Entwicklungsumgebung für Industrie 4.0-Ansätze in der Galvanotechnik am Fraunhofer IPA
Digitalisierung in der Galvanotechnik – die ausschöpfbaren Potenziale stehen immer noch am Anfang. Im Rahmen des vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekts SmARtPlaS wurde am Fraunhofer IPA eine Lerngalvanik aufgebaut, welche die Potenziale besser nutzbar machen kann. Mit einem möglichst hohen Fertigungsbezug wurden Ansätze entwickelt und geprüft. Die modellbasierte Elektrolytwartung erlaubt zusätzliche Informationen zur Elektrolytführung und somit einen optimierten, effizienteren Betrieb. Für die Nutzung von Daten wurden verschiedene Datenquellen zusammengeführt und ausgewertet; dabei wurden erste Modelle des maschinellen Lernens erstellt, welche für zukünftige Entwicklungen erweiterbar sind.
1 Einleitung
Die digitale Transformation bietet auch für die Galvanotechnik viele Möglichkeiten, bringt dabei jedoch neue Herausforderungen mit sich. Um die in der Digitalisierung vorhandenen Potenziale auch im Produktionsumfeld von galvanischen Prozessen und Anlagen nutzen zu können, führt der Weg über die Entwicklung und Anwendung neuer Methoden, Modelle oder auch (Smart) Services und Geschäftsmodelle. Im Rahmen des Projekts SmARtPlaS (Smart Augmented Reality Plating Services) wurden verschiedene Ansätze und Lösungen bei Industrieunternehmen und Forschungsinstituten erarbeitet [1]. Schwerpunkte waren dabei unter anderem die vorausschauende Wartung von Prozessen und Anlagen, insbesondere durch die Nutzung von digitalen Ansätzen des Arbeitskonzepts Industrie 4.0.
Abb. 1: Konsortium des SmARtPlaS-Projekts
Bei der Umsetzung neuer Entwicklungen ist es vorteilhaft, diese zuerst in einer kontrollierten Umgebung aufzubauen, für möglichst viele Szenarien zu prüfen und die Qualität der Ergebnisse zu validieren. Eine industrielle Galvanik ist im besten Fall vollständig mit Fertigungsaufträgen ausgelastet, eine umfangreiche Nutzung für Versuche ist selten möglich. Im Rahmen des Projekts wurde daher am Fraunhofer IPA in Stuttgart eine Lerngalvanik aufgebaut, welche die Kernpunkte einer galvanischen Produktion umfasst und als Entwicklungsplattform dienen kann. Auf Basis dieser Plattform wurden verschiedene Ansätze zur optimierten Führung von galvanischen Prozessen untersucht.
2 Die Lerngalvanik
Kernpunkt der Lerngalvanik ist die Beschichtungsanlage. Im Rahmen des Projekts wurde ein bestehender Kleinautomat modernisiert, welcher über sechs Aktivpositionen im 60-l-Maßstab mit zugehörigen Spülen, Speicherplätzen und Transportwagen verfügt (Abb. 2) sowie ein Warenfenster von 300 mm x 300 mm x 150 mm aufweist. Es können bis zu drei Beschichtungselektrolyte gleichzeitig eingesetzt werden. Im Rahmen von SmARtPlaS wurde eine Sauer-Zink-Beschichtung mit Vorbehandlung und Passivierung betrachtet.
Abb. 2:Die Lerngalvanik am Fraunhofer IPA; Ansicht der Anlage mit Trommel
Bei der Modernisierung wurden die Elektrik und die Steuerungstechnik umfangreich erneuert und auf eine Siemens-SPS umgestellt, die industriellem Standard entspricht. Neben der funktionalen Standardsensorik wie Füllstands- und Temperaturmessung wurden zusätzliche Sensoren integriert. So wurden beispielsweise zwei Abscheidepositionen mit zusätzlichen Stromsensoren für Anoden- und Kathodenschienen ausgerüstet. Die Ausstattung mit erweiterter Sensorik erfolgte vor dem Hintergrund der modernen Möglichkeiten zur Datenauswertung und der Prüfung, welche Messwerte einen Mehrwert für den Anlagenbetrieb aufweisen.
Im Zuge der Modernisierung der Steuerungstechnik wurde die Anlagensteuerung mit dem MES-System ProGal des Projektpartners DiTEC ausgestattet; sie ist somit in dieser Hinsicht im Funktionsumfang vergleichbar mit Industrieanlagen. Neue Funktionen für ProGal können in der Lerngalvanik getestet werden. Darüber hinaus wurde zusätzlich zur existierenden Gestelltechnik die Möglichkeit zur Beschichtung mittels Trommel nachgerüstet. Um einen aufwändigeren Umbau zu vermeiden, wurde sie um ein akkubetriebenes Kleintrommelaggregat ergänzt, welches zur Schüttgutbeschichtung von Mengen bis zu 1,5 kg ausgelegt ist.
Die eigentliche Galvanikanlage ist aber nur ein Teil einer galvanischen Produktion, daher wurden für die Lerngalvanik noch weitere Systeme berücksichtigt und integriert (Abb. 3). Die notwendige chemische Analytik als diskontinuierlicher Prozess wird in externen Geräten im Institut durchgeführt, die entstehenden Daten fließen jedoch in die Lerngalvanik mit ein. Zur Nachstellung einer Produktion wurde das ERP-System Omnitec des Projektpartners Softec mit integriert, was eine realitätsnahe Abbildung der Erfassung von Fertigungsschritten erlaubt. Dies wurde insbesondere bei der Einbindung der Qualitätsdaten genutzt, da durch die Erstellung von Prüfaufträgen und die Direktverbindung von Messmitteln (Röntgenfluoreszenzanalyse zur Schichtdicken- und gegebenenfalls Legierungsmessung) die Daten direkt verknüpft werden können.
Abb. 3: Die Bausteine der Lerngalvanik
Die Lerngalvanik ist als Testplattform konzeptioniert. Daher ist ein integraler Bestandteil die Analyse der entstehenden Daten sowie die Entwicklung von Konzepten zur Betriebsoptimierung und der vorausschauenden Wartung. Ein Ansatz ist zum Beispiel die Simulationsrechnung von Anlagenvorgängen beziehungsweise Elektrolytzuständen. Aus diesem Grund wurde im Projekt ein Modell aufgebaut, welches auch als vereinfachtes Applet genutzt werden kann [2]. Beispiele der Entwicklungansätze werden in den folgenden Abschnitten vorgestellt.
Die Lerngalvanik ist somit eine industrienahe Umgebung mit hohem Fertigungsbezug, welche für Entwicklungen und Versuche verwendet werden kann, ohne in eine industrielle Produktion eingreifen zu müssen. In einem verkleinerten Maßstab können mit hoher Flexibilität Daten und Ergebnisse erarbeitet werden, welche zur Erstellung, Validierung und Demonstration von neuen Methoden und Modellen dienen. Diese können bei entsprechendem Reifegrad dann skaliert und in die industrielle Umgebung überführt werden. Unabhängig von der Übertragung in Unternehmen kann die Lerngalvanik für die Entwicklungen als Demonstrator dienen und zur Schulung im Umgang mit den neuen Lösungen verwendet werden.
4 Ansätze im Kontext von Industrie 4.0 und cyberphysischen Produktionssystemen
Daten spielen in Verbindung mit Industrie 4.0 und cyberphysischen Produktionssystemen (CPPS) eine entscheidende Rolle, weshalb die Datenerfassung eine essenzielle Grundlage darstellt. Eine Herausforderung ist hierbei die Zusammenführung der Daten aus unterschiedlichen Quellen, die im Fall der Galvanotechnik auch stark unterschiedliche Aufzeichnungsintervalle aufweisen (Elektrolytanalytik teilweise im Wochen- oder Monatsintervall, Sensordaten im Sekundenbereich).
Bei den in der Lerngalvanik betrachteten Ansätzen für ein CPPS lassen sich modellbasierte Ansätze (Smart Data) und datenbasierte Ansätze (Big Data) unterscheiden. Kurz zusammengefasst wird bei modellbasierten Ansätzen das System mittels Modellen (und zugehörigen physikalischen/chemischen Berechnungen) beschrieben und in der Regel in einer Simulationsumgebung nachgebildet. Im Gegensatz dazu werden bei datenbasierten Ansätzen aus einer größeren Menge an Datensätzen über Data Mining Erkenntnisse abgeleitet. Unter die datenbasierten Ansätze fallen auch die Methoden des maschinellen Lernens [3].
Zu den Ansätzen von Industrie 4.0 zählt auch Augmented-Reality (AR), was beispielsweise zur Anzeige von Informationen, Mitarbeiterunterstützung oder auch zur Ausführung von Steuerungsaktionen dienen kann. In SmARtPlaS wurde durch Softec eine AR-App entwickelt, für die ein Prototyp in der Lerngalvanik erprobt wurde [4]. Im Kontext der Lerngalvanik als Testplattform und Demonstrator wurde die entwickelte App integriert, das heißt durch Verbindung mit der ProGal-Steuerung können Echtzeitdaten der Anlage dargestellt werden (Abb. 4).
Abb. 4: AR-App in der Lerngalvanik
5 Nutzung von Daten zur Betriebsoptimierung
Die Elektrolytführung ist eine große Herausforderung für Beschichtungsunternehmen. Eine regelmäßige Analyse von Elektrolytbestandteilen bedarf eines hohen personellen Aufwands und einer entsprechenden Laborausstattung. Hinzu kommt, dass die für die Abscheidung wichtigen organischen Zusätze, welche den Glanz oder die Härte von Schichten beeinflussen, in den meisten Fällen nur extern analysiert werden können. Die Beschichter senden in größeren zeitlichen Abständen, beispielsweise monatlich, ihre entsprechenden Elektrolytproben an das externe Labor und erhalten dann leicht versetzt Analysedaten, auf deren Basis Anpassungen und Nachdosierungen vorgenommen werden.
Bereits im Projekt Galvanik 4.0 entwickelte das Fraunhofer IPA zusammen mit dem IWF der TU Braunschweig einen digitalen Elektrolyt-Zwilling [5] auf Basis von Stoffbilanzierungsmodellen [6]. Der innovative Ansatz des digitalen Elektrolyt-Zwillings beruht auf einer Abbildung der Stoffbilanzierungsmodelle in einem Simulationsmodell der Galvanikanlage mit allen Verfahrensschritten und einer deutlichen Vereinfachung der Bilanzierung, da aufgrund von Anwenderfreundlichkeit auf komplexe chemische Reaktionsmodelle verzichtet wird [7]. Im Simulationsmodell können reale Aufträge durchlaufen werden, so dass mit Hilfe der Stoffbilanzierungsmodelle die Elektrolytkonzentrationen simuliert werden können.
Bei der Trommelbeschichtung hat die Verschleppung einen besonders hohen Anteil an der Konzentrationsänderung pro Beschichtungscharge. Daher wurden ebenfalls im Projekt Galvanik 4.0 gemeinsam mit dem IWF und der B+T Verschleppungskategorien entwickelt, mit denen beliebige Teile einer Verschleppungsmenge pro Teil zugeordnet werden können. Damit lässt sich der gesamte Teilemix in wenige Kategorien unterteilen. Eine aufwendige experimentelle Bestimmung jedes Bauteils entfällt.
Der digitale Elektrolyt-Zwilling zur Stoffbilanzierung wurde im Projekt SmARtPlaS erweitert und beinhaltet nun insgesamt zehn Bilanzgrößen, um die Änderung an einem Elektrolyten möglichst vollständig abbilden zu können. Abbildung 5 zeigt die zehn Eingangs- und Ausgangsgrößen des hinter dem Elektrolyt-Zwilling stehenden Stoffbilanzierungsmodells. Zu den betrachteten Eingangsgrößen, welche die Konzentration der betrachteten Stoffe erhöhen, gehören beispielsweise die Nachdosierung, die Anodenauflösung und die Einschleppung. Zu den Ausgangsgrößen, die eine Minderung einer Stoffkonzentration zur Folge haben, gehören zum Beispiel die Verschleppung, die Schichtabscheidung, der elektrochemische Abbau von organischen Zusätzen oder die Verdunstung.
Abb. 5: Eingangs- und Ausgangsgrößen des Stoffbilanzierungsmodells
Entscheidend für ein exaktes Simulationsmodell ist dabei die Generierung von Daten, mit denen die Stoffbilanzierung parametriert werden kann. Mit Hilfe der chemischen Analytik wird experimentell der spezifische Verbrauch der einzelnen Elektrolytbestandteile, bezogen auf eine Amperestunde oder eine Trommel, bestimmt und dann in das Simulationsmodell aufgenommen. Diese Daten lassen sich in der Lerngalvanik leichter generieren und die Berechnung validieren, als im industriellen Umfeld. Dies vereinfacht die Vorarbeiten und kürzt eine Übertragung in die Produktion deutlich ab.
Im Rahmen von SmARtPlaS werden derzeit Versuche durchgeführt, um ein digitales Abbild eines Sauer-Zink-Verfahrens aufzubauen. Ziel ist es, für die organischen Zusätze eine ebenso hohe Genauigkeit der Vorhersage zu erreichen, wie es in Galvanik 4.0 für das Verschleppungsvolumen gelungen ist. Dort wurde im Rahmen einer Messwoche eine Verschleppung von 201 l berechnet. Über eine chemische Analyse der Zinkkonzentration in der ersten Spüle wurde eine Verschleppung von 198 l ermittelt, was einer Abweichung von weniger als zwei Prozent entspricht [7].
Durch einen solchen Smart Data-Ansatz lässt sich die Transparenz bei der Elektrolytführung deutlich erhöhen. Mit Hilfe der simulierten Stoffkonzentrationen wird zukünftig die Lücke zwischen den Messpunkten der chemischen Analytik geschlossen. Damit lassen sich Elektrolyte in engeren Toleranzen betreiben, was die Qualität verbessert und Ressourcen schont.
Neben dem modellbasierten Ansatz zur Elektrolytwartung wurden im Rahmen von SmARtPlaS die entstandenen Daten weiter genutzt und unter dem Aspekt des maschinellen Lernens spezielle Versuchspläne durchlaufen. Ziel war hierbei, die Grundlagen für die Auswertung der entstehenden Daten über Methoden des maschinellen Lernens zu schaffen und erste Modelle zu trainieren. Dies wurde auf Basis der Programmiersprache Python in JupyterLab/JupyterNotebook realisiert.
Der erste Schritt bestand dabei in der Zusammenführung der Daten aus den unterschiedlichen Quellen; hierfür wurden aus Datenbanken des MES-Systems die Sensordaten und Sollvorgaben der Chargen mit den Messwerten aus der Qualitätssicherung (QS) und den chemischen Analysen verknüpft.
Der Umgang mit Daten unterschiedlicher Auflösungen bedingt dabei einige Herausforderungen in der Vervollständigung der Datensätze. Für die Bestimmung der Elektrolytparameter wurde daher für die normale galvanische Prozessführung atypisch häufig die Zusammensetzung analysiert, um eine möglichst homogene Datenbasis zu erhalten. Nach der Datenaufbereitung stehen sowohl Sollparameter, Sensordaten als auch Messwerte für die Auswertung zur Verfügung.
In einem ersten Modell wurde auf Basis von physikalischen und chemischen Eingangsparametern ein einfaches Modell zur Prognose der Schichteigenschaften (Schichtdicke, Erscheinungsbild) erstellt. Das einfache Modell wurde hier bewusst gewählt, um die Vorgehensweise bezüglich der Datenaufbereitung in der Lerngalvanik zu prüfen und um die Ergebnisse und die Modellqualität gut einschätzen zu können.
Wie beschrieben, ist die Vervollständigung der Datensätze mit Sensor oder Analysendaten sehr aufwändig. Entweder müssen kostspielige Analysen in deutlich kürzeren Abständen durchgeführt werden (wie hier im Rahmen des Projekts), oder Analysen können gar nicht oder nur extern erfolgen. Hier bietet sich die große Chance der Smart Data-Ansätze in Kombination mit der Auswertung von großen Datensätzen an. Mit dem digitalen Elektrolyt-Zwilling sollen zukünftig Lücken in den Datensätzen mit digital generierten Werten geschlossen und damit vervollständigt werden, um so die bestmöglichen Ergebnisse im Machine Learning zu erzielen.
6 Zusammenfassung und Ausblick
Am Fraunhofer IPA wurde eine Lerngalvanik als Entwicklungs- und Demonstrationsplattform für neue Lösungen im Kontext von Industrie 4.0 aufgebaut. Schwerpunkt war dabei die möglichst industrienahe Abbildung einer galvanischen Produktion in einem kontrollierbaren und flexibel anpassbaren Umfeld, um für die industrielle Anwendung skalierbare Lösungen entwickeln zu können. Die Anlagentechnik ist daher mit vergleichbarer Technik und Steuerung einer Industrieanlage ausgestattet; weitere Schritte im Fertigungsablauf wie Fertigungsaufträge, Prüfpläne und ähnliches können mitberücksichtigt werden.
Im Rahmen des Projekts wurden erste Ansätze untersucht und Entwicklungen integriert. Die vom Projektpartner Softec entwickelte AR-App wurde implementiert und mit der ProGal-Steuerung gekoppelt, was eine Demonstration der Funktionen in einem echten Galvanikumfeld ermöglicht.
Im Zuge der modellbasierten Ansätze wurden für die Elektrolytführung die Entwicklungen des Vorgängerprojekts weitergeführt und die Elektrolytführung über Stoffbilanzierung verbessert. Die Integration der Stoffbilanzierung in das MES-System ProGal wurde durch den Projektpartner DiTEC in einer ersten Version umgesetzt und in Zusammenarbeit intensiv im Rahmen der Lerngalvanik getestet.
Für die datenbasierten Ansätze wurden die gesammelten Daten zusammengeführt, so dass aus unterschiedlichen Quellen die Chargen-, Anlagen- und Fertigungsdaten auswertbar sind. Aus den Daten der durchgeführten Beschichtungen wurde ein einfaches Machine Learning-Modell (ML-Modell) aufgesetzt, das im ersten Schritt die physikalischen und chemischen Parameter mit den Schichteigenschaften verknüpft. Die Vorgehensweise zur Zusammenführung der Daten und das Modell des maschinellen Lernens kann dabei für alternative Zielsetzungen einfach angepasst oder erweitert werden. Einige Auswertungen in der restlichen Projektlaufzeit stehen noch aus, beispielsweise die Daten der eingebauten Stromsensorik hinsichtlich deren Nutzbarkeit als Indikator für mögliche Probleme beziehungsweise Wartungsbedarf.
Mit der Lerngalvanik steht somit auch über den Projektzeitraum hinaus eine Entwicklungsumgebung zur Verfügung, welche auch für zukünftige Anwendungen und Versuche weiter genutzt und angepasst werden kann. Neue Entwicklungen können integriert und getestet werden; ein Einsatz als Demonstrator beziehungsweise zu Schulungszwecken ist ebenfalls möglich.
Die aufgesetzte Datenzusammenführung erlaubt die Nutzung für weitere Auswertungen und ML-Modelle, sowohl in Bezug auf schicht- und verfahrenstechnische Fragestellungen als auch in Bezug auf anlagen- beziehungsweise sensortechnische Auswertungen. So ist beispielsweise eine Anomalieerkennung als weiterer Einsatzzweck für Datenauswertungen zu nennen. Für eine Erhöhung der Eingangsdatenqualität betreffend der Werte mit hohen Aufzeichnungsintervallen (insbesondere die Elektrolytzusammensetzung) ist zudem eine Verknüpfung mit dem modellbasierten Ansatz denkbar, welcher außerhalb der realen Analysenwerte eine höhere Genauigkeit zu Zwischenzuständen liefern kann. Mit den geschaffenen Grundlagen und den vorhandenen ersten Modellen besteht jedenfalls das Potenzial, Entwicklungsansätze weiter zu prüfen und erfolgversprechende Methoden zu identifizieren, welche dann in die Industrie übertragen werden können.
Hinweis und Danksagung
Die Förderung des Projekts SmARtPlaS erfolgt seit 2019 durch das Bundesministerium für Bildung und Forschung (BMBF) aufgrund eines Beschlusses des Deutschen Bundestages mit dem Förderkennzeichen 02K18D111.
Literatur
[1] Udo Sievers: Intelligente, Augmented Reality-gestützte Produktionsprozesse in der Galvanotechnik - Von Galvanik 4.1 zum intelligenten, dienstbasierten Galvanikbetrieb; WOMag (2022) Nr. 5; https://www.wotech-technical-media.de/womag/ausgabe/2022/05/20_smartplas_05j2022/20_smartplas_05j2022.php; zuletzt aufgerufen am 20.01.2023
[2] Marija Rosic, Sophia Kohn, Tim Abraham, Christoph Hermann: Modell- und datenbasierte Methoden und Werkzeuge für intelligente Dienste in der Galvanotechnik; WOMag (2022) Nr. 9; https://www.wotech-technical-media.de/womag/ausgabe/2022/09/30_rosic_it__09j2022/30_rosic_it__09j2022.php; zuletzt aufgerufen am 20.01.2023
[3] S. Kölle, A. Leiden, P. Schwanzer et al.: Industrie 4.0 in der Galvanotechnik; in: T. Sörgel (Hrsg.): Jahrbuch Oberflächentechnik 2019; Band 75, S. 224–233; Leuze Verlag, Bad Saulgau, 2019
[4] Alexander Windhab: Anlageninformationen vor Ort sichtbar machen mit Augmented Reality; WOMag (2022) Nr. 10; https://www.wotech-technical-media.de/womag/ausgabe/2022/10/24_windhab_smartplas_10j2022/24_windhab_smartplas_10j2022.php; zuletzt aufgerufen am 20.01.2023
[5] Stefan Kölle, Christian Mock, Klaus Schmid, Claudia Beatriz dos Santos; (2019): Von der Industrie 4.0 zu Galvanik 4.1 - Elektrolytführung neu gedacht; WOMag (2019) Nr. 4; https://www.wotech-technical-media.de/womag/ausgabe/2019/04/32_gt4_koelle_04j2019/32_gt4_koelle_04j2019.php; zuletzt aufgerufen am 20.01.2023
[6] E. Giebler: Modellbildung und Simulation für die Prozessführung von Verfahrensprozessen der Galvano- und nasschemischen Oberflächentechnik; Zugl.: Dresden, Techn. Univ., Diss., 2002; Düsseldorf: VDI-Verl. 2002
[7] A. Leiden, S. Kölle, S. Thiede et al.: Model-based analysis, control and dosing of electroplating electrolytes; The International Journal of Advanced Manufacturing Technology (2020)
