PROFINET & OPC UA: voorspellend onderhoud

Ongeplande stilstanden vertragen de productie altijd. Natuurlijk zijn er een overvloed aan ideeën en benaderingen voor het implementeren van preventief onderhoud bij productiebedrijven, maar in de praktijk schieten ze vaak tekort. De uitdaging ligt vooral in de toegang tot de gegevens die op een fout kunnen wijzen en deze zodanig kunnen verwerken dat deze ook kan worden gebruikt.

Een op ervaring gebaseerd voorbeeld van Audi toont aan dat juist deze kansen worden geboden door PROFINET en OPC UA te combineren.
 

Iedereen heeft het over voorspellend onderhoud. Maar als het gaat om de implementatie ervan in de praktijk, falen veel gebruikers vaak omdat ze geen toegang hebben tot de juiste gegevens. Mathias Mayer bij Audi Neckarsulm werd geconfronteerd met deze situatie. Zijn ervaring toonde aan dat “90 procent van de gegevens in de carrosseriebouw niet wordt gebruikt of gebruikt.” Dit resulteerde meestal in een extra sensor. Dat is niet het pad dat Mayer wilde volgen. Integendeel, hij dacht: “Laten we eerst de ongebruikte gegevens verwerken. Als er echt een extra sensor nodig is, zou ik er zeker over willen praten. “
Voor Mayer is een beter gebruik van beschikbare gegevens de belangrijkste vereiste om uitvaltijden te verminderen en efficiënter te werken. Dit wordt nog beslissend, omdat de complexiteit van productieprocessen en de mate van automatisering in de nabije toekomst zullen blijven toenemen. Waarom is het verzamelen van gegevens zo moeilijk? Een kijkje in de lichaamsbouw op de Neckarsulm-site onthult de uitdaging. Het is op deze locatie waar A4, A6, A7, A8, R8 en A5 Cabrio model Audis worden geassembleerd door ongeveer 2500 industriële robots. Elk individueel systeem wordt bestuurd via een PLC. “We zien de PLC altijd als een poppenspeler die tot tien robots laat dansen,” zei Mayer bij het beschrijven van de situatie in zijn divisie. De werkelijke waardecreatie vindt plaats bij de robot en daarom is de toegang tot robotgegevens zo enorm belangrijk.
Naast het grote aantal betrokken fabrieken, maken de verschillende productiemethoden die worden gebruikt ook moeilijker toegang tot en evaluatie van gegevens. Het verminderen van het gewicht met behoud van maximale duurzaamheid kan bijvoorbeeld alleen worden bereikt door verschillende materialen te combineren. Dit houdt het gebruik van verschillende verbindingstechnologieën in. Een overvloed aan verbindingstechnologieën wordt alleen voor de nieuwe A8 gebruikt, variërend van een zeer breed scala aan lasprocessen tot lijmen tot klinken – alles bij elkaar moeten 15 verschillende processen worden gecoördineerd. Mocht de productie haperen, dan zijn experts in elk van deze individuele processen nodig. Dit is erg duur en tijdrovend als je drie-ploegendiensten overweegt, omdat een groot aantal werknemers moet worden opgeleid en gekwalificeerd.

Nieuwe wegen inslaan
Voor Mayer is geen sprake van afwijken van beproefde processen. “Ons kwalificatieproces is absoluut duur en tijdrovend, maar onze klanten verwachten topkwaliteit.” Als verschillende medewerkers gewoon iets onderzoeken, kan dat verschillende resultaten opleveren – in tegenstelling tot de gegevens, die altijd hetzelfde zijn. “Het zijn precies deze gegevens die we moeten gebruiken om zowel productie als processen te optimaliseren,” zei Mayer overtuigd. Voor dit doel moeten de procesgegevens zodanig worden verwerkt dat zelfs een “niet-expert” bijvoorbeeld een wrijvingslasproces opnieuw kan opstarten.
Op deze manier moeten niet-geplande productiestilstanden worden verminderd en de beschikbaarheid en procesefficiëntie en -kwaliteit worden verhoogd, bijvoorbeeld door live systeemmonitoring en de automatische aanpassing van procesparameters. Eerdere methoden voor procesbewaking en -optimalisatie op basis van expertkennis moeten hier worden bewaard. Uiteindelijk zal dit de onderhoudskosten verlagen en de testinspanningen minimaliseren.
Implementatie in praktische toepassingen
Hoe werkt dit in de praktijk? In de procesketen van de toekomst voor de carrosseriebouw worden de bijbehorende gegevens van de apparaten rechtstreeks verzameld, geïntegreerd en gevisualiseerd – zonder extra gateways, omdat de robots uiteindelijk voldoende capaciteit hebben. Uiteindelijk is er een medewerker die het proces begrijpt en indien nodig kan ingrijpen. Volgens Mayer is deze taakverdeling de sleutel tot succes. Alleen op deze basis kunnen datamining en machine learning met succes worden geïmplementeerd.
 

In de Audi-architectuur worden OPC UA en MQTT gebruikt als het transportmiddel voor gegevens, dat naar een randlaag wordt geleid waar een groot gegevensplatform zich bevindt. Toepassingen zoals diagnostische analyse voor conditiebewaking en voorspellende analyse voor conditiegebaseerd onderhoud kunnen hier bovenop worden geplaatst.
Dit pad is ook vastgelegd in de bijbehorende PROFINET OPC UA-specificatie, waarvan de essentiële inhoud het verzamelen en presenteren van activabeheer en diagnostische gegevens omvat. Voor dit doel worden asset- en diagnosegegevens van de tegenwoordig gebruikte apparaten verzameld in een systeemcontroller via bestaande PROFINET-services en geleverd aan instanties op een hoger niveau door middel van OPC UA. De openheid van PROFINET maakt het bijvoorbeeld mogelijk om sensoren toe te voegen met een OPC UA-interface die hun gegevens rechtstreeks naar overeenkomstige cloudservices of edge-gateways sturen zonder de automatiseringsoplossing moeizaam te reconstrueren. Dit maakt het mogelijk om innovatieve diagnosemethoden te implementeren, zelfs in bestaande systemen.
Penetratie helemaal tot op de bodem
 Het is een situatie die ook bekend is in de carrosseriebouw. “Voor ons is een robot gewoon een ondergeschikt apparaat van de PLC. We willen doordringen tot in de gegevens helemaal onderaan, maar we willen geen apart netwerk opzetten, “zei Mayer, die vervolgens onmiddellijk een pragmatische uitleg gaf. “Als je een extra kabel naar meer dan 2000 robots moet leggen, werkt het gewoon niet. Niet alleen dit, maar we gebruiken niet slechts één robotfabrikant. Afhankelijk van de toepassing vertrouwen we op een groot aantal verschillende fabrikanten. ”
Bovendien is OPC UA niet door alle fabrikanten geïmplementeerd. Het ontbreekt nog steeds in de belangrijkste technologieën in de carrosseriebouw, zoals puntlassen, nagellassen, lijmen en klinken. Robotfabrikanten zijn daarentegen al een goede stap vooruit, net als RFID-fabrikanten. Mayer ziet ook het feit dat Audi dit nog niet heeft gevraagd als de reden voor de voortdurende terughoudendheid. Dit zal echter in de komende uitnodigingen tot het indienen van voorstellen worden goedgemaakt.
 
Praktische implementatie
In de praktische uitvoering wordt één ding duidelijk: in toepassingen waar al een combinatie van PROFINET en OPC UA is geïntroduceerd, werden de voordelen snel van kracht. Een goed voorbeeld op de Audi-site in Neckarsulm is het in-line meetsysteem voor het voeren van klinknagels over een zeer flexibele slang van het vulgebied naar het klinkgereedschap op een robotarm. De uitdaging ligt hier bij de sluitingsnelheid van de klinknagel, die met 20 meter per seconde relatief hoog is. De slang moet ergens tussen de 500.000e en 1 miljoenste klinknagels worden vervangen. Nu moet de slang niet meer worden vervangen tijdens de productie, maar in plaats daarvan op een geschikter tijdstip, omdat het proces 20 tot 30 minuten moest worden gestopt voor elke verandering. Het team maakte vervolgens een tijdreeksanalyse voor het detecteren van slijtage in de klinknagelslang. Implementatie was relatief eenvoudig – meer lucht stroomt door de slang zodra de kleinste poreuze plekken opduiken. Deze resultaten worden tegelijkertijd vastgelegd, doorgestuurd naar PROFINET via OPC UA en gevisualiseerd. Nu heeft elke werknemer de mogelijkheid om te weten te komen over gebeurtenissen die op het laagste niveau plaatsvinden en sneller actie te ondernemen, zelfs zonder een extra kabel.

Vooruitzichten: Mayer hoopt dat specificaties in de toekomst sneller zullen worden geïmplementeerd door apparaatfabrikanten. Tegelijkertijd herinnert hij gebruikers er ook aan dat ze ook niet te lang moeten wachten. “Als je voordelen wilt behalen in de productie, moet je dit al vroeg doen. Vanuit mijn perspectief kwam Industry 4.0 al een tijdje geleden in de praktijk. Het enige dat we nu nog moeten doen, is het implementeren. “