en
de
Machine Learning

Fast & fully connected

Industrie 4.0, IoT und Prozessoptimierung sind Begriffe, die mit grossen Versprechen in den Medien umhergeistern. Die Anwendungsfälle werden meist auf hoher Flughöhe abgehandelt sowie selten wirklich konkret und anschaulich illustriert. Wir haben uns vorgenommen, dies zu ändern.

Um den Anwendungsfall der Prozessoptimierung basierend auf der Vernetzung von Anlangen und Produkten greifbar zu machen, haben wir uns ein Beispiel zur Hand genommen, welches das Kind in uns weckt: Slot-Car-Rennen. Um was geht es dabei?

Auf zweispurigen Rennstrecken rasen zwei elektrisch angetriebene Spielzeugautos um die Wette. Ihre Geschwindigkeit wird durch Veränderung der angelegten Spannung über den Handregler gesteuert. Dahinter steckt ein komplett manuell gesteuerter Prozess. Qualität und Effizienz sind stark von der Erfahrung und den Fähigkeiten der Fachperson abhängig. Bei Fehlsteuerung entsteht grosser Schaden. Jeder, der je ein Slot-Car reparieren musste, weiss, wovon wir sprechen.

Auch wenn eigentlich niemand den Controller aus der Hand geben möchte, haben wir uns dennoch darangemacht, diesen Steuerungsprozess zu optimieren – mit folgenden Zielen:

  1. Fehlervermeidung: Etablierung eines standardisierten Steuerungsprozesses, der sicherstellt, dass geforderte Rahmenbedingungen eingehalten werden und keine Fehler auftreten. Sprich: Der Slot-Car soll nicht aus den Kurven fliegen.
  2. Effizienzmaximierung: Im Rahmen des Erlaubten soll der Steuerungsprozess optimiert werden. Sprich: Möglichst schnelle Rundenzeiten sind das Ziel.
  3. Unabhängigkeit von Fachexperten: Der Steuerungsprozess soll nicht vom Know-how einzelner Experten abhängig sein. Sprich: Wenn der erfahrene Slot-Car-Fahrer den Raum verlässt, sollen dieselben Rundenzeiten erreicht werden.

Um die angestrebte Prozessoptimierung zu erreichen, müssen Aufgaben aus unterschiedlichen Bereichen gelöst werden. Unser Data Analytics Framework illustriert die unterschiedlichen Aspekte, die bei der Umsetzung des gewählten Anwendungfalles berücksichtigt werden müssen. Die unteren vier Ebenen der Umsetzung enthalten folgende Herausforderungen:

  • Datenzentrierte Anwendung: Eine Pilotenapplikation muss aus den erstellten Modellen in Echtzeit den Slot-Car steuern.
  • Datenanalyse: Es müssen sowohl Strecken- und Fahrzeugcharakteristiken wie auch optimierte Steuerungen erlernt werden.
  • Datenplattformen und -technologien: Eine passende Datenverarbeitungsplattform muss zur Verfügung gestellt werden, um dem kontinuierlich eintretenden Strom von Sensordaten Herr zu werden.
  • Datenquellen: Die Slot-Cars und die Strecke müssen mit geeigneter Sensorik versehen werden, um die nötige Datenbasis für eine optimierte Steuerung zur Verfügung zu stellen.
Slot Car Picture1

Abbildung 1: Zühlke Data Analytics Framework

Nun wollen wir aber – wie versprochen – die extreme Flughöhe verlassen und uns darauf konzentrieren, wie wir die einzelnen Aspekte unserer Slot-Car-Prozessoptimierung umsetzen.

Slot Car mit Sensorboard

Abbildung 2: Slot-Car mit montiertem Sensorboard

Slot Car Lichtschranke

Abbildung 3: Lichtschranke auf Strecke

Ausstattung der Slot-Cars und Strecken mit Sensorik

Die Wahl der Sensorik ist fundamental für alle weiteren Verarbeitungs- und Analyseschritte. Die gewählte Lösung muss (1) in hoher Frequenz Daten ermitteln, (2) auf einem Slot-Car fixiert werden können ohne das Fahrverhalten gross zu beeinträchtigen und (3) ausreichend Informationen zur Verfügung stellen, um die angestrebte Prozessoptimierung möglich zu machen. Daher entschieden wir uns für ein RAZOR 9-DOF Sensorboard, das 50 Mal pro Sekunde sowohl Beschleunigung wie auch Magnetfeld- und Rotationsmessungen in drei Dimensionen liefert (siehe Abbildung 2 links). Das bedeutet: Der Slot-Car „spürt“ Kurven sowie Geraden und übermittelt diese Sensordaten in Echtzeit via Bluetooth an den Computer, was Rückschlüsse über Strecke und Lokalisierung des Slot-Cars ermöglicht.

Zusätzlich wurde die Strecke mit Lichtschranken ausgestattet, welche Geschwindigkeitsmessungen an Schlüsselstellen ermöglichen. Die Lichtschranken bestehen aus LEDs und Photowiderständen in der Fahrbahn (siehe Abbildung 2 rechts). Basierend auf diesen Messungen könnten Geschwindigkeitsbegrenzungen auferlegt und Penaltys für eine Überschreitung erteilt werden.

Die Lichtschranken wie auch die Motoreinheit der Slot-Cars werden von Arduino Boards gesteuert, welche über ein «XBEE Series 1» genanntes Protokoll kommunizieren. Die unvermeidlichen Latenzen dieses Protokolls und die möglichen Verluste müssen in den zu erstellenden Modellen berücksichtigt werden.

Plattform für Signalverarbeitung und Steuerung des Slot-Cars

Die Aufgabenstellung beinhaltet sowohl die Verarbeitung eintreffender Signale wie auch die Steuerung des Slot-Cars. Somit müssen folgende Anforderungen unter einen Hut gebracht werden:

  1. Das Programm zur Steuerung (a.k.a. Autopilot) wird Sensordaten verarbeiten müssen, welche asynchron sowie mit einer hohen Frequenz eintreffen und gleichzeitig die Steuerung des Slot-Cars kontinuierlich sicherstellen.
  2. Der Autopilot wird zwingend eine Form von Wissen über das Fahrverhalten des Slot-Cars sowie die Charakteristiken, die physischen Eigenschaften und das Profil der Strecke aufbauen müssen. Um dieses Wissen repräsentieren zu können, muss die Pilotenapplikation zustandsbehaftet sein.

Die Lösung ist das Konzept «Reactive Programming». Basierend auf Akka erstellten wir eine fehlertolerante, genauer eine resiliente Applikation bestehend aus verschiedenen Aktoren, welche asynchron miteinander kommunizieren. Die Berechnungen können so in den einzelnen Aktoren parallel verlaufen und blockieren sich gegenseitig nicht. Dies erlaubt es, gleichzeitig Aktionen mit unterschiedlichen Anforderungen durchzuführen: Die Analyse der Strecke kann einige Sekunden beanspruchen, währenddessen die eigentliche Steuerung kontinuierlich Signale an den Slot-Car sendet. Werden neue Erkenntnisse aus den gesammelten Sensordaten gewonnen, können diese als Nachricht dem Pilotenaktor gesendet werden, welcher dann seine Steuerungslogik dementsprechend anpassen kann.

Die Infrastruktur und Datenverarbeitungsplattform ist nun bereit. Wie der Autopilot dank uns eine effiziente Steuerung lernt und die einzelnen Steuerungskomponenten in der Applikation zusammenspielen, werden wir in einem zweiten Blogbeitrag beschreiben.

Kommentare (0)

×

Updates

Schreiben Sie sich jetzt ein für unsere zwei-wöchentlichen Updates per E-Mail.

This field is required
This field is required
This field is required

Mich interessiert

Select at least one category
You were signed up successfully.