Automatische Generierung von Modellen für Prädiktion, Testen und Monitoring cyber-physischer Systeme

Abstract

Das vom BMFTR geförderte Projekt AGenC ("Automatische Generierung von Modellen für Prädiktion, Testen und Monitoring cyber-physischer Systeme") wird seit Oktober 2022 an der Technischen Universität Hamburg koordiniert. Beteiligte Partner sind das Institut für Technische Logistik (TU Hamburg), das Institut für Eingebettete Systeme (TU Hamburg), das OFFIS - Institut für Informatik, das Fraunhofer-Center für Maritime Logistik und Dienstleistungen CML, die VIVAVIS AG sowie die KALP GmbH. In mehreren Arbeitspaketen wurde gemeinsam ein flexibles Framework zur datengetriebenen Modellierung von CPS entwickelt. Zu den Arbeitsschritten zählen Schnittstellen zur Anbindung heterogener Systeme, Lernalgorithmen (u.a. Entscheidungsbäume, Reinforcement Learning und Automaten), Metriken zur Modellbewertung sowie die Umsetzung in drei praxisnahen Demonstratoren aus den Domänen Intralogistik, Hafentechnik und Energietechnik. In der Intralogistik liegt der Fokus auf mobilen Robotern, die Lager- und Produktionsprozesse automatisieren. Ihre Navigation basiert auf Lokalisierungssystemen, die durch Umwelteinflüsse wie sich bewegende Hindernisse oder Bodenunebenheiten gestört werden können. Mithilfe des im Rahmen des Projekt entwickelten Frameworks Flowcean1 wird eine datengetriebene Monitoring-Software entwickelt, die während des Betriebs die Lokalisierungsqualität bewertet und vorausschauend Fehler erkennt. Grundlage sind reale und synthetische Daten, aus denen Modelle zur Schätzung der Positionsunsicherheit erzeugt und validiert werden. Der Demonstrator in der Hafentechnik adressiert das automatische Containerhandling. Die automatische Laschplattform (ALP) der KALP GmbH übernimmt das Anbringen und Entfernen von Twistlocks - bisher ein manueller Vorgang, auch in ansonsten hoch automatisierten Terminals. Für eine optimale Steuerung der Plattform ist das Containergewicht entscheidend, das in der Praxis jedoch nicht zuverlässig vorliegt. Mit Flowcean wird ein Modell entwickelt, das das Gewicht anhand interner Druckdaten vorhersagt. Eine SPS-Schnittstelle bindet das Modell direkt in die Plattformsteuerung ein. Die Vorhersagen werden mit realen und simulierten Daten getestet, um die Zuverlässigkeit im Terminaleinsatz sicherzustellen. Im Bereich Energietechnik wird die zunehmende Integration volatiler Einspeiser - etwa aus Photovoltaik oder EMobilität - adressiert. Diese erschwert die Netzführung, die aktuell stark von manuellen Eingriffen durch Operatoren abhängt. Im Projekt entsteht ein Reinforcement-Learning-Agent, der auf Basis von Simulationen den Netzzustand analysiert und Handlungsempfehlungen für Operatoren generiert. Diese unterstützen dabei, das Netz stabil und effizient zu betreiben. Die Umsetzung erfolgt mit Flowcean als Modellierungsumgebung.