Das Projekt „Modellbasierte Systemintegration von Cyber-Physical-Systems in der Automatisierungstechnik“ besteht aus zwei unabhängigen Arbeitspaketen:

• Systemkonfiguration PLCopen
• Part Average Learning (PAL)

In beiden Arbeitspaketen wurde jeweils ein Prototyp entwickelt um, die praktische Durchführbarkeit der Vorgangsweise nachzuweisen.

Systemkonfiguration PLCopen

Im Teil "Systemkonfiguration" wurden Möglichkeiten zur benutzergesteuerten und teilautomatisierten Konfiguration von Elementen und Verbindungslogik unter Beachtung der Norm für speicherprogrammierbare Steuerungen (SPS), IEC 61131, untersucht. Um die Ergebnisse der Analyse zu validieren, wurde ein Prototyp für einen PLCopen XML Export als Proof-of-Concept umgesetzt. Die Integrationsvoraussetzungen für die Implementierung des Prototyps in die vom Projektpartner eingesetzte Engineering Software wurden untersucht und definiert.

Die Funktionalität des Prototyps wurde anhand eines realen Automatisierungsbeispiels, einer Bioabfallbehandlungsanlage, überprüft: Mit einem Softwaremodellierungswerkzeug wurde die Anlage in Form von Zustandsautomaten modelliert. Dieses Modell wurde in PLCopen umgesetzt und kann dadurch für alle Anwendungen, die AutomationML/PLCopen konform sind, eingesetzt werden. Abschließend wurden die Einsatzmöglichkeiten des PLCopen Exports für gängige SPS Systeme (CoDeSys, Beckhoff TwinCAT, Siemens TIA Portal) überprüft.

Part Average Learning

Im Teil Part Average Learning wurde ein Prototyp einer lernfähigen Part Average Analysis (PAA) entwickelt. Das Ziel einer PAA ist Anomalien in Funktionen oder einzelnen Parametern zu beobachten, um während des Produktionsprozesses zuverlässig einen verborgenen Mangel/schlafende Fehler zu erkennen. Als Lernalgorithmus wurden neuronale Netze gewählt, da diese das Training von Echtzeitdaten erlauben und somit der Lerneffekt während des laufenden Betriebs ermöglicht wird. Der PAL Prototyp wurde in MatLab realisiert. Der Algorithmus wurde mit generierten Daten einer Produktionsumgebung trainiert und anschließend gegen Echtzeitdaten validiert, um auffallende Daten zu identifizieren. Bei den verwendeten Testdaten wies das neuronale Netz eine Genauigkeit von mindestens 99% bei der Fehlererkennung auf.