Digitalisierung entlang der gesamten prozesskette
Beispiel Kaltwalzwerk
In den letzten Jahren manifestierte sich eine signifikant zunehmende Relevanz der Digitalisierung im industriellen Sektor, wie auch in der AMAG. Die Ursachen hierfür sind in der gestiegenen Nachfrage nach verbesserter Produktqualität, mehr Nachhaltigkeit, optimierten Prozessen und reduziertem Energieverbrauch zu verorten. Unternehmen, welche diese Entwicklung frühzeitig aufgreifen und konsequent implementieren, sind in der Lage, ihre Produktionsprozesse effizienter, nachhaltiger und somit wettbewerbsfähiger zu gestalten.
Ein Coil bezeichnet ein aufgewickeltes Metall-Band. Coils werden also erzeugt, indem Metall-Bänder nach dem Walzen aufgewickelt werden, damit sie sich leichter transportieren, lagern und weiterverarbeiten lassen. In der Metallverarbeitung werden Bleche als flache, längliche Metallstreifen bezeichnet. Ein Blech stellt dabei das abgewickelte, zugeschnittene oder bereits weiterverarbeitete Stück eines Coils dar.
Bei der "Digitalisierung entlang der gesamten Prozesskette" handelt es sich um ein vielschichtiges Konzept der AMAG, das viele verschiedene Aspekte umfasst: Dazu zählen unter anderem etwa die digitale Steuerung der Produktionskette, bei der Maschinen und Produktionsprozesse in Echtzeit durch Sensorik überwacht werden, automatische Qualitätskontrollen durch KI oder Predictive Maintenance zur Reduktion von Maschinenausfällen durch vorausschauende Wartung. In diesem Kontext ist ein weiterer Aspekt von erheblicher Bedeutung: die digitale Produktverfolgung. Diese bezeichnet die Rückverfolgbarkeit des Produkts über die gesamte Produktionskette. Damit verbunden ist auch die Aufzeichnung aller Prozessdaten, die während der Bearbeitung des Produkts an den jeweiligen Anlagen aufgezeichnet wurden. Darüber hinaus werden als weitere wesentliche Aspekte der Digitalisierung die datengetriebene Entscheidungsfindung, beispielsweise in Form von Echtzeit-Dashboards zur Prozesssteuerung, sowie die Optimierung von Produktionsprozessen durch statistische Hypothesentests, maschinelles Lernen und KI betrachtet.In diesem Zusammenhang liegt ein Schwerpunkt auf der digitalen Erfassung aller Prozessdaten entlang der Produktions-Kette von der Schrottaufbereitung über das Schmelzen und Gießen der Barren bis hin zum Endprodukt, z. B. gewalzte Platten oder fertige Coils. Ein detaillierter Blick wird dabei insbesondere auf das Kaltwalzen geworfen. Beispiele aus der Praxis verdeutlichen, wie die digitale Datenerfassung Mehrwert schafft und zur Optimierung von Produktionsprozessen genutzt werden kann, welche Herausforderungen dabei zu meistern sind und welche Vorteile sich für das Unternehmen und den Kunden ergeben.
Digitale Erfassung aller Prozessdaten entlang der gesamten Produktionskette der AMAG
In Abbildung 1 wird der Produktionsprozess am Beispiel der Fertigung von Automobilblechen schematisch dargestellt. Der Produktionsprozess startet mit dem Einsatzmaterial und der Schrott-Bemusterung, bei der die Materialzusammensetzung bestimmt wird. Es wird also eruiert, welche Elemente enthalten sind. Zudem werden Verunreinigungen erkannt, indem Fremdstoff-Anteile wie Kunststoffe, Lacke oder andere Metalle identifiziert werden. Im nächsten Schritt erfolgt das Schmelzen des Ausgangs-Materials und dessen Guss zu Barren, wobei parallel dazu eine chemische Analyse durchgeführt wird,welche die Zusammensetzung der Legierung erfasst. Im Anschluss wird der gesamte Walzprozess durchgeführt, der verschiedene Schritte wie das Homogenisieren, Warmwalzen, Kaltwalzen, Zwischenglühen, Lösungsglühen, Passivieren, Schlitzen und Trockenschmieren etc. umfasst und sich über einen Zeitraum von mehreren Wochen erstreckt [1]. Abschließend werden Qualitätskontrollen durchgeführt, um die Einhaltung der Kundenspezifikationen und Anforderungen, die abhängig vom Verwendungszweck des Endprodukts sind, sicherzustellen [2]. Im Zuge der Bearbeitung des Produktes an den einzelnen Anlagen erfolgt eine kontinuierliche Aufzeichnung einer großen Menge an Daten durch hunderte Sensoren, welche als Zeitreihe gespeichert werden. Die Sensoren messen Parameter wie beispielsweise die Gießtemperatur, den Walzendruck oder die Walzengeschwindigkeit in Echtzeit. Durch die Aufzeichnung der Daten wird ein umfassendes Bild des Produktionsprozesses geschaffen, welches die Grundlage für datengetriebenes Prozessverständnis bildet.
Zur Bewältigung der genannten Herausforderungen wurde eine stabile Datenverbindung zur Cloud etabliert, welche eine kontinuierliche und automatisierte Verarbeitung der umfangreichen Datenmengen gewährleistet und somit sicherstellt, dass täglich aktuelle Daten zur Verfügung stehen. Im Rahmen dessen erfolgt außerdem eine tägliche Aufbereitung der Daten sowie eine Zuordnung der Metadaten zu den jeweiligen Gusschargen, Barren, Losen, Platten, Coils etc. In diesem Rahmen wird eine Zeit-Längen-Transformation durchgeführt, im Rahmen derer die zeitbezogenen Sensordaten, die während des Gießens oder Walzens eines Barrens erfasst werden, einer bestimmten Blechposition zugeordnet werden. Eine besondere Herausforderung stellt dabei das Kaltwalzen dar.
Es erfordert eine strukturierte und effiziente Infrastruktur, um diese hochfrequenten Prozessdaten zu speichern und für datengetriebene Analysen nutzen zu können. Schon hinsichtlich der Datenerfassung ist eine spezielle Sensorik notwendig, außerdem beispielsweise eine IoT-Plattform und Data Pipelines zur Erfassung und Übertragung von Sensordaten von den Anlagen in eine Cloud-Umgebung. Bezüglich der Datenspeicherung können relationale Datenbanken für strukturierte Daten (beispielsweise Produktionsparameter oder Qualitätsdaten der Produkte) sowie NoSQL-Datenbanken für unstrukturierte Daten (beispielsweise Bilder oder Textdaten) genutzt werden. Darüber hinaus werden Speicherlösungen wie Cloud-Speicher als skalierbare Speicheroptionen (beispielsweise AWS, Azure) sowie ETL-Prozesse (Extract-Transform-Load) genutzt, mit denen Daten aus verschiedenen Quellen extrahiert, transformiert (aufbereitet) und schließlich in ein einheitliches Schema überführt werden [3, 4, 5].Im Bereich KI-Infrastruktur sind Hochleistungsrechner, Edge-Computing-Geräte oder Cloud-Plattformen für flexible Rechenleistung und Speicherung erforderlich (z.B. AWS, Azure, Google Cloud). Schließlich sind KI-Tools und Analyseplattformen notwendig, wozu beispielsweise BI-Tools (Business Intelligence Tools) zur Visualisierung (z.B. mittels Power BI), ML-Plattformen und KI-Dienste (z.B. Azure Machine Learning) zählen [6, 7].Sicherheits- und Governance-Strukturen sind in diesem Zusammenhang ebenfalls ein wichtiger Aspekt für jedes Unternehmen [8]. Zu berücksichtigen ist in diesem Zusammenhang, dass sich Tools und Software fast monatlich entwickeln bzw. ändern.
Wie bereits angemerkt, wird an sämtlichen Anlagen eine Zeit-Längen-Transformation der Prozessdaten durchgeführt. Hierbei handelt es sich um einen komplexen Schritt der Datentransformierung, bei dem die zeitbasierten Prozessdaten z.B. einer Barren-, Platten- oder Blechposition zugeordnet werden. Die Komplexität und die damit verbundenen Herausforderungen werden am Beispiel des Kaltwalzens veranschaulicht.
Kaltwalzwerk - Zeit-Längen- Transformation von Prozessdaten, Bandteilung & Mehrfachdurchläufe
In der Aluminiumindustrie nimmt Kaltwalzen insofern eine entscheidende Rolle ein, da es die Produkteigenschaften von Blechen entscheidend modifiziert und die Produktqualität erheblich beeinflusst. Im Rahmen dieses Prozesses kommt es zu einer Reduktion der Materialdicke, was wiederum eine Veränderung seiner Länge zur Folge hat [9]. Eine kontinuierliche Überwachung des Prozesses erfolgt durch tausende Sensoren, die in hochfrequenten Abschnitten Daten erfassen und dabei im Millisekundenbereich eine große Anzahl an Daten generieren. Zur Gewährleistung einer effizienten Verarbeitung dieser Daten bedarf es der Implementierung von hochentwickelten ETL-Prozessen (Extract Transform Load-Prozesse) sowie einer entsprechenden Infrastruktur, wie bereits beschrieben.
Im Rahmen dieser Datenverarbeitungsprozesse müssen verschiedene Herausforderungen bewältigt werden. Zunächst soll jedoch der Begriff „Zeit-Längen-Transformation“ näher erläutert werden.Im Zuge des Transformationsprozesses werden zwei Komponenten betrachtet, zwischen denen eine Verbindung hergestellt werden muss: Die Zeitkomponente und die Längenkomponente.Die kontinuierliche Prozessdatenerfassung erfolgt zu hochfrequenten Zeitpunkten während des Walzprozesses. Beispielsweise werden dabei Daten zur Temperatur, Geschwindigkeit und Kraft erfasst. Die Messungen sind folglich zeitbezogen. Daraus ergibt sich die Zeitkomponente.Die Längenkomponente ist folgendermaßen zu verstehen: Messdaten, wie etwa Fehlerpositionen am fertigen Produkt (Platten, Blech), beziehen sich auf eine spezifische Längenposition am fertigen Produkt. Um eine bestimmte Position mit Prozessdaten verknüpfen zu können, müssen die zeitbezogenen Prozessdaten einer Produktposition entlang der gesamten Länge zugeordnet werden. Dieser Prozess wird als Zeit-Längen-Transformation bezeichnet. Die Implementierung dieser Transformation ist an jeder Anlage für jedes Produkt und Format individuell zu gestalten. Das Kaltwalzen stellt im Hinblick auf die "Zeit-Längen-Transformation" eine der komplexesten Anlagen dar. Die Transformation der Zeitkomponente in eine Längeneinheit erfordert eine Reihe von Schritten: Zunächst ist die Walzgeschwindigkeit zu berücksichtigen, die beispielsweise zu Beginn des Walzprozesses geringer sein kann als bspw. in der Mitte des Prozesses. Da das Material die Walzstraße mit unterschiedlichen Geschwindigkeiten durchläuft, muss die Geschwindigkeit des Materials zu jedem Zeitpunkt in der Walzstraße bestimmt werden. Dies ermöglicht es, die Daten verschiedener Prozess-Abschnitte vergleichbar zu machen.Die Berücksichtigung mehrerer Durchläufe stellt dabei eine weitere Herausforderung dar. Dies ist in Abbildung 2 dargestellt [10].In einem Walzwerk kann das Material in mehreren Durchläufen verarbeitet werden, wobei in jedem Durchlauf unterschiedliche Materialdickenreduktionen und Geschwindigkeiten vorgenommen werden. Darüber hinaus besteht nach jedem Durchlauf die Möglichkeit, Materialteilungen durchzuführen. In Abhängigkeit von Produkt und Kundenanforderung existieren dabei individuell unterschiedliche Prozessbedingungen (z.B. unterschiedliche Dickenabnahmen), was die Komplexität der Transformation steigert.
In Abbildung 2 wird ein einfaches Beispiel schematisch dargestellt. Das Material wird in drei Walzschritten bearbeitet, wobei in jedem Schritt eine Dickenreduktion erfolgt. Nach dem zweiten Walzschritt wurde das Material in zwei Coils geteilt. In einem dritten Arbeitsschritt (dargestellt in Abbildung 2) wird das zweite Coil, das durch die Bandteilung nach Walzschritt 2 entstanden ist, erneut gewalzt und wiederum in zwei Coils geteilt. Am Ende des Prozesses wurde ein Fehler auf dem zweiten Coil bei einem bestimmten Bandmeter festgestellt, der während des Walzprozesses entstanden sein muss. Um die Fehlerursache analysieren zu können, muss der Fehler über die einzelnen Walzschritte nachverfolgt werden, wie in Abbildung 2 in Orange an den einzelnen Coils nach jedem Arbeitsschritt dargestellt. Hunderte Sensorwerte werden bei jedem Walzschritt mit hoher Auslösung gemessen. Ein exemplarisches Signal ist in Abbildung 2 dargestellt, wobei die Bandlängen-Abschnitte, die den Fehlerpositionen nach jedem Arbeitsschritt entsprechen, grün markiert sind [10].Zur Veranschaulichung der Prozesse in einem Kaltwalzwerk, die für die Zeit-Längen-Transformation von Relevanz sind, werden diese in Abbildung 3 mit den entsprechenden Signalquellen dargestellt [10]. Der Walzprozess erstreckt sich von der Ab-Haspel auf der rechten Seite bis zur Auf-Haspel auf der linken Seite. Die Abbildung veranschaulicht die Trennung des Kaltwalzwerks in den Einlauf auf der rechten Seite und den Auslauf auf der linken Seite zum Walzspalt.
Über die gesamte Anlage verteilt sind an verschiedenen Messpunkten Sensoren zur Erfassung der Produktionsdaten angebracht. Unterschieden wird zwischen Messstellen im Einlauf (vor dem eigentlichen Walzprozess), die Werte am Einlaufband erfassen, und Messstellen im Auslauf, die sich auf das Auslaufband beziehen. Zusätzlich verfügt das betrachtete Kaltwalzwerk über eine Einlaufschere und eine Auslaufschere, welche in der Zeit-Längen-Transformation ebenfalls berücksichtigt werden müssen.
Die Lage der Geschwindigkeitsquellen ist ebenfalls in Abbildung 3 dargestellt. Für die Berechnung einer genauen Zeit-Längen-Transformation sind zuverlässige Positions- und Geschwindigkeitssignale für Einlauf und Auslauf unerlässlich und wurden daher in Abstimmung mit der Fachabteilung ausgewählt. Das Walzwerk ist, wie in Abbildung 3 dargestellt, mit einem Einlauf- und einem Auslaufschneider ausgestattet, die beide das Trennen des Bandes in Band-Teile und das Schneiden von Schrott-Abfällen ermöglichen (siehe Beispiel in Abbildung 2) [10], welche ebenfalls in der Berechnung berücksichtig werden müssen.Um eine korrekte Auswertung der Daten sowie die Durchführung der Zeit-Längen-Transformation bei Bandteilungen und Mehrfachdurchläufen zu gewährleisten, sind kurzgefasst die folgenden Schritte durchzuführen. Das Walzwerk ist in der Lage, das Material in mehreren Durchgängen mit unterschiedlicher Materialdickenreduzierung oder unterschiedlichen Prozessbedingungen zu verarbeiten. Nach jedem Walzdurchlauf ist eine Identifikation der einzelnen Materialsegmente erforderlich. Um mehrere Durchläufe zu berücksichtigen, muss jedes Segment separat verfolgt und zu einer vollständigen Zeit-/Längenkurve zusammengeführt werden. Für die Verknüpfung der Daten der verschiedenen Durchläufe ist ein eigenes System erforderlich.
Die Herausforderung besteht insbesondere im Schneiden des Materials in einzelne Segmente. Das Schneiden des Materials resultiert in mehreren separaten Segmenten. Daher müssen auch die Daten segmentiert werden, wobei jedes Segment ein Stück des Materials repräsentiert, das nach dem Schneiden einer weiteren Verarbeitung unterzogen wird. Für jedes Segment werden anschließend die relevanten Prozessdaten wie Temperatur, Geschwindigkeit und Dehnung ermittelt. Die Erfassung der Prozesssignale wird dabei für jedes Materialsegment, das den weiteren Walzprozess durchläuft, getrennt durchgeführt. Eine lückenlose Verfolgung der genauen Position und der entsprechenden Prozessdaten für jedes Stück während des Schneidens ist erforderlich, um eine konsistente Zuordnung der Prozessdaten zum Material zu gewährleisten [10].
Zusammenfassung
Die Zeit-Längen-Transformation von Prozesssignalen in Walzwerken erfordert eine genaue Modellierung des Walzprozesses, die dynamische Bedingungen (z. B. in Bezug auf Walzgeschwindigkeit oder Schrott-Schnitte) berücksichtigt. Zur Berücksichtigung mehrerer Durchläufe und des Schneidens des Materials sind fortgeschrittene Methoden der Datentransformation erforderlich. Unterstützung erfährt diese Transformation durch den Einsatz von modernen Tools zur Datenverarbeitung, einer Cloud-Plattform und mathematischen Methoden, welche eine präzise und effiziente Datenverarbeitung ermöglichen.
Das übergeordnete Ziel besteht in der digitalen Erfassung der gesamten Prozesskette. Dies ermöglicht eine Datenanalyse des gesamten Produktionsprozesses von der Schrottzufuhr über das Gießen, das Walzen, das Wärmebehandeln und weitere Schritte bis hin zur finalen Prüfung der Produktqualität. Analog zu Abbildung 2, welche die Fehler-Verfolgung und -Analyse innerhalb eines Prozessschrittes, nämlich dem Kaltwalzen, darstellt, kann eine Fehler-Verfolgung und -Analyse über die gesamte Prozesskette durchgeführt werden. Dies ermöglicht die Identifikation von Prozesseinflussgrößen und von Ursachen für Prozessstörungen, indem Korrelationen zwischen Prozessparametern und Produktqualität erkannt werden können.
Kundennutzen
Die präzisere Prozesskontrolle und die optimierte Planung resultieren in einer gleichbleibend hohen Qualität, das verbesserte Prozessverständnis in einer gesteigerten Zuverlässigkeit und in konsistenteren Produkten, von denen Kunden profitieren. Zeitlich effizientere Abläufe resultieren zudem in kürzere Lieferzeiten.
Quellen:
[1] A. K. Vasudevan, R. D. Doherty. Aluminum Alloys- Contemporary Research and Applications: Contemporary Research and Applications. Elsevier, 2012. [2] B. Prillhofer, H. Antrekowitsch, H. Böttcher, P. Enright. Nonmetallic inclusions in the secondary aluminium industry for the production of aerospace alloys. In Light Metals-Warrendale-Proceedings, TMS, p. 603, 2008.[3] R. Elmasri, S. B. Navathe, S. B. Fundamentals of Database Systems. 7. Aufl., Pearson, 2015[4] J. Mineraud, O. Mazhelis, X. Su, S. Tarkoma. A gap analysis of Internet-of-Things platforms. Computer Communications, Bd. 89-90, S. 5-16, 2016.[5] M. Armbrust, A. Fox, R. Griffith, A. D. Joseph, R. Katz, A. Konwinski, et al. A view of cloud computing. Communications of the ACM, Bd. 53, Nr. 4, S. 50-58, 2010.[6] Microsoft. Azure Machine Learning Documentation. Abgerufen von: https://docs.microsoft.com/en-us/azure/machine-learning/, 2023.[7] Microsoft. Power BI Documentation. Abgerufen von: https://docs.microsoft.com/en-us/power-bi/, 2023.[8] Microsoft. Microsoft Security & Compliance Documentation. Abgerufen von: https://docs.microsoft.com/en-us/microsoft-365/security/, 2023.[9] R. V. Singh. Aluminum Rolling: Process Principles and Their Applications. McGraw-Hill Education LLC, New Delhi, 2011.[10] A. Haidenthaler, M. Schreyer, P. Pfeiffer, W. Fragner. Insights into a cold rolling mill: A survey through length-related process data, strip splitting & multiple passes", Manuskript eingereicht und akzeptiert zur Veröffentlichung. The International Journal of Advanced Manufacturing Technology
