Develop³ Systems Engineering 01.2014

Trends Sensorik
Bild 3: Beispiel für eine
CPPS-Kraftmessplattform
(Cyber-Physical Production
System, Embedded Kraftmessplattform)
für die
5-Achs-Bearbeitung mit
integrierten Lage- und Beschleunigungssensoren
Mit Sensoren die digitale Produktion gestalten
Die Möglichkeiten der Vernetzung und vielfachen Verwendung
von Prozessdaten werden heute unter dem Begriff Cyänderte
Datenverarbeitung auf dem System. Für die Prozessüberwachung
oder Prozessregelung werden vom System
dann nur noch die notwendigen Kennwerte übertragen.
Durch die Rekonfigurierbarkeit kann die Verrechnungsmethode
jederzeit optimal an die jeweiligen Anforderungen angepasst
werden (Bild 3).
Integrierte Signalverarbeitung
mit Zellularen Neuronalen Netzwerken
Ein interessantes Beispiel für die sensorintegrierte Signalverarbeitung
mit neuartigen Kamerasystemen ist die Schmelzbadüberwachung
beim Laserschweißen. Ermöglicht wird das
durch Zellulare Neuronale Netzwerke (CNN). Die Besonderheit
dieser Systeme besteht darin, dass jedes einzelne Pixel des optischen
Sensors mit einer eigenen Einheit zur Datenverar -
beitung und Speicherung verbunden ist. Zusammen bilden
diese Komponenten jeweils eine Zelle. Dieser Aufbau ermöglicht
die parallele Verarbeitung der Daten sämtlicher Bildpunkte.
Die einzelnen Zellen des Sensorsystems sind zudem mit
den jeweils unmittelbar benachbarten Zellen verbunden.
Hierdurch entsteht ein Netzwerk einzeln verarbeitender Elemente.
Die interzellularen Verbindungen führen dazu, dass die Zellen
nicht nur die Daten eines einzelnen Pixels verarbeiten, sondern
gleichzeitig miteinander interagieren können. Dieser Aufbau
ist an das Vorbild natürlicher neuronaler Netzwerke angelehnt,
wobei die einzelnen Zellen des CNN biologischen Nervenzellen
nachempfunden sind [2]. Unter Vorgabe geeigneter
Algorithmen ermöglicht die CNN-Architektur die besonders
schnelle Verarbeitung von Bilddaten. Der zellulare Aufbau des
Systems führt jedoch dazu, dass die verarbeiteten Daten abermals
in Bildform ausgegeben werden. In entsprechenden Kamerasystemen
wird deshalb der CNN-basierte Prozessor in
Fokalebene durch ein nachgeschaltetes FPGA (Field Programmable
Gate Array) ergänzt. Dieses steuert den Fokalprozessor
und interpretiert die ausgegebenen Daten. Da die Daten bereits
in vorverarbeiteter Form vorliegen, ist durch den FPGA-
Prozessor eine wesentlich geringerer Rechenleistung aufzubringen,
als dies bei einer direkten Auswertung der Bilddaten
der Fall wäre. Insgesamt befähigt dieser Aufbau somit das
System zu einer internen Datenverarbeitung bei sehr hohen
Verarbeitungsgeschwindigkeiten, wobei Bildraten von mehr
als 10.000 fps erreicht werden können [3] und das Ergebnis der
Auswertung direkt als Regelungs- oder Steuersignal ausgegeben
werden kann. Die aufgenommenen Bilddaten müssen also
zur weiteren Auswertung nicht an einen Messrechner übertragen
werden – was allerdings nachteilig ist, wenn die Speicherung
der Bilddaten etwa zu Dokumentationszwecken ausdrücklich
gefordert wird.
Aufgrund der dargestellten Vorteile besitzen CNN-Kamerasysteme
eine hohe Eignung zur Verwendung in den Bereichen der
Echtzeit-Überwachung und der Echtzeit-Regelung. Abt et al.
realisierten beispielsweise eine Echtzeit-Regelung eines Laserstrahltiefschweißverfahrens
für überlappende Bleche [4]. Der
Prozess wird in diesem Fall koaxial durch die Laserschweißoptik
mit Hilfe eines CNN-basierten Kamerasystems überwacht.
Durch Überwachung und Analyse der für den Tiefschweißprozess
typischen Dampfkapillare und des umgebenden
Schmelzbads ermöglicht das Kamerasystem, den aktuellen
Prozesszustand zu ermitteln.
Multisensorsystem als Lab-on-a-Chip
Die Überwachung von Prozessen und Maschinen in der Produktionstechnik
basiert heute auf der Erfassung physikalischer
Kenngrößen – die Überwachung oder sogar Regelung
von Hilfsstoffen erfolgt kaum. Durch eine ständige und intensive
Kontrolle kann allerdings die Verlängerung der Lebensdauer
und das Einhalten der geforderten Eigenschaften von
Kühlschmierstoffen, Elektrolyten und Dielektrika realisiert
werden – was insbesondere die Entwicklung von chemischen
Sensoren erfordert, die in flüssigen oder gasförmigen Phasen
im laufenden Fertigungsprozess chemische Kennwerte ermitteln
können. Ähnlich wie Biosensoren weisen chemische Sensoren
eine Rezeptivität für die zu analysierenden Stoffe auf. Die
Bindung zwischen Analyt und sensitiver Schicht muss reversibel
sein, um eine fortwährende Analyse zu gewährleisten.
Die Struktur eines chemischen Sensors ist dabei nicht nur
exakt auf einen Analyten ausgerichtet, sondern ermöglicht die
Bindung von verschiedenen Analyten. Über einen Messwandler
kann die chemische Messgröße elektrisch erfasst werden.
Um beispielsweise in Kühlschmierstoffanlagen schnell und
gezielt vor Ort – und im Prozess! – notwendige Anpassungen
vornehmen zu können, lassen sich zur Charakterisierung des
Zustandes der Kühlschmierstoffe mehrere Einzelsensoren zu
einem Sensor-Array zusammenfügen, einem Lab-on-a-Chip
(Bild 4). Die Sensitivität für mehrere Analyte erfordert dabei eine
intelligente Auswertung der Sensorsignale. Hierbei ist es
wiederum mit Hilfe von künstlichen neuronalen Netzwerken
möglich, einen kausalen Zusammenhang zwischen den Sensordaten
und spezifischen chemischen Kenngrößen herzustellen.
Kühlschmierstoffe lassen sich auf diese Weise länger
nutzen und durch die kontinuierliche Analyse kann das Entstehen
toxischer Substanzen frühzeitig durch Zugabe von exakt
dosierten Additiven wirkungsvoll verhindert werden.
38 develop 3 systems engineering 01–2014