Regelungstechnik für Druckmaschinen (Projektreferenz)

Entwicklung von Algorithmen zur Optimierung der Regelungstechnik in Druckprozessen.

Kunde

Die Heidelberger Druckmaschinen AG ist ein Unternehmen des Präzisionsmaschinenbaus und weltweit führender Hersteller von Bogenoffset-Druckmaschinen. Mit rund 11.000 Mitarbeitern erzielt das Unternehmen einen jährlichen Umsatz von rund 2,3 Mrd. € (Stand März 2020).

Ausgangslage:
Digitalisierung von Industrieprozessen mit Computer Vision

Druckprozesse sind bis heute nur teilautomatisiert. Die optische Inspektion des Druckergebnisses durch einen Menschen war aufgrund von limitierten Rechenressourcen und mangelnder Technologie im Bereich Computer Vision bis vor einigen Jahren unerlässlich. Mit dem Wegfall dieser Einschränkungen entwickeln sich auf dem Markt der Druckmaschinen nun dynamisch neue und innovative Produkte im Bereich Regelungstechnik. Eine zentrale Herausforderung ist es hierbei, diese neuen Funktionalitäten nahtlos in eine nicht-standardisierte Landschaft von Produktionsanlagen einzubinden. Diese Anlagen verfügen oft noch nicht über quantitativ so exakte Messsysteme (z. B. nicht kalibrierte Sensoren), wie sie in Anbetracht der neuen Möglichkeiten notwendig werden.

Projektziel:
Regelungstechnik mit Computer Vision in Python und C++

Im Zuge eines Forschungs- und Entwicklungsprojekts wurde eine neue Art von Messsystem in den Druckprozess integriert. Ziel des Projektes war es, die neuen Daten zu nutzen, um die Effizienz (Verfügbarkeit, Produktionsgeschwindigkeit) der Produktionsanlage zu steigern, sowie die benötigten Ressourcen (Farbe, Energie, Papier, Arbeitszeit) zu reduzieren.
Die Algorithmus Schmiede wurde beauftragt, auf Basis der neu verfügbaren Daten den Automatisierungsgrad im Druckprozess weiter zu steigern. Hierzu sollten Programmcodes in Python und C++ geschrieben werden, die Routinen aus dem Bereich Computer Vision mit Algorithmen aus dem Bereich Regelungstechnik verknüpfen. Mit Methoden aus den Bereichen Datenanalyse, Modellbildung und Data Science sollte ein mathematisches Modell zur Simulation des Druckprozesses entwickelt werden. Ergänzend sollten physikalische Experimente und weitere Maßnahmen (z.B. Vorschlag ergänzender Sensorik, Anpassungen im Produktionsablauf) entwickelt werden, um die Modellparameter festzulegen und das statistische Toleranzmodell an den relevanten Stellen zu verfeinern.

Vorgehen:
Mit Data Science vom Prototyp zur fertigen Regelungstechnik

Zum Eröffnungsmeeting des Projektes brachte die Algorithmus Schmiede einen kurzfristig entwickelten Prototypen zur Regelung eines simulierten kybernetischen Systems mit. Mit diesem Proof of Concept konnte dem Kunden eine realistische Perspektive zur Machbarkeit des Projektes eröffnet werden. In den nächsten Schritten wurde der reale Regelungskreislauf untersucht und die Ergebnisse genutzt, um die erste Beta-Version der fertigen Regelungssoftware innerhalb einer kontrollierten Laborumgebung zu entwickeln. Hier konnten nun Benchmarks durchgeführt werden, die dem Kunden die Genauigkeit des Regelalgorithmus innerhalb des geforderten Zielfensters bescheinigten. Die so entwickelten Python und C++ Codes wurden jetzt in eine produktive Umgebung eingebunden. Zur erfolgreichen Inbetriebnahme mussten über Data Science Methoden verschiedene Maßnahmen zur Erreichung der neu geforderten Prozessgenauigkeit identifiziert und umgesetzt werden. Weiter wurde ein mathematisches Toleranzmodell entwickelt, welches statistische Schwankungen reduziert und die Produktionsqualität in einem asymmetrischen Zielkorridor hält.

Herausforderungen:

Modellierung physikalischer und stochastischer Prozesse

Eine zentrale Herausforderung im Projektablauf bildeten unbekannte physikalische und stochastische Prozesse zwischen den Schritten des Regelungskreislaufs:

• Messung von Prozessvariablen
• Einstellung von Maschinenparametern
• Bewertung des Druckergebnisses

Hierbei stellte sich das Knowhow der Algorithmus Schmiede im Bereich Physik und Data Science als besonders wertvoll heraus. Zu den einzelnen physikalischen Einflussfaktoren (Temperatur, thermische Ausdehnung, Lichtstreuung, Resonanzfrequenzen, Reibung, Fertigungstoleranzen) stellten die Physiker der Algorithmus Schmiede Abschätzungen zur Größenordnung des Einflusses auf den Produktionsprozess an. Damit konnten bereits in einer frühen Projektphase die Freiheitsgrade des zu modellierenden Systems reduziert werden. Auch spätere Data Science Analysen in Python konnten hierdurch drastisch in ihrer Komplexität reduziert werden.

Unterbrechungsfreie Messverfahren in der Produktion

Der Einfluss der hohen Kosten zum Anhalten der Produktionsanlage war besonders prägend für den Rollout in der Produktivumgebung. Nach der Reduzierung der Freiheitsgrade des mathematischen Modells wurden physikalische Experimente entworfen, um die verbliebenen Modellparameter in Python und C++ empirisch zu bestimmen. In enger Abstimmung mit dem Kunden, konnten diese Experimente so modifiziert werden, dass sie entweder unterbrechungsfrei in den Produktionsprozess eingeflochten werden oder in eine statistische Messung (mehr aber ungenauere Datenpunkte) überführt werden konnten. Durch diese unterbrechungsfreien Messverfahren konnten die Ausfallzeiten der Anlage auf ein Minimum reduziert werden.

Ergebnis:
Effizienzsteigerung und Grundlage für weitere F&E Projekte

Am Ende der Erprobungsphase konnte die Produktivität der Gesamtanlage wie erwartet gesteigert werden. Die entwickelten Python und C++ Programmcodes haben die Grundlage für weitere Forschungs- und Entwicklungsprojekte im Kerngeschäft des Kunden geschaffen, welche beträchtliche weitere Effizienzsteigerungen versprechen. Weiter konnte die Ergebnisqualität des Druckprozesses gesteigert werden, sodass der Entwicklungsbedarf von Qualitätssicherungssystemen zurückging. Darüber hinaus reduzierten sich die für die Produktion aufgewendeten Ressourcen, was sich günstig auf die ESG Nachhaltigkeitskriterien auswirkte.

Tech-Stack: Regelungstechnik

• Python
• C++
• Computer Vision mit OpenCV
• Data Science mit Sklearn

Die von der Algorithmus Schmiede eingesetzten Programmiersprachen begrenzten sich auf Python und C++. Python wurde hierbei für einmalige Data-Science Analysen, Proof of Concept Codes und Integrationstests verwendet. Die kurzen Entwicklungszyklen, die unkomplizierte Art der Parallelisierung und die reichhaltigen Bibliotheken (z. B. Sklearn) zu Data Science und Machine Learning sind die Hauptgründe für dieses Vorgehen. Performancekritische Algorithmen wurden in C++ implementiert. Für die Integrationstests wurden die entwickelten C++ Routinen direkt von Python aus aufgerufen. Die Computer Vision Bibliothek OpenCV stellte für diesen Tech-Stack die perfekte Ergänzung dar, da sie über Interfaces zu C/C++ und Python verfügt.

Regelungstechnik für Ihr Unternehmen

Erkennen Sie die gelösten Herausforderungen in Ihren Produktionsanlagen wieder? Vereinbaren Sie ein unkompliziertes Kennenlerngespräch. Wir zeigen Ihnen verschiedene Ansätze, wie Sie Ihre Entwicklungsvorhaben im Bereich Regelungstechnik effizient umsetzen können.