PROFINET + OPC UA = Mantenimiento predictivo en Audi

Fecha de publicación
Cateogría del artículo Historias de Exito
Visualizaciones del artículo Leído  1499  veces

Un ejemplo basado en la experiencia de Audi demuestra como el mantenimiento predictivo se puede conseguir combinando PROFINET y OPC UA para procesar datos

PROFINET + OPC UA = Mantenimiento predictivo en Audi

Los tiempos de inactividad no planificados siempre ralentizan la producción. Hay una gran cantidad de ideas y enfoques para implementar el mantenimiento preventivo en las compañías de producción, sin duda, pero a menudo fallan en la práctica. El desafío radica principalmente en acceder a los datos que podrían señalar una fallo y luego procesarlos de tal manera que también puedan usarse. Un ejemplo basado en la experiencia de Audi demuestra que precisamente estas oportunidades se abren combinando PROFINET y OPC UA.

Todos hablan de mantenimiento predictivo. Sin embargo, cuando se trata de implementarlo en la práctica, muchos usuarios a menudo fallan porque no tienen acceso a los datos correctos. Mathias Mayer en Audi Neckarsulm se enfrentó a esta situación. Su experiencia demostró que "el 90% de los datos en la construcción del cuerpo no se usa ni se accede". Esto usualmente resultó en la necesidad de un sensor adicional. Ese no es el camino que Mayer quería seguir. Por el contrario, pensó: "Primero procesemos los datos no utilizados. Si realmente fuera necesario un sensor adicional, sin duda estaría dispuesto a hablar de ello ".

Para Mayer, una mejor utilización de los datos disponibles es el requisito más importante para reducir los tiempos de inactividad y trabajar de manera más eficiente. Esto se volverá aún más decisivo, ya que la complejidad de los procesos de producción y el grado de automatización continuarán aumentando en el futuro cercano. Sin embargo, ¿por qué es tan difícil la recopilación de datos? Un vistazo a la construcción de la carrocería en la fábrica de Neckarsulm revela el desafío. Es en este lugar donde lo modelos de Audi A4, A6, A7, A8, R8 y A5 Cabrio son ensamblados por alrededor de 2.500 robots industriales. Cada sistema individual se controla mediante un PLC. "Siempre vemos al PLC como un maestro de marionetas que hace bailar a hasta diez robots", dijo Mayer al describir la situación en su división. La creación de valor real tiene lugar en el robot, por lo que el acceso a los datos del robot es tan inmensamente importante.

Además del gran número de plantas involucradas, los diferentes métodos de producción utilizados también dificultan el acceso a los datos y la evaluación. Por ejemplo, la reducción de peso mientras se mantiene la máxima durabilidad solo se puede lograr combinando diferentes materiales. Esto implica el uso de una variedad de diferentes tecnologías de conexión. Se utilizan una gran cantidad de tecnologías de unión solo para el nuevo A8, que van desde una muy amplia variedad de procesos de soldadura hasta el pegado y el remachado: en total, se deben coordinar 15 procesos diferentes. Si la producción falla, se necesitan expertos en cada uno de estos procesos individuales. Esto termina siendo muy costoso y requiere mucho tiempo si considera la producción en tres turnos, ya que una gran cantidad de empleados necesitarían capacitación y calificación.

Abriendo nuevos caminos

Para Mayer, desviarse de los procesos probados es imposible. "Nuestro proceso de calificación es definitivamente costoso y requiere mucho tiempo, pero nuestros clientes esperan la mejor calidad". Hacer que diferentes empleados simplemente examinen algo puede producir resultados diferentes, en contraste con los datos, que siempre son los mismos. "Es precisamente esta información la que tenemos que usar para optimizar tanto la producción como los procesos", dijo Mayer con convicción. Para este propósito, los datos del proceso deben procesarse de tal manera que incluso un "no experto" pueda volver a iniciar un proceso de soldadura por fricción, por ejemplo.

De esta forma, se reducirán los tiempos de inactividad no planificados del sistema de producción y se aumentará la disponibilidad y la eficiencia y calidad del proceso, por ejemplo a través del monitoreo del sistema en vivo y la adaptación automática de los parámetros del proceso. Aquí se deben conservar los métodos de monitoreo y optimización de procesos anteriores basados ​​en el conocimiento experto. En última instancia, esto reducirá los costos de mantenimiento y minimizará los esfuerzos de prueba.

Implementación en aplicaciones prácticas

Sin embargo, ¿cómo funciona esto en la práctica? En la cadena de procesos del futuro para la construcción de la carrocería, los datos correspondientes de los dispositivos se recopilarán, integrarán y visualizarán directamente, sin puertas de enlace adicionales, ya que, en última instancia, los robots tienen suficiente capacidad. Al final, hay un empleado que comprende el proceso y puede intervenir si es necesario. En opinión de Mayer, esta división del trabajo es la clave del éxito. Es solo sobre esta base que mining y machine learning se pueden implementar con éxito.

En la arquitectura de Audi, OPC UA y MQTT se utilizan como medio de transporte de datos, que se enruta a una capa Edge sobre la cual se encuentra una plataforma de big data. Además, se pueden colocar aplicaciones como análisis de diagnóstico para el condition monitoring y análisis predictivo para el mantenimiento basado en la condición.

Esta ruta también se establece en la especificación complementaria PROFINET OPC UA, cuyo contenido esencial incluye la recopilación y presentación de datos de diagnóstico y gestión de activos. Para este propósito, los datos de activos y diagnósticos de los dispositivos empleados hoy se recopilan en un controlador del sistema a través de los servicios PROFINET existentes y se entregan a instancias de nivel superior por medio de OPC UA.

La apertura de PROFINET hace posible, por ejemplo, agregar sensores con una interfaz OPC UA que envían sus datos directamente a los servicios en la nube correspondientes o edge gateways sin necesidad de reconstruir tediosamente la solución de automatización. Esto hace posible implementar métodos de diagnóstico innovadores, incluso en los sistemas existentes.

Es una situación que también se conoce en la construcción de la carrocería. “Para nosotros, un robot es simplemente un dispositivo subordinado del PLC. Nos gustaría penetrar hasta los datos en la parte inferior, pero no queremos establecer una red separada ", dijo Mayer, quien inmediatamente proporcionó una explicación pragmática. "Si tiene que tender un cable adicional a más de 2.000 robots, simplemente no funciona. No solo esto, sino que no solo utilizamos un solo fabricante de robots. Dependiendo de la aplicación, confiamos en una gran cantidad de fabricantes diferentes ".

Además de esto, OPC UA no ha sido implementado por todos los fabricantes. Todavía falta en las tecnologías más importantes en la construcción de la carrocería, como la soldadura por puntos, soldadura de pernos, pegado y remachado. En contraste, los fabricantes de robots ya están un buen paso adelante, al igual que los fabricantes de RFID. Mayer también ve el hecho de que Audi aún no ha pedido esto como la razón de la continua reticencia. Sin embargo, esto se compensará en las próximas convocatorias de propuestas.

Implementación práctica

En la implementación práctica, una cosa queda clara: en aplicaciones donde ya se ha introducido una combinación de PROFINET y OPC UA, las ventajas surgieron efecto rápidamente. Un buen ejemplo en la fábrica de Audi en Neckarsulm es el sistema de medición en línea para la alimentación de remaches sobre una manguera altamente flexible desde el área de llenado hasta la herramienta de remachado en un brazo de robot.

El desafío aquí radica en la velocidad de cierre del remache, que es relativamente alta a 20 metros por segundo. La manguera debe reemplazarse en algún momento entre los remaches 500,000 y 1 millón. Ahora, la manguera ya no se debe reemplazar durante la producción, sino en un momento más conveniente, ya que el proceso debía detenerse durante 20 a 30 minutos para cada cambio.

Luego, el equipo creó un análisis de series temporales para detectar el desgaste en la manguera de alimentación de remaches. La implementación fue relativamente fácil: más aire fluye a través de la manguera tan pronto como aparecen las manchas porosas más pequeñas. Estos resultados se registran, se envían a PROFINET a través de OPC UA al mismo tiempo y se visualizan. Ahora, cada empleado tiene la capacidad de enterarse de los eventos que tienen lugar en el nivel más bajo y tomar medidas más rápido, incluso sin un cable adicional.

Perspectivas: Mayer espera que las especificaciones sean implementadas más rápidamente por los fabricantes de dispositivos en el futuro. Al mismo tiempo, también les recuerda a los usuarios que tampoco deberían esperar demasiado. “Si desea obtener beneficios en la producción, debe involucrarse con este tema desde el principio. Desde mi punto de vista, la Industria 4.0 ya llegó a la práctica hace un tiempo. Todo lo que tenemos que hacer ahora es implementarlo ".

Más información