUBE des nationalen Instituts
besserungen werden über die betrieblichen Produktionsdaten, die Modellgenerierung und für angewandte Wissenschaften in
Straßburg, Frankreich.
Informationssysteme in die reale Produktion zu- Simulation sowie die Optimierung, vgl. Bild 1.
rückgeführt. Der Fokus in diesem Beitrag liegt michael.schlecht@
hs-offenburg.de
auf Job-Shop-Produktionssystemen und deren Die Generierung digitaler Modelle beginnt bei https://virtfac.insa-
ganzheitlicher Abbildung im virtuellen Raum. der Erfassung von Produktionsdaten aus den strasbourg.fr
https://doi.org/10.30844/I40M_21-5_S53-56 53
Digitalisierte Produktion
Betriebliche Informationssysteme Cloudbasierte Webplattform
Simulation und Optimierung
Daten-
ERP, erfassung Logische Materialflussanalyse Optimierung
Modell-
MES,PLM
generierung
Statische Layoutanalyse
Datenbank Simulations-
Ergebnisse
Ablaufsimulation
Daten- Datenbereitstellung
Cyber-Physische Innovation
verarbeitung Ergonomieanalyse
Systeme
Bild 1: Herausforderungen des digitalen Referenzmodells.
Quellsystemen. Das zu entwickelnde Referenz- Ansätze in vier Kategorien [6]. Mit steigendem
modell dient als Grundlage für die Strukturie- Automatisierungsgrad sind das die händische
rung von Produktionsdaten in der Datenbank. Datenpflege, die Übergabe mittels Datentabel-
Die automatisierte Modellgenerierung und len, die Übergabe mittels Datenbanken sowie
Simulation erlauben die Analyse und Optimie- der direkte Austausch mit den betrieblichen In-
rung realer Systeme. Aus diesem Prozess erge- formationssystemen. Die beiden erstgenann-
ben sich drei Forschungsfragen: ten Methoden sind aufgrund von Aufwand
• Erfassung und Übergabe von Daten: Wie und Zeitverzug bei der manuellen Übergabe
können Produktionsdaten systematisch er- der Daten für die unmittelbare Modellgenerie-
fasst und für die Simulation bereitgestellt rung und Simulation sehr ungeeignet. Der Fo-
werden? kus liegt daher auf dem Datentransfer mittels
• Modellierung und Simulation: Wie sieht die Datenbank und dem direkten Austausch mit
ideale Struktur eines Referenzmodells für den Quellsystemen.
die Modellierung und Simulation von Lay-
out und Materialflüssen aus? Herausforderung bei der Modellierung und Si-
• Analyse und Optimierung: Wie kann Simu- mulation ist das Verständnis über die erfassten
lation zur Analyse und Verbesserung realer Daten. Erst durch die Verknüpfung von Daten
Produktions- und Logistiksystemen einge- aus verschiedenen Quellsystemen entsteht
setzt werden? ein Kontext und aus den isolierten Daten ent-
steht ein digitales Modell. Die Literatur bietet
Für den industriellen Einsatz ist zunächst die Im- eine Vielzahl verschiedener Standards und
plementierung des Referenzmodells in einem Datenmodelle [5]. Zu nennen sind CMSD, PPR,
Demonstrator vorgesehen. Im Fokus der Imple- AutomationML, ISA95, SysML. Der Bedarf nach
mentierung steht die Verwendung von Open- domänenspezifischen, fallneutralen Datenmo-
Source-Tools. Zusätzlich sollen weitere Planungs- dellen für individuelle Anwendungsfälle bleibt
tools flexibel implementiert werden können. dennoch bestehen [3, 5].
Stand der Technik Die Implementierung des Datenmodells in ei-
ner Datenbank erzeugt ein digitales Modell.
Eine 2012 durchgeführte Grundlagenstudie Dieses besteht typischerweise aus mehreren
zur Erfassung von Simulationsdaten ergab, Datentabellen, die jeweils mehrere Tausend
dass 40 - 50 % der Gesamtzeit von Simulations- Zeilen Inhalt enthalten können. Für Analyse
studien für die Datenerfassung aufgewendet und Interpretation sind diese ungeeignet. Die
wird [4]. Die Problematik wird durch jüngere Literatur bietet eine hohe Anzahl von Ansätzen
Studien bestätigt [3, 5]. Der Anteil händischer zur Überführung abstrakter Datenmodelle in
Prozesse liegt dabei bei 80 %. Die Ursache sind digitale Modelle [7]. Diese adressieren indivi-
heterogene IT-Landschaften. Das Ergebnis sind duelle Probleme. Ein allgemeiner Standard hat
Probleme mit der Datenqualität wie Lücken, sich bisher kaum durchgesetzt [3].
Duplikate und Inkonsistenz. Eine weitere Stu-
die untersuchte die Quellsysteme des digita- Die Analyse und Optimierung findet in di-
len Zwillings und identifizierte unter anderem gitalen Planungstools statt. Diese können
PLM, MES, und ERP [5]. Weitere, unstrukturierte beispielsweise eine statische Layout- und
Datenquellen und Office-Lösungen sind keine Materialflussanalyse sowie eine dynamische
Seltenheit bzw. an der Tagesordnung. Ablaufsimulation sein. Um reale Systeme durch
digitale Modelle verbessern zu können, ist ein
Für die Datenübergabe in die Simulationswerk- fundiertes Expertenwissen erforderlich, das
zeuge klassifiziert die Literatur bestehende im Bereich der KMU oft nicht vorhanden ist.
54 Industrie 4.0 Management 37 (2021) 5
Digitalisierte Produktion
Ein systematisches Vorgehen für Modellierung Die Verdichtung der Daten aus den Quellsyste-
und Simulation von statischen Layouts und men erfolgt in einer Datenbank, die das Rück-
dynamischen Materialflüssen wurde bisher grat dieses Ansatzes darstellt. Die Implemen-
nicht identifiziert. tierung der Datenbank erfolgt in einem, an
das Produkt-, Prozess- und Ressourcenmodell
Weiter entstehen in der Simulation große angelehnten Datenmodell [8]. Die Modellie-
Mengen von Daten. Zur Analyse großer Da- rung weiterer Systemelemente basiert auf den
tenmengen sind Simulationswerkzeuge kaum Daten der betrieblichen Informationssysteme.
geeignet. In anderen Disziplinen haben sich Datenbankabfragen übertragen Informatio-
unter dem Begriff Big Data Technologien zur nen aus den Quellsystemen in die Datenbank.
Auswertung und Analyse großer Datenmen- Das Datenmodell strukturiert die Daten der
gen durchgesetzt. Dies bedingt die Bereitstel- realen Fabrik in fallspezifischen Datensets und
lung von Simulationsergebnissen außerhalb stellt diese dann für die Simulation bereit.
der Planungstools. Trotz großer Wichtigkeit der
Auswertung und Interpretation der Ergebnisse Für die Simulation überführt die Methodik das
erkennt die Literatur eine Forschungslücke bei generische Datenmodell in spezifische Daten-
der systematischen Datenanalyse [6]. modelle der vorgesehenen Planungstools und
führt Modellgenerierung und Simulation aus.
Referenzmodell Der Output sind Ergebnisse für die Analyse
und Verbesserung der realen Systeme. Hierfür
Um die genannten Herausforderungen anzu- ist dann die Übertragung von Experimenten
gehen, konzipierte die Hochschule Offenburg und Simulationsergebnissen zurück in die ge-
gemeinsam mit ihren Forschungspartnern ein nerische Datenbank erforderlich.
flexibles Referenzmodell zur Integration des
digitalen Zwillings in die Planung und Opti- Das Datenmodell beschreibt die Produktion
mierung. Bild 2 zeigt das entworfene Referenz- neutral. So können einzelne Quellsysteme
modell. Die Implementierung des Referenzmo- durch spezifische Programme anderer Her-
dells in einem Demonstrator ist die Grundlage steller ausgetauscht werden. Ebenso können
für den praktischen Einsatz des Referenzmo- simulationsseitig die Fabrikplanungstools
dells in der Planung und Optimierung von Pro- durch Werkzeuge mit anderen Funktionen
duktionssystemen im Bereich von KMUs. oder von anderen Herstellern ersetzt werden.
Selbiges gilt für die Tools der Data-Science zur
Das Konzept sieht die Erfassung von Produk- Analyse und Visualisierung von Simulationser-
tionsdaten aus definierten Quellsystemen vor. gebnissen. Das digitale Modell der Datenbank
Namentlich sind dies ERP mit der Auftrags-, ist somit die Datendrehscheibe des digita-
Ressourcen- und Kapazitätsplanung, PLM mit lenVIRTFac
Zwillings, Schnittstelle zu den definierten
der Sicht des Engineerings sowie MES mit der Quell- und Zielsystemen sowie die Grundlage
Feinplanung und den operativen Vorgängen für die Flexibilität des Referenzmodells.
der Produktion. MES dient als Schnittstelle zur
physischen Fertigung. Die Vereinigungsmenge Demonstrator
Bild 2: Referenzmodell für digitale Planung und Optimierung
dieser Daten beschreibt alle relevanten Sichten
auf die Produktion und ist Grundlage für die
Die Umsetzung des Demonstrators erfolgt mit
Analyse und Verbesserung realer Produktions- einer SQLite-Datenbank. Die Strukturierung
systeme durch die Simulation in digitalen Mo- der Daten erfolgt auf Basis des entworfenen
dellen. Datenmodells. Als Quellsysteme für den De-
Dynamische
PLM
Ablaufsimulation
Statische Layout- und
ERP Datenbank Materialflussanalyse
Echtzeit-
Fabrik
Analyse von Ergonomie
MES und menschlicher Arbeit
Bild 2: Referenzmodell für digitale Planung und Optimierung.
https://doi.org/10.30844/I40M_21-5_S53-56 55
Bild 3: Modellgenerierung in den Planungstools
Digitalisierte Produktion
QUELLSYSTEM DIGITALER ZWILLING UND PLANUNGSWERKZEUGE
Datenbank des digitalen Zwillings Statische
Analyse von
Materialfluss
und Layout
ERP
Ressourcenmodell, Arbeitspläne
und Auftragsterminierung Dynamische
Prozess-
simulation
Bild 3: Modellgenerierung in den Planungstools.
Literatur
monstrator wurden im Mittelstand gängige Optimierungsmöglichkeiten mithilfe von Data
[1] Gartner, Inc.: Gartner Top Informationssysteme ERP, PLM und MES ausge- Science und KI-Tools.
10 Strategic Technology
Trends for 2019. Gartner. wählt. Auf Seite der Fabrikplanungstools wird
URL: www.gartner.com/ die statische Layout- und Materialflussanalyse Ausblick
smar ter withgar tner/gar t-
ner-top-10-strategic-techno- mit Plavis visTABLE und die dynamische Pro-
logy-trends-for-2019, Abruf- zesssimulation mit Siemens Plant Simulation Mit dem Demonstrator ist zum heutigen Stand
datum 13.10.2020.
[2] Volkswagen: Volkswagen and realisiert. die Modellierung und Simulation auf Basis von
Amazon Web Services to de- ERP-Daten in der dynamischen Prozesssimu-
velop Industrial Cloud. URL:
www.volkswagenag.com/ Für die Umsetzung des Datenmanagements lation möglich. Grundlage ist das generische
en/news/2019/03/volkswa- wurde das BI-Tool KNIME gewählt. Das BI-Tool Referenzmodell. Der Mehrwert liegt insbe-
gen-and-amazon-web-ser-
vices-to-develop-industri- unterstützt den Gedanken einer zentralen Da- sondere auf der Möglichkeit zur horizontalen
al-cloud.html, Abrufdatum tendrehscheibe durch seine inhärente Kon- und vertikalen Erweiterung und Substitution
18.01.2021.
[3] Kritzinger, W.; Karner, M.; Traar, nektivität. Durch eine Vielzahl standardisierter der Quellsysteme und Planungstools. Daten
G.; Henjes, J.; Sihn, W.: Digital Konnektoren können die Quell- und Ziel-Syste- aus realen Produktionssystemen können in
Twin in manufacturing: A
categorical literature review me mit der Datenbank verbunden und Systeme near-real-time über die betrieblichen Infor-
and classification. In: IFAC-Pa- beliebig substituiert werden. Die Konnektoren mationssysteme in die Modelle verschiedener
persOnLine 51 (2018) 11, S.
1016-1022. doi: 10.1016/j.if- bedienen die Schnittstelle von technischer Planungstools übertragen und durch die Simu-
acol.2018.08.474. Seite. Das Referenzmodell schafft die sachlogi- lation bewertet werden.
[4] Skoogh, A.; Perera, T.; Johans-
son, B.: Input data manage- sche Verknüpfung der Daten.
ment in simulation – Industri- Im nächsten Schritt des Forschungsprojektes
al practices and future trends.
In: Simulation Modelling Bild 3 zeigt schematisch den Prozess der Er- ist die Validierung des Demonstrators durch
Practice and Theory 29 (2012), stellung simulationsfähiger Modelle. Aus dem reale Massendaten angestrebt. Dies beinhaltet
S. 181-192. doi: 10.1016/j.sim-
pat.2012.07.009. ERP-System werden das Ressourcenmodell, die auch die Implementierung in einem Web-Tool
[5] Reinhardt, H.; Weber, M.; Putz, Arbeitspläne sowie das Produkt- und Mengen- und den Einsatz im industriellen Kontext. Im
M.: A Survey on Automatic
Model Generation for Materi- gerüst in die Datenbank übernommen. Das Da- industriellen Einsatz gibt der Demonstrator si-
al Flow Simulation in Discrete tenmodell strukturiert die Daten sachlogisch mulationsfremden Experten die Möglichkeit,
Manufacturing. In: Procedia
CIRP 81 (2019), S. 121-126. doi: für die Bereitstellung in den Planungstools. Die reale Systeme durch die Simulation zu verste-
10.1016/j.procir.2019.03.022. automatisierte Modellgenerierung erzeugt aus hen und aktiv zu verbessern. Ziele sind bei-
[6] Vieira, A.; Dias, L.; Santos, M.;
Pereira, G.; Oliveira, J.: Setting dem abstrakten Modell der Datenbank experi- spielsweise die Minimierung von Durchlaufzei-
an Industry 4.0 Research and mentierbare Simulationsmodelle. ten und Beständen sowie die Verbesserung des
Development Agenda for
Simulation – a Literature Re- EPEI zur Erhöhung der Flexibilität. Vision ist die
view. In: International Jour- In Bild 3 rechts abgebildet sind die Modelle in Integration zahlreicher Werkzeuge entlang des
nal of Simulation Modelling
17 (2018), S. 377-390. doi: der statischen Layout- und Materialflussana- Planungsprozesses und das Ermöglichen von
10.2507/IJSIMM17(3)429. lyse und der dynamischen Ablaufsimulation. einer „Optimierung auf Knopfdruck“.
[7] Straßburger, S.; Bergmann, S.;
Müller-Sommer, H.: Modell- Erstgenanntes ist geeignet um Fragen der
generierung im Kontext der Layoutgestaltung wie beispielsweise der Mini- VIRTFac wird als Exzellenzprojekt durch die Wis-
Digitalen Fabrik - Stand der
Technik und Herausforderun- mierung von Transportaufwand und -distanz senschaftsoffensive und INTERREG Oberrhein
gen. Karlsruhe 2010. zu beantworten. Zweitgenanntes adressiert gefördert.
[8] Drath, R.: Datenaustausch
in der Anlagenplanung mit Fragen des dynamischen Materialflusses und
AutomationML: Integration des zeitlichen Ablaufs von Prozessen. Die Auf- Schlüsselwörter:
von CAEX, PLCopen XML und
COLLADA. Heidelberg New nahme der Simulationsergebnisse in das Re- Fabrikplanung, Digitaler Zwilling, Referenzmo-
York 2010. ferenzmodell bildet die Grundlage für weitere dell, Discrete-Event-Simulation, Industrie 4.0
56 Industrie 4.0 Management 37 (2021) 5
Sie können auch lesen
