Erhöhung der Gesamtanlageneffektivität - Entwicklung resilienter agentenbasierter Automatisierungssysteme für den Maschinen- und Anlagenbau (Resi4MPM)

Abstract

Das Forschungsprojekt Resi4MPM hatte das Ziel, die Resilienz von Produktionssystemen zu erhöhen, um die Overall Equipment Effectiveness (OEE) zu verbessern. Da unerwartete Stillstände die Verfügbarkeit und Leistung automatischer Produktionssysteme erheblich beeinträchtigen, wurde eine Kombination aus cloudbasierter vorausschauender Wartung der Partneruniversität NCKU und feldnaher Automatisierung an der TUM entwickelt. Die Integration von Echtzeitüberwachung und intelligenter Entscheidungsfindung reduziert Ausfälle, optimiert Wartungsstrategien und ermöglicht ein adaptives Systemverhalten. Ein Intelligentes Prädiktives Wartungssystem (IPM) wurde hierzu weiterentwickelt, um genauere Restlebensdauer- (RUL) Prognosen zu erstellen. Ergänzend wurde ein Automatisierungsframework entwickelt, das deterministisches Maschinenverhalten auch bei Störungen sicherstellt. Drei Anwendungsfälle wurden bearbeitet: die Kompensation von Komponentenfehlern, eine Anomalieerkennung und Alarmbehandlung sowie ein automatisierter Neustart, bei dem Maschinen mit minimalem manuellem Eingriff den Betrieb wieder aufnehmen können. Zur Unterstützung dieser Ziele wurden automatisch extrahiertes Wissen aus technischen Dokumenten sowie maschinelles Lernen zur Fehlerbehandlung untersucht. Diese Ansätze erleichtern die industrielle Anwendbarkeit durch Reduzierung manueller Konfigurationsaufwände und Verbesserung der Systemanpassungsfähigkeit. Nach einer Anforderungsanalyse in Zusammenarbeit mit Industriepartnern wurden Vorarbeiten von TUM und NCKU in einem verteilten, cloudbasierten System integriert. Wissensbasen wurden durch eine Kombination aus automatisierter Datenauswertung und manueller Expertenbefragung erstellt. Action Spaces wurden realisiert, die eine adaptive Fehlerkompensation im Rahmen der zulässigen Toleranzen sichert, während Recovery-Strategien auf Basis von Zustandsautomaten entwickelt wurden. Entwickelte Konzepte wurden sowohl im Labor als auch in industriellen Umgebungen validiert. Mit diesen Entwicklungen hat Resi4MPM zur Weiterentwicklung resilienter Produktionssysteme beigetragen. Die Kombination aus adaptiver Automatisierung und prädiktiver Wartung reduziert Stillstandszeiten, erhöht die Effizienz und flexibilisiert Reaktionen auf unerwartete Störungen, wodurch die industrielle Resilienz gestärkt wurde. The Resi4MPM research project aimed to increase the resilience of production systems to improve Overall Equipment Effectiveness (OEE). Since unexpected downtimes significantly impair the availability and performance of automated production systems, a combination of cloud-based predictive maintenance from partner university NCKU and field-level automation concepts at TUM was developed. The integration of real-time monitoring and intelligent decision-making reduces failures, optimizes maintenance, and enables adaptive system behavior. An Intelligent Predictive Maintenance (IPM) system was further developed to generate more accurate Remaining Useful Life (RUL) predictions. In addition, an automation framework was developed that ensures deterministic machine behavior even in the presence of faults. Three use cases were addressed: compensation of component failures, anomaly detection and alarm handling and an automated restart with minimal manual intervention. To support these objectives, automatically extracted knowledge from technical documents and machine learning for fault handling were explored. These approaches facilitate industrial applicability by reducing manual configuration efforts and improving the system's adaptability. Following a requirements analysis in collaboration with industry partners, preliminary work by TUM and NCKU was integrated into a distributed, cloud-based system. Knowledge bases were created through a combination of automated data analysis and manual expert interviews. Action Spaces were implemented to enable adaptive fault compensation within acceptable tolerances, while recovery strategies based on finite state machines were developed. The developed concepts were validated in both laboratory and industrial environments. With these developments, Resi4MPM contributed to the advancement of resilient production systems. The combination of adaptive automation and predictive maintenance reduces down-time, increases efficiency, and enhances flexibility in response to unexpected disruptions, thus strengthening industrial resilience.