Projektinhalte

SelFab

Die im Folgenden aufgeführten Anwendungsbeispiele sind Ergebnisse der SelFab-Projektarbeit und dienen der Industrie als Beispiele für eine potentielle Lösung. Alle Anwendungen sind mit verhältnismäßig geringem Aufwand auf eigene Anforderungen anpassbar implementierbar.

Bildklassifizierung zur Qualitätsbewertung und automatischen Produktkategorisierung

Vorhersage Handhabungsdauer und Empfehlung Parametrisierung

Digitales Abbild einer Inline RENA-Ätzanlage

Vorlage für ein digitales Produktionsanlagenabbild

Laser-Prozesse und digitaler Zwilling

Prozessmodellierung und Unterstützung der Anlagensteuerung mit maschinellem Lernen

 

Bildklassifizierung zur Qualitätsbewertung und automatischen Produktkategorisierung

Das System besteht aus einer Backend-Anwendung mit einem Modul mit OPC-UA-Konnektivität, das Bilder klassifiziert und einem Frontend-Modul, das sowohl die aktuell zu klassifizierenden Bilder als auch den aktuellen Status des Systems anzeigt beispielsweise den letzten Zeitpunkt, an dem ein fehlerhaftes Produkt erkannt wurde. Das Backend-Modul lädt Bilder aus einem Inspektionssystem über das Standardkommunikationsprotokoll OPC-UA und klassifiziert sie in zwei oder mehr Kategorien, wobei es die Steuerungssysteme über Bilder informiert, die Anomalien wie fehlerhafte Produkte, Teile außerhalb der festgelegten Toleranzen usw. darstellen. Das bereits verfügbare Demonstrationsprodukt klassifiziert Infrarotbilder von Photovoltaik-Substraten in zwei Kategorien (defekt und defektfrei) und aktualisiert das Steuerungssystem mit Informationen, die den Status der Klassifizierung und den Zeitpunkt des Alarms enthalten.

opc-ua-evaluator-illustration
Systemdiagramm

Das System ist in der Lage Bilder in zwei oder mehr Kategorien zu klassifizieren. Je nach Szenario und der Verfügbarkeit manueller Eingaben (Eingaben von Anlagenbedienern, die nicht gekennzeichnete oder falsch gekennzeichnete Bilder manuell klassifizieren) kann der Endbenutzer bestimmen, wie oft das maschinelle Lernmodell neu trainiert werden soll. Die Vorhersagen sind in der Regel schnell verfügbar, weniger als eine Sekunde für übliche Hardware und Bilder in Standardauflösung. Das Klassifizierungsmodul kann in viele verschiedene Arbeitsabläufe und Kommunikationsprotokolle integriert werden und OPC-UA ist sofort mit geringem Integrationsaufwand einsatzbereit. Die Hauptvorteile des Systems liegen in der Verringerung der für die manuelle Produktinspektion benötigten Ressourcen und in der Reduzierung sowohl der Inspektionszeit als auch der Fehlerrate, da das System lernt und sich im Laufe der Zeit verbessert.

Die Anwendungsfelder liegen auf der Erkennung fehlerhafter Produkte ohne menschlichen Einsatz, einschließlich der Erkennung subtiler Fehler, die für den Menschen schwer zu erkennen sind. Unter anderem die Klassifikation und Sortierung von Produkten, die aus derselben Produktionslinie auslaufen.

Konsortiums-Partner: Fraunhofer Institut für Produktionstechnik und Automatisierung

Ansprechpartner: flavio.gonzalez.vazquez@ipa.fraunhofer.de

Vorhersage Handhabungsdauer und Empfehlung Parametrisierung

Das System besteht aus einer Kombination aus einer hochdynamischen Kinematik zum Handhaben von Solarwafern und in SelFab entwickelter Software. Die Hardware kann mittels eines Vakuumgreifers einen Wafer aus einer von drei vordefinierten Positionen abholen („Pick“) und an einer anderen von drei ebenso vordefinierten Position ablegen („Place“). Dabei können Beschleunigung, Geschwindigkeit, Druck und Wartezeiten bei Aufnahme / Ablage bestimmt werden. Diesen Stellgrößen stehen folgende Messwerte als Ergebnis eines Handhabungsvorgangs gegenüber: Energieverbrauch, Fahrtdauer und zukünftig auch die Abweichung des Wafers von seiner eigentlichen Sollposition. Die entwickelte Software besteht aus einer webbasierten Benutzeroberfläche, einem neuronalen Netz und einer Zeitseriendatenbank.

Die Software hat zum Ziel den Menschen bei der Parametrisierung der Handhabung zu unterstützen. Eine erste einfache Version des neuronalen Netzes ist dabei in der Lage eine Prognose der gesamten Handhabungszeit eines Pick und Place Vorgangs zu ermitteln. Die Qualität der Prognose kann dabei sehr einfach durch Zeitnehmen oder Berechnung erfolgen. Die zweite Ausbaustufe erlaubt dem Nutzer Gewichtung der gewünschten Zielgrößen. So kann er beispielsweise eine sehr präzise Handhabung wünschen und dabei möglichst energiearm verfahren. Die Zeitdauer ist nicht im seinem Fokus. Das System schlägt dann zukünftig Parametersätze vor, die zum Ziel haben die Wünsche des Nutzers bestmöglich zu erfüllen.

Der Anwendungsbereich beruht auf technischen Systemen, bei denen der Mensch eine Parametrisierung vornehmen kann und dadurch flexibel auf gewisse Situationen reagieren möchte.

Bedieneroberfläche zur Konfiguration

Konsortiums-Partner: Fraunhofer Institut für Produktionstechnik und Automatisierung

Ansprechpartner: fabian.boettinger@ipa.fraunhofer.de

Digitales Abbild einer Inline RENA-Ätzanlage

Ein Digitaler Zwilling ist eine virtuelle Abbildung einer Anlage, die simuliert, kontrolliert und optimiert werden kann. Hier wird ein Digitaler Zwilling am Beispiel einer PV Produktionsanlage vorgestellt, einer Inline Photovoltaik-Produktionsanlage, die zur Entfernung von Oberflächenschädigungen, Textur der Wafer, Kantenisolation und PSG-Entfernung verwendet werden (Hersteller: RENA).

  • Digitaler Zwilling: Automation ML wurde für die Basismodellierung verwendet und später in das Format der Asset Administration Shell (AAS), wie von Plattform Industrie 4.0 definiert, übernommen.
  • Schnittstelle zu Standard-Kommunikationsprotokollen wie OPC UA, PV2, MQTT, Modbus usw. Unsere Implementierung verwendet das SECSGEM-Protokoll für die Maschineninteraktion, Datenbankspeicher und die Übersetzung in OPC UA-Formate unter Verwendung des OPEN MUC-Frameworks.
Mit dem Digitalem Zwilling der Produktion können alle Informationen der Produktion ausgelesen werden und die Produktion gesteuert werden: Digitale Zwillinge werden für die einzelnen Anlagen einer Produktionslinie und für die gesamte Linie erstellt.

Zugriff auf AAS über Standard-HTTP REST-Schnittstellen, OPC UA, MQTT, usw. Visualisierung von kritischen Maschinen-Metadaten, Alarmen und Prozessparametern. Mit dem Digitalen Zwilling kann die tatsächliche Runtime-Produktionsumgebung erfasst und wiedergegeben werden, was zu einer Standardisierung führt und Interoperabilität ermöglicht. Es ist kompatibel zu bestehenden Standards wie für Informationsaustausch und Kommunikation (OPC UA, PV2, REST, XML-Modellierung mit semantischer Konformität, MQTT). Darüber hinaus ist es die Basis für intelligente und autonome Fabriken der Zukunft.

Denkbare Anwendungsfelder: alle Stakeholder, die an der Herstellung großer “intelligenter Fabriken” für die Produktion von Solarzellen und -modulen beteiligt sind. Ebenso ist es erweiterbar auf andere Fachbereiche.

Weitere technische Informationen, Funktionen und Vorteile sowie mögliche Anwendungsfelder sind in der vorliegenden Datei zu finden:

selfab-beschreibung-ISC

Konsortiums-Partner: International Solar Energy Research Center Konstanz

Ansprechpartner: rudolf.harney@isc-konstanz.de

Vorlage für ein digitales Produktionsanlagenabbild

Im SelFab-Projekt wird die Automation Markup Language (AML) gemäß der Norm IEC 62714 verwendet. AML ist dafür geeignet, digitale Abbilder von Solarzellen, Produktionsanlagen, Produktionslinien und Fabriken zu definieren. Die Abbildung zeigt die Struktur des Engineering-Datenaustauschformats AML. Aus der Abbildung kann entnommen werden, dass der Kern von AML das Computer Aided Engineering Exchange Datenformat CAEX gemäß der Norm IEC 62424 ist. CAEX basiert auf der erweiterbaren Auszeichnungssprache XML (Extensible Markup Language) in Form einer Textdatei, die von Maschinen und Menschen lesbar ist. Mittels CAEX wird die Struktur des zu beschreibenden Objekts, in diesem Fall der Anlage A, hierarchisch abgebildet. Der Anlage sind verschiedene Unterobjekte zugeordnet wie z. B. die Geometrie / das Layout der Anlage, aber auch Komponenten wie Aktuatoren, Sensoren und Schnittstellen (A1 bis An). Diese werden innerhalb von AML mit weiteren, geeigneten Markup Languages beschrieben. Es werden für dreidimensionale Ortsinformationen wie das Anlagenlayout COLLADA (Collabarative Design Activity), für Informationen über die Anlagensteuerung PLCopen XML verwendet.

Überblick über das Engineering-Datenaustauschformat AML gemäß IEC 62714.

Die zur Verfügung gestellte AML-Datei eignet sich sehr gut als Startvorlage für die Erstellung von umfangreicheren digitalen Anlagenabbildern. Im Entwicklungsteam für eine Produktionslinie, die aus verschiedenen Produktionsanlagen besteht, wird die Beschreibung der Maschinen vereinfacht und vereinheitlicht.

Die Industrie 4.0 sowie selbstlernende Anlagen und Fabriken sind ausführbare Anwendungsfelder.

Konsortiums-Partner: Fraunhofer Institut für Solare Energiesysteme

Ansprechpartner: Henning.Nagel@ise.fraunhofer.de

Laser-Prozesse und digitaler Zwilling

Laser – Tool:

Das Laser-Tool dient der Bearbeitung von Werkstücken mit Hilfe eines Lasers. Im Fall unserer Anwendung übernimmt es Prozesse zur Herstellung von Solarzellen. Der Laser mit einer Wellenlänge l = 532 nm scannt den Wafer mit dem Prozess angepasster Geschwindigkeit im Bereich von 100 mm/s < vscan < 30.000 mm/s ab. Die Laserleistung ist an den jeweiligen Prozess angepasst und wird als Kontrolle zwischen den Prozessen gemessen. Das Standardkommunikationsprotoll OPC-UA liest Daten aus und regelt die Kommunikation von Laser-Tool zum Soll-/Istwert-Vergleich mit Hilfe des OPCUA-Clients. 

Digitaler Zwilling des Laser – Tools:

Im digitalen Zwilling ist das Informationsmodell (Details für Rezepte, techn. Beschreibungen, usw. in AML) im OPC-UA hinterlegt. Der OPCUA-Client überwacht den Soll-/Ist-Wert Vergleich, zunächst mit Daten aus dem Laser-Tool wie die gemessene Laserleistung oder auch die Temperatur der Anlage. Aufnahmen mit einem Vision-System kontrollieren optisch den Erfolg eines Laserprozesses wie z.B. einer Ablation von dünnen Schichten. Maschinelles Lernen klassifiziert die Bilder mit Vorhersagen über die Qualität der späteren Solarzelle.

Bild_2021-01-18_141801
Schematische Zeichnung des Laser-Tools

Vision-System zur Kontrolle der Strukturierung:

Bilder mit dem Vision-System dienen der optischen Kontrolle der Solarzellen. Die Strukturen der Laserprozesse verlangen eine Auflösung von kleiner 50 µm auf einer Solarzelle mit einer Fläche von 15.6×15.6 cm2.

a) Aufnahme der Rückseite einer Solarzelle mit 6“-Kantenlänge: die Kontaktfinger liegen zwischen den Busbars b) Vergrößerung der Metallstrukturierung von Busbar und Kontaktfingern.

Vorteile sind die automatische Kontrolle der Laserprozesse beziehungsweise der Fehlererkennung mittels Laserleistung sowie optisch mittels Vision-System.

Mögliche Anwendungsfelder der Solarzellenprozesse sind das Laserdotieren von Silizium, die Ablation von dünnen Schichten und das Strukturieren von dünnen Schichten.

Konsortiums-Partner: Universität Stuttgart – Institut für Photovoltaik

Ansprechpartner: renate.zapf-gottwick@ipv.uni-stuttgart.de

Prozessmodellierung und Unterstützung der Anlagensteuerung mit maschinellem Lernen

Als Grundlage dient ein CIGS-Coater zur Abscheidung von Chalkopyritschichten aus Kupfer, Indium, Gallium und Selen. Die Elemente werden zusammen in einer Prozesskammer ko-verdampft, das thermodynamische System ist sensorisch nicht einfach zu beschreiben und insgesamt als träge zu betrachten. Zur Verfügung stehen u.a. Daten von Temperatur- und Drucksensoren sowie elektrische Leistungsdaten der Verdampferquellen. Erst durch die korrekte Einstellung von elektrischen Leistungen und Temperaturen können photovoltaisch nutzbare Schichten aufgewachsen werden, die in ihrer elementaren Zusammensetzung nur wenig vom Sollbereich abweichen dürfen. Die Prozesskontrolle erfolgt technisch bedingt verzögert durch Röntgenfluoreszenzanalyse an den abgeschiedenen Schichten. Für den CIGS-Coater wird eine Software entwickelt, die mit Hilfe von maschinellem Lernen und Modellen im beschriebenen Umfeld die Prozessführung unterstützt.

Die Software (C#, .NET) erstellt anhand bereits bestehender Datensätze Modelle, die mit Daten aus dem laufenden Betrieb in Echtzeit Prozessergebnisse vorhersagen. Bei prognostizierten Sollwertabweichungen werden dem Operator optimierte Parametersätze vorgeschlagen, um im Prozessfenster zu bleiben. Die Methodik bietet sich insb. bei trägen bzw. thermodynamisch komplexen Prozessen an, bei denen Parameteränderungen nur verzögert wirken und deshalb einen ausreichenden Vorlauf brauchen.

Mögliche Anwendungsfelder sind die Unterstützung bei der Steuerung/Parametrierung von Anlagen auf Basis von deren Zeit- oder Messkurven mit einhergehender Vorhersage von Prozessergebnissen.

Konsortiums-Partner: Zentrum für Sonnenenergie- und Wasserstoff-Forschung Baden-Württemberg

Ansprechpartner: andreas.bauer@zsw-bw.de