Verfahren zur Prozessregelung und Predictive Maintenance

Mit zunehmendem Anforderungsaufkommen betritt beispielsweise der Siebdruckprozess zur Metallisierung von Si-Solarzellen einen neuen Bereich an Optimierungsnotwendigkeit. Komplexe Parameterinteraktionen müssen verstanden und berücksichtigt werden, um gezielte Feinjustierungen vornehmen zu können. Da der Parameterraum über eine Vielzahl an einzelnen Variablen verfügt, welche in den meisten Fällen miteinander in Verbindung stehen, ist eine Optimierung der Parameter mit einer hinreichenden Wirkung nicht trivial. Um die stetige Entwicklung der Prozesskomponenten in den Ansatz einzubinden, arbeitet das Fraunhofer ISE an einer automatisierten Lösung im digitalen Raum, welche etwaige Veränderungen und deren Einflüsse im Parameterraum bestimmen und berichtigen kann. In diesem Kontext kann z. B. Künstliche Intelligenz als effektives Werkzeug dienen, um Muster zu erkennen und abgestimmte Anpassungen im Parameterraum vorzunehmen.

Da Druckwerkzeuge, wie Druckform, Metallgewebe oder Metallisierungspasten, während des Druckprozesses Veränderungen wie Verzug oder Austrocknen unterliegen, besteht die Notwendigkeit, die Prozessparameter dynamisch in Abhängigkeit der spezifischen Zyklusanzahlen anzupassen. Ein Inline-Feedback-Loop, welcher Informationen aus dem AOI-Modul der Drucklinie erfasst, soll durch ein integriertes KI-Modell Vorschläge zur Live-Anpassung der Parameter liefern. Dies ermöglicht eine unmittelbare Anpassung der Parameter entsprechend dem Zustand der Komponenten. Durch den Einsatz von maschinellem Lernen werden zusätzlich Fehler frühzeitig erkannt und die Prozessparameter dynamisch angepasst, um eine gleichbleibend hohe Qualität zu gewährleisten. 

Datenübertragung und Datenbanken: Eine anlagenspezifische Datenauswertung erfordert Sensor- und Aktordaten in einer gut strukturierten Datenbank. In der Regel werden die Daten als Zeitreihen abgelegt. Neben den Daten der anlageneigenen Sensoren und Aktoren können auch weitere Datenquellen von Bedeutung sein, welche entweder die Umgebungsbedingungen erfassen oder welche erst nachträglich eingebaut werden.

In unserer Industrie 4.0-Modellanlage zur nasschemischen Prozessierung lesen wir Daten aus der Anlagensteuerung sowie weiteren Sensoren und IoT-Devices aus. Der Datentransfer erfolgt über MQTT, was eine flexible und sichere Verteilung der Daten an verschiedene Datenbanken ermöglicht. In unserer LabFlux-Zeitreihendatenbank werden die Daten gespeichert, aggregiert und stehen für weitere Auswertungen zur Verfügung.

Datenauswertung und Predictive Maintenance: Neben der Überwachung der Qualität der hergestellten Produkte ist auch die Überwachung der Prozesse und Prozessanlagen von großer Bedeutung. Über einen längeren Zeitraum unerkannte Defekte können zu schleichendem Qualitätsverlusten, aber auch zu gravierenden technischen Störungen führen, verbunden mit Gefahren für Leib und Leben. Eine reine Grenzwertüberwachung reicht für eine zuverlässige Identifikation von Anlagenfehlern nicht aus. Daher wurde am Fraunhofer ISE ein Konzept für die Fehleridentifikation und die Ursachenfindung erstellt.

Die Fehleridentifikation erfolgt durch ein physikalisches Modell oder ein KI-Modell, welches aus den Aktoreinstellungen eines vergangenen Zeitfensters die aktuellen Sensorwerte berechnet und mit den realen Werten abgleicht. Probabilistische Modelle ermöglichen zusätzlich die Berechnung eines Konfidenzintervalls und erlauben somit eine Aussage, ob eine Abweichung statistischer Natur ist oder auf einen Anlagendefekt zurückzuführen ist.  Identifizierte Fehler werden in einem Multilevel Flow Modell verarbeitet, um aus den gefundenen Fehlern auf potenziell defekte Bauteile rückzuschließen.