Intelligente Prüfung der Verpackungsqualität

Tianjin Feng Yu Ling Kong the Electrical and Mechanical Equipment, ein auf Industrieautomatisierung spezialisierter Systemintegrator, erhielt von einem der größten Produzenten von Fast Food und Getränken in China den Auftrag für eine hochmoderne Verpackungsprüfung. Dieser Lebensmittelhersteller verfügt nach eigener Aussage über die weltweit größten Instantnudel-Produktionslinien, mit einem durchschnittlichen Durchsatz von jeweils rund 500 Packungen/min je Linie sowie einem jährlichen Gesamtdurchsatz von bis zu 4,8 Mrd. Packungen.

Hohe Kundenzufriedenheit durch fehlerfreie Verpackung

Verpackung und Versiegelung sind wichtige Aufgaben bei der Herstellung von Instantnudeln. Eine Nudelpackung enthält in der Regel einen vorgekochten Nudelblock sowie mehrere kleine Päckchen mit Gewürzzutaten, wie zum Beispiel Geschmackspulver, Soßen und getrocknetes Gemüse. In der Produktionslinie werden diese einzelnen Päckchen auf einem mit hoher Geschwindigkeit bewegten Förderband geordnet, auf dem zugehörigen Nudelblock platziert und dann zusammen an die querschneidende Verschließ- und Verpackungsmaschine weitergegeben.

Während des Produktionsprozesses gibt es verschiedene Faktoren, die dazu führen können, dass die Würzpakete zwischen zwei Nudelblöcke rutschen und von der Schneidemaschine aufgetrennt beziehungsweise separat in zwei Pakete nebeneinander verpackt werden. Solche mangelhaften Produkte würden allerdings Verbraucherbeschwerden und Imageschäden nach sich ziehen, weshalb ihre Auslieferung an den Handel möglichst stark reduziert werden soll. Da die von Tianjin Feng Yu aufgerüstete Maschine bereits zuvor mit einer sehr geringen Fehlerrate produziert hat, kommt ein weiterer Aspekt der Qualitätskontrolle hinzu: Es muss sichergestellt sein, dass zuverlässig nur die mangelhaften und keine fehlerfreien Produkte aussortiert werden.

Da die Abläufe im Inneren der Verschließ- und Verpackungsmaschine nicht einsehbar und die Verpackungsmängel bei der abschließenden optischen Prüfung von außen oft nicht zu erkennen sind, lassen sich die genauen Ursachen für die genannten Fehler nur schwer finden. Somit ist es nahezu unmöglich, mangelhafte Produkte grundsätzlich zu verhindern. Um dennoch das Ausliefern von nicht einwandfreier Ware vermeiden zu können, setzen Instantnudel-Hersteller auf den Einsatz von hochautomatisierten Qualitätsprüfgeräten mit minimaler Latenzzeit.

Tianjin Feng Yu unterstützte den Endanwender im aktuellen Projekt bei der schnellen Umsetzung der hochleistungsfähigen Qualitätskontrolle. Hierzu wurden zunächst die mechanischen und elektrischen Teile der Maschine untersucht. Dabei zeigte sich laut Tianjin Feng Yu, dass sich die PC-basierte Steuerungstechnik von Beckhoff durch ihre Offenheit und Flexibilität optimal zur Erfassung der notwendigen Analysedaten eignet. Der Systemintegrator installierte einige Sensoren im Inneren der Maschine und sammelte schnell und einfach über Twincat Scope View erste Datensätze für prototypische Analysen. Die anschließende Datenanalyse ließ eine gewisse Sensitivität der Messgrößen erkennen, wenn die Maschine ein Gewürzpaket fälschlicherweise zerschnitten hatte. Allerdings konnten diese Störungsereignisse und damit fehlerhafte Produkte mit herkömmlichen Engineering-Methoden nicht zuverlässig erkannt werden. Gründe sind einige, auf die Daten einwirkende Unsicherheitsfaktoren wie beispielsweise Maschinenvibrationen sowie Änderungen des Verpackungsmaterials, der Fördergeschwindigkeit und der Schneidspannung. Als Lösung für diese anspruchsvolle Analyseaufgabe setzte Tianjin Feng Yu mit Twincat Machine Learning auf das Konzept des datenbasierten Engineerings mit maschinellem Lernen (ML).

Als Grundlage einer Inspektion von Produkten dienen Klassifikatoren, mit denen sich fehlerfreie von fehlerbehafteten Produkten unterscheiden lassen. Bei der Verwendung von ML-basierten Klassifikatoren wird ein mathematisches Modell anhand von exemplarischen Daten trainiert, um ohne eine explizite Programmierung korrekte Entscheidungen treffen zu können.

Beckhoff unterstützt mit diversen Werkzeugen und offenen Schnittstellen den gesamten Engineering-Zyklus von der Datenerfassung über das Modelltraining bis hin zum Einsatz des gelernten Modells direkt in der Steuerung:

• Datenerfassung: Die Menge und Qualität der Daten haben einen entscheidenden Einfluss auf ML-Anwendungen. Ein breites Spektrum an I/O- und Softwareprodukten ermöglicht die Erfassung nahezu beliebiger Daten. Durch verschiedene Funktionen der Software Twincat, wie Scope View, Data-base Server, Data Agent und Analytics Logger, können die Daten lokal auf dem IPC, in lokalen oder Remote-Datenbanken oder in der Cloud gespeichert werden.
• Modelltraining: Zunächst müssen die gesammelten Daten vorverarbeitet werden, um eine Korrelation zwischen den Daten und den gewünschten Ergebnissen zu finden beziehungsweise zu verstärken. Anschließend wird ein passender ML-Algorithmus für das Modelltraining gesucht und parametriert. Empfehlenswert ist hierfür die Nutzung offener und etablierter ML-Frameworks wie Py-Torch, Keras oder Scikit-learn. Abschließend kann das trainierte Modell als Datei im standardisierten Austauschformat ONNX (Open Neural Network Exchange) gespeichert werden. Diese ONNX-Datei beschreibt die Operationen und Parameter des trainierten Modells und kann dann in ein für die Serialisierung in Software besser geeignetes Binärformat (BML) konvertiert werden.
• Modell-Deployment: Die Twincat-Laufzeitumgebung für maschinelles Lernen (TF3800 und TF3810) kann die trainierten Modelldateien (BML-Format) dynamisch in die Steuerungen laden und die Modelle darin in Echtzeit mit Ausführungszyklen sogar kleiner als 1 ms ausführen. Die Ergebnisse der Inferenz (Ausführen eines trainierten ML-Modells) kann somit direkt verarbeitet, über die schnelle Ethercat-Kommunikation an die Ausgabegeräte übertragen und die Maschine auf diese Weise in Echtzeit gesteuert werden.

Die Erkennung fehlerhafter Produkte erfolgte bei der Instantnudel-Produktionslinie nach dieser dreistufigen Methode. Zunächst wurden die Sensordaten über Ethercat-Digital- und -Analog-Eingangsklemmen EL1xxx beziehungsweise EL3xxx und Twincat Scope View erfasst. Anschließend wurde das ML-Modell über das Open-Source-Framework Scikit-learn trainiert und daraus die Modellbeschreibungsdatei erzeugt. Die notwendige Vorverarbeitung der Sensordaten wurde mithilfe von Twincat Condition Monitoring in der Steuerung realisiert.

Dann erfolgte das Deployment der entsprechenden BML-Datei auf einen Embedded-PC CX51xx, der das Modell mithilfe der Runtime von Twincat Machine Learning in Echtzeit ausführt und die Inferenzergebnisse zur Erkennung fehlerhafter Produkte über eine Ethercat-Digital-Ausgangsklemme EL2xxx ausgibt. Dabei kam laut Tianjin Feng Yu insbesondere die Systemoffenheit als Vorteil der Steuerungstechnik zum Tragen. Denn diese konnte ohne großen Aufwand nahtlos in die bestehende Drittanbieter-Hauptsteuerung der Produktionslinie integriert werden.

Die Validierung von ML-Algorithmen ist aufgrund der erforderlichen Tests und der damit verbundenen häufigen Endkundenbesuche ein oft zeit- und arbeitsintensiver Prozess. Mit der offenen Softwareplattform Twincat kann die Validierung von Algorithmen hingegen effizient auch ohne direkten Zugang zur Maschine durchgeführt werden. Die an der Produktionsmaschine aufgenommenen Daten werden vor dem Modelltraining in Trainings- und Validierungsdaten getrennt. Nur der Trainingsdatensatz wird dann zum Training des ML-Algorithmus verwendet. Der Validierungsdatensatz kann zunächst in der Trainingsumgebung genutzt werden, um zu prüfen, wie gut der gelernte Algorithmus auf unbekannten Daten arbeitet.

Nach erfolgreicher Portierung der Datenvorverarbeitung und der Integration des ML-Algorithmus in Twincat kann auf Basis des Produktivcodes validiert werden. Der Code wird auf einem Testsystem – oder dem tatsächlich genutzten Embedded- beziehungsweise Indus­trie-PC – ausgeführt und der Validierungsdatensatz über die Funktionen von Twincat Database Server als virtuelle Datenquelle in die Twincat-Echtzeit gestreamt. Dabei liegt die gleiche Abtastfrequenz wie bei den Sensoren vor Ort zugrunde, sodass sich das Szenario beim Endkunden optimal simulieren lässt. Ebenso können an der Produktionsmaschine neu erhobene Datensätze in der Testumgebung genutzt werden, um unterschiedlichste Situationen zu eruieren. Schließlich dienen die Testdaten dazu, die gesamte ML-Applikation auf dem Embedded-PC zu validieren, zu beurteilen und eine sichere Funktionsweise sicherzustellen.

Die Entwicklung, Verifizierung und Validierung unter Verwendung der offenen Plattform Twincat vermeidet unnötige Tests der ML-Algorithmen auf Industrieanlagen und beschleunigt somit erheblich die Realisierung. Dies hat dazu beigetragen, dass der Fortschritt des Verbundprojekts durch die Coronavirus-Pandemie kaum beeinträchtigt wurde.

Multitasking- und Multicore-Fähigkeit sichern ML in Echtzeit

Der ML-Algorithmus wird auf dem CX51xx in drei Schritten ausgeführt: Erfassen von Sensordaten, Vorverarbeitung der Daten und Ausführen von ML-Modellen zur Erkennung fehlerhafter Produkte. Dabei ist einerseits zu beachten, dass die Produktinspektion eine hohe Abtastfrequenz erfordert, um Sensordaten während des gesamten Schneidvorgangs zu erfassen. Andererseits ist eine niedrigere Ausführungsfrequenz notwendig, um die erfassten Daten zu verarbeiten und das ML-Modell auszuführen. Dieser scheinbare Widerspruch für zuverlässige Echtzeitabläufe in einer PLC-Task lässt sich durch die Multitasking- und Multicore-Fähigkeit von Twincat sehr gut auflösen. Denn dadurch wird sowohl die zuverlässige Ausführung mehrerer Tasks auf verschiedenen Prozessorkernen als auch der fehlerfreie Datenaustausch zwischen mehreren PLC-Tasks sichergestellt. Vorteilhaft ist zudem, dass sich diese Funktionen durch einfache Konfiguration und über fertige PLC-Funktionsbausteine mit geringem Entwicklungsaufwand umsetzen lassen. Bei dem beschriebenen Projekt der Instantnudel-Herstellung wurde die zweistufige Ausführung des ML-Algorithmus durch den Einsatz von zwei PLC-Tasks und zwei Prozessorkernen zuverlässig realisiert.

Durch Ansätze des maschinellen Lernens und mithilfe von Data Mining lassen sich Fertigungsprobleme schneller und effizienter lösen und dadurch auch F&E-Kosten einsparen. Die Erfahrungen von Tianjin Feng Yu bei der Instantnudel-Produktionslinie haben gezeigt, dass Twincat Machine Learning bei der Anomalie-Erkennung den traditionellen Engineering-Methoden überlegen ist. Mit der offenen Plattform konnte der komplette Workflow von Datenerfassung, Training und ML-Inferenz automatisiert werden. Stand Ende 2020 lief die neue Qualitätsprüfanlage bereits seit etwa vier Monaten vollautomatisch an mehreren Produktionslinien des Endkunden. Sein Fazit: Durch die offene Lösung konnte die Prüfanlage ohne Modifikation des bestehenden Hauptsteuerungssystems realisiert werden; fehlerhafte Produkte werden rechtzeitig und zuverlässig erkannt, was Kundenreklamationen effektiv reduziert.