Develop³ Systems Engineering 02.2016

BIG DATA
ANWENDUNGEN
Alle acht Sekunden erfasst ein typisches
Stiwa-System mehr als 9 Mbyte
von unbearbeiteten Produktionsdaten
in 150.000 Datensätzen
150.000 Datensätzen, die Geräuschentwicklung, Drehmoment und
weitere Maschinenmesswerte erfassen. Diese Daten müssen gefiltert
und verarbeitet werden, um angemessene Toleranzen zu ermitteln,
zeitoptimierte Trajektorien für Roboter oder flexible Übertragungssysteme
zu berechnen oder den Prozess zu verändern – zum
Beispiel durch Anpassung der Riemenspannung.
In der Vergangenheit haben Ingenieure Datenauswerte-Algorithmen
in Programmiersprachen wie IEC 61131-3/Strukturierter Text geschrieben.
Dieser Ansatz war schwerfällig und wurde undurchführbar,
als die Algorithmen immer komplexer wurden. Mit dem Algorithmus
für die Trajektorien-Planung wird beispielsweise eine Bahn
durch vier Positionen unter Einhaltung der Gelenkbeschränkungen
berechnet. Für jede Änderung am Algorithmus wurde ein Tag für die
SPS-Code-Implementierung und ein weiterer Tag für die Fehlerbeseitigung
benötigt.
Stiwa musste deshalb die Entwicklung und Ausführung komplexer
Algorithmen zur Gewinnung von hilfreichen Informationen aus umfangreichen
Datensätzen beschleunigen. Das Unternehmen benötigte
eine Entwicklungsumgebung mit integrierten Datenanalysefunktionen,
sodass sich die Ingenieure auf die Problemlösung und
nicht auf hardwarenahe Implementierungsdetails konzentrieren
konnten. Sie wollten Werkzeuge verwenden, mit denen die meisten
Ingenieure vertraut waren. Die Werkzeuge mussten die Integration
von Algorithmen in das vorhandene .net-Produktivsystem des Unternehmens
erleichtern. Stiwa wollte die Ausführung von Algorithmen
durch den Zugriff auf die vorhandene Mehrkernprozessor-Infrastruktur
beschleunigen.
Kontakt
The MathWorks GmbH
Ismaning
Tel. +49 89 45235-6700
de.mathworks.com
Weitere Informationen über Stiwa:
www.stiwa.com
INFO
Die Lösung
Das Unternehmen hat sich für Matlab entschieden, um einen Workflow
für Datenanalyse und die Optimierung der Gesamtproduktionsmenge
zu implementieren. Bei diesem Workflow importieren Ingenieure
heute Maschinen- und Produktdaten in Matlab, und anschließend
filtern, resamplen und visualisieren sie die Daten, um Probleme
und weitere Optimierungsmöglichkeiten zu ermitteln. Die Ingenieure
entwickeln Algorithmen in Matlab, um die Datenanalyse zu
automatisieren und zeitoptimale Trajektorien für Robotik-Komponenten
zu planen.
Die Algorithmen nutzen Funktionen der Optimization Toolbox zur Berechnung
dieser optimalen Trajektorien basierend auf festgelegten
Einschränkungen, einschließlich Geschwindigkeit und Platzbegrenzung.
Das Team verwendet die Parallel Computing Toolbox, um Trajektorien-Berechnungen
durch Ausführung der Optimierung auf den
Computerarbeitsplätzen mit bis zu sechs Prozessorkernen zu beschleunigen.
Sie verwenden die implizite Parallelisierung der Optimierungsfunktion
und vektorisieren anschließend den Algorithmus,
um die Leistung der impliziten Parallelisierung noch weiter zu verbessern.
„Mit Matlab und Compiler SDK
zur Integration in ein .net-
Produktionssystem können wir
den Algorithmus auf mehreren
Maschinen bereitstellen.“
Vor der Parallelisierung des Codes optimieren die Ingenieure ihre Algorithmen
mithilfe des Matlab Profiler, um die Funktionen zu ermitteln,
die die meiste Zeit in Anspruch nehmen. Nach den Unit-Tests
verwendet das Team den Compiler und das Compiler SDK, um ihre
fertigen Algorithmen als .net-Komponenten zu verpacken. Die .net-
Komponenten werden einer letzten Prüfungsrunde unterzogen, bevor
sie in ein Produktivsystem integriert werden. Die Integration dieser
Komponenten in den Anlagenleitstand basierend auf AMS
ZPoint-CI und AMS Analysis-CI ermöglicht geschlossene Regelkreise
in der Produktion. Die .net-Komponenten und die Matlab-Algorithmen
werden etwa alle 10 Sekunden aufgerufen, um die erfassten
Daten zu analysieren und die Maschinenparameter einzustellen.
Die Ergebnisse
Die Gesamtzykluszeit konnte um 30 % verkürzt werden. „Durch die
zeitoptimierte Trajektorienplanung, die wir durchgeführt haben,
konnten wir die Taktzeit für unsere Bearbeitungsverfahren um 30 %
verkürzen, was zu einer deutlichen Erhöhung der Produktionsmenge
geführt hat“, sagt Meisinger. Umfangreiche Datensätze werden
in Sekundenschnelle analysiert. „Um effektiv arbeiten zu können,
müssen unsere Algorithmen eine riesige Menge von Daten in Fast-
Echtzeit analysieren“, sagt Martin Werner, Entwicklungsingenieur
Software-Tools bei Stiwa. „Wir haben diese hohe Leistungsfähigkeit
durch die Optimierung unserer Matlab-Algorithmen mit dem Matlab
Profiler und durch Ausführung von Trajektorienoptimierungen auf
mehreren Rechenkernen mit der Parallel Computing Toolbox erreicht.“
Auch die Bereitstellung der Algorithmen an mehreren Maschinen
wurde optimiert. „Unter Verwendung von Matlab Compiler
SDK zur Integration unserer Algorithmen in ein .net-Produktionssystem
können wir den Algorithmus leicht auf mehreren Maschinen
bereitstellen“, sagt Robert Schoßleitner, Leiter des Geschäftsbereichs
Manufacturing Software.
ge
develop 3 systems engineering 02 2016 47