Ressourcen

Prozessdaten in der Extrusion auswerten

Extruder kommen in verschiedenen Branchen zur Anwendung – zum Beispiel in der TPE Herstellung oder der Produktion von Fleischersatzstoffen. Um eine möglichst hohe Prozessstabilität zu erreichen, ist es elementar die Extrusion bis ins Detail zu verstehen. Prozessdaten können in der Extrusion hierzu ausgewertet werden. Doch wie können Prozessparameter und Qualitätsdaten verknüpft und intelligent ausgewertet werden? Dies beschreiben wir hier mit konkreten Handlungsempfehlungen und zeigen wie am Ende eine Künstliche Intelligenz die Extrusion optimieren kann.

Was ist eine Prozessdatenauswertung und wieso ist dies wichtig?

Prozessdaten werden mit Hilfe von Sensorik gewonnen. Dies können zum Beispiel Drücke, Drehmomente oder Temperaturen sein. Dadurch entsteht die Möglichkeit eine automatisierte Auswertung durchzuführen. Startet man frisch mit der Analyse, geht es erst einmal darum zu verstehen, was genau an der Anlage passiert. Darauf aufbauend kann analysiert werden, wieso zum Beispiel Schwankungen passieren und Korrelationen hergestellt werden. Anschließend können Prognosen aufgebaut werden, welches Prozessverhalten zum Beispiel zu welchem Qualitätsergebnis führt. Die „höchste“ Stufe ist abschließend die Autonomie. Also nicht nur zu wissen, dass eine Qualitätsabweichung stattfinden wird, sondern auch wie man diese effizient behebt. Die vier Schritte in der Auswertung sind im folgenden Diagramm dargestellt.

Die vier Schritte hin zur autonomen Produktion

Der konkrete Mehrwert hängt dabei vom Anwender ab: Der Instandhalter kann zum Beispiel verstehen, wann er ein Teil wechseln sollte. Der Mitarbeiter an der Anlage kann von Empfehlungen in der Prozessregelung profitieren und der Verfahrenstechniker die optimalen Prozessparameter bestimmen. Im Folgenden zeigen wir mögliche Anwendungsfälle für die Extrusion und wie diese umgesetzt werden können.

Wie mit der Prozessdatenauswertung in der Extrusion starten?

Um Prozessdaten in der Extrusion auswerten zu können, bedarf es erstmal einer Datengrundlage. Hierzu bietet sich ein Blick auf die SPS als Datenquelle an. Oft kann über OPCUA direkt auf die Steuerung zugegriffen und Prozessdaten abgegriffen werden. Ergänzend kann zum Beispiel ein Gateway mit einem Körperschallsensor die Extruder Schnecke überwachen. Für die Übertragung von Gateways bietet sich das MQTT Format an. Die Daten können anschließend in einer SQL-Datenbank gespeichert oder direkt über ein Gateway in Analysesoftware, wie unsere smartPLAZA, importiert werden. Falls Sie Unterstützung brauchen, haben wir hier in einem Whitepaper zusammengestellt, wie mit einem Raspberry Pi System Daten erfasst werden können. Für eine raue Umgebung empfiehlt es sich auf bewährte Sensortechnik, wie IO-Link, zu setzen. Um im späteren Verlauf Stabilität in die Erfassung hereinzubringen, bieten sich Systeme wie das CCS200 von ct-Datentechnik an.

Die Daten werden an diesem Schritt ähnlich wie dieser Ausschnitt ausschauen:

ZeitstempelTemperaturDrehmoment
2021-12-01 8:46:3267,286,6
2021-12-01 8:46:3767,985,3
2021-12-01 8:46:4267,185,9
2021-12-01 8:46:4767,386,2
Standardtemplate zur Datenerfassung

Praxistipp: Achten Sie darauf in welcher Zeitzone – ob in UTC oder lokaler Zeitzone – die Zeitstempel gespeichert werden. Dies erspart später die Fehlersuche, falls Uhrzeiten zwischen den Daten und der Realität nicht übereinstimmen.

Sichtbarkeit: Was passiert an der Anlage?

Nach der erfolgten Datenerfassung gilt es die Prozessdaten auszuwerten und die Verläufe zu analysieren. Der zeitliche Verlauf lässt oft bereits Trends oder Einstellungen an der Anlage erkennen. Die Analyse von statistischen Merkmalen wie Mittelwert oder Standardabweichung eines Messmerkmals hilft Unregelmäßigkeiten zu erkennen. Durch den Zeitstempel können bereits Kalenderwochen, einzelne Monate oder Quartale miteinander verglichen werden.

Weitere typische Fragestellungen, welche unsere Kunden in der Extrusion analysieren sind zum Beispiel:

  • Wann greift der Mitarbeiter wie in den Prozess ein?
  • Wie verhält sich der Prozess über einen längeren Zeitraum?
  • Lässt sich eine Anlagenstörung in den Daten nachvollziehen?
  • Ist Verschleiß in den Datenverläufen erkennbar?
  • Was war in der Nachtschicht los?

Transparenz: Warum passiert etwas an der Anlage?

Oft geben beschreibende Merkmale Unterstützung in der Interpretation. Sprünge in der Soll-Temperatur lassen sich zum Beispiel auf verschiedene Materialien zurückführen. Eine Veränderung in der Varianz auf einen Schichtwechsel an der Anlage. Um dies zu vereinfachen, empfehlen wir die „Anreicherung“ der Messmerkmalen. Beschreibende Merkmale, wie Auftragsnummern, Schichtinformationen oder Störungen sollten als Spalten bei der Datenerfassung hinterlegt werden. Falls Eingriffsgrenzen oder Spezifikationsgrenzen bekannt sind, kann eine Überschreitung ebenfalls mit aufgenommen werden. Die Anzahl der relevanten Attribute variiert je nach Produktion.

Als Aufbau empfehlen wir eine Struktur wie folgt:

ZeitstempelSchichtAuftragTemperaturDrehmoment
2021-12-01 8:46:32Früh123467,286,6
2021-12-01 8:46:37Früh123467,985,3
2021-12-01 8:46:42Früh123467,185,9
2021-12-01 8:46:47Früh123467,386,2
Datenerfassung mit beschreibenden Meta-Attributen

Mit Hilfe einer Zuweisung von Farben auf einzelne Attribute lässt sich in diesem Beispiel gut die Störung erkennen und der flache Messwertverlauf einfacher interpretieren:

Analyse eines Messmerkmals mit Annotationen

Um Abhängigkeiten zwischen den Messverläufen zu verstehen, bietet sich die Analyse der Korrelationskoeffizienten an. Diese geben an, wie zwei Merkmale zueinander statistisch in Beziehung stehen. Bei einer positiven Korrelation gilt „je mehr von Variable A… desto mehr von Variable B“. Mehr zum Thema Korrelationen finden Sie bei Statista.

Eine weitere Analyse kann die Suche nach Anomalien und Auffälligkeiten darstellen. Der Analyseasssistent in der smartPLAZA sucht zum Beispiel, für einen gewählten Zeitraum nach auffälligem Verhalten in verschiedenen Datenverläufen. So können Zusammenhänge erkannt werden, welche nicht durch eine reine Korrelation zu beschreiben sind, wie zum Beispiel ein Sensorausfall.

Typische Anwendungsfälle sind in dieser Phase zum Beispiel:

  • Warum ist die Qualität abgewichen?
  • Wieso gab es eine Anlagenstörung?
  • Warum ist die OEE niedriger als sonst?

Prognose: Was wird passieren?

Die Wettervorhersage hilft uns die richtigen Entscheidungen zu treffen und im Zweifel den Schirm einzupacken. Beim Extruder kann eine Prognose dann helfen, wenn es darum geht Qualitätsabweichungen zu erkennen. Die Qualität wird in der Serienproduktion im Normalfall stichprobenartig manuell überprüft. Führt eine Prozessabweichung zu einem Qualitätsfehler entsteht zwischen Auftreten und Entdeckung oft eine gewisse Zeit. Mit einer fortlaufenden Qualitätsprognose basierend auf Prozessparametern kann die Qualität überwacht und direkt bei einer Abweichung eingegriffen werden. Um das Prognosemodell korrekt anzulernen, bedarf es einem gewissen Umfang an historischen Trainingsdaten. Basierend auf dem Prozessverhalten in der Vergangenheit erlernt ein Algorithmus die Zusammenhänge zwischen Qualität und Parametern an der Anlage. Um eine möglichst genaue Vorhersage zu realisieren, bedarf es neben einem historischen Datensatz auch der Erfassung von den richtigen Messmerkmalen.

Neben einer „Predictive Quality“ Anwendung in der Extrusion kann auch die Instandhaltung unterstützt werden. Ein Anwendungsfall ist zum Beispiel die Spindelüberwachung. Anstatt auf eine Bauteilqualität zu schließen, wird das „normale“ Prozessverhalten erlernt. Findet ein abnormales Verhalten der Spindel statt, ist dies ein Anzeichen für Verschleiß. So können Instandhaltungsmaßnahmen basierend auf dem tatsächlichen Zustand der Spindel durchgeführt werden. Ein Vorteil bei der Zustandserkennung, ist oft eine überschaubare Anzahl an benötigten Trainingsdaten.

Autonomie: Was soll ich tun?

Assistenzsysteme sind beim Autofahren gern gesehen – schützt uns zum Beispiel der Notbremsassistent im Zweifel vor Unfällen. Auch bei der Extrusion kann der Mensch unterstützt werden. Mit einem Assistenzsystem, wie der smartPLAZA, wird der Prozess kontinuierlich überwacht und Zusammenhänge zwischen Maschinenzustand und Zielwert erlernt. Der Zielwert kann zum Beispiel ein Qualitätsmerkmal wie die Produkt Dichte sein. Aber auch Stellgrößen wie die Durchflussmenge oder können optimiert werden. Mit Hilfe der Modellierung und dem tatsächlichen Prozesszustand kann anschließend der Mitarbeiter an der Anlage mit Handlungsempfehlungen versorgt werden. So wird jeder Anlagenbediener unterstützt.

Ein weiterer Use-Case ist das Entwickeln von neuen Produkten. Beim sogenannten Reverse-Engineering wird ausgehend von einer Kundenanforderung auf die optimalen Prozessparametern geschlossen. Der Entwickler oder Verfahrenstechniker wird so mit einer Handlungsempfehlung unterstützt und die Produktentwicklung kann schneller stattfinden.

AnwendungsfallZielgrößeStellgröße
Aufrechterhaltung der Produkt DichteDichte ProduktEinstellung Schneckendrehzahl
DurchflussmengeDurchflussmenge EndproduktGeschwindigkeit Dosierpumpe
Anwendungsfälle für Handlungsempfehlungen im Extrusionsprozess

# Tipps zur Prozessdatenerfassung

  1. Einfach starten: Lieber schnell und prototypenhaft Daten aufnehmen, als ein groß geplantes Infrastrukturprojekt anzugehen. So kommt man schneller zu Ergebnissen und die Stabilität kann Schritt für Schritt nachgezogen werden.
  2. Anreicherung von Daten: Beschreibende Merkmale wie Auftragsdaten, Schichtinformationen oder Rohstoffchargen helfen die Messmerkmale einfacher zu interpretieren.
  3. Schrittweise vorgehen: Daten visualisieren, Zusammenhänge verstehen und dann intelligente Auswertungen wie eine künstliche Intelligenz anwenden. Durch dieses strukturierte Vorgehen wird die richtige Grundlage gelegt, um erfolgreich Vorhersagen oder automatisiert Handlungsempfehlungen zu generieren.

Zusammenfassung

Eine Prozessdatenauswertung von Extrudern bringt viele Vorteile mit sich. Auf hoher Flugebene eine Erhöhung der Produktsicherheit sowie die Absicherung der produzierten Qualität. Operativ gesehen, helfen die Daten während dem Troubleshouting bei Qualitätsabweichungen oder in der Prozessführung. Mit dem strukturierten Vorgehen Sichtbarkeit, Transparenz, Prognose und Autonomie erzielen Sie Schritt für Schritt Mehrwerte auf dem Weg zur datenbasierten Produktion.

Sie haben Fragen zur Auswertung oder wie Ihre konkreten Herausforderungen mit Hilfe von Daten gelöst werden können? Füllen Sie gerne hier unser Kontaktformular aus und wir melden uns bei Ihnen.