Die Kohärenz der Daten validieren
Um den Energieverbrauch der AGV in seinem VW-Werk zu reduzieren, setzt VW auf die Verwaltungsschale. Die Experten von MHP unterstützen beim Aufbau der AAS und ihren Submodellen. (Quelle: Volkswagen Sachsen)
Eine enge Zusammenarbeit mit den Volkswagen-Technikern stellte sicher, dass die aufgezeichneten Daten die tatsächlichen Aktionen des einzelnen AGV widerspiegeln, beispielsweise, ob es geladen wird, im Leerlauf ist, gerade eine Ladung ans Ziel bringt oder noch unterwegs ist. „Wir konnten schnell bestätigen, dass das, was wir aus quantitativer Sicht sahen, dem entsprach, was in der Realität geschah“, erinnert sich Dr. D. Thieme.
Nach dieser Validierung ging das Projekt in die Phase der Datenanalyse über. Dabei griff die Analyseplattform auf die gesammelten Parameter der Submodelle der Verwaltungsschale zu. Konkretes Ziel war die Optimierung von fünf Kenngrößen:
- Energieverbrauch & CO2-Fußabdruck: Wie viel Energie verbraucht jedes AGV tatsächlich und wie hoch ist die Energieeffizienz für jedes AGV?
- Batterielebensdauer: Wie ist der aktuelle Gesundheitszustand und die Lebenserwartung der AGV-Batterie? Wie viele Voll- und Teilladezyklen sowie Tiefentladezuständen wird die Batterie ausgesetzt?
- Flottengröße: Wie ist die Auslastung der Flotte, der Teilflotte und der einzelnen AGV? Was sind die Hauptgründe für Ausfallzeiten? Welche Auswirkungen hat die Reduzierung der Flottengröße auf den Betrieb?
- Anzahl der Ladepunkte: Wie lange dauert das Aufladen eines AGV durchschnittlich? Wie hoch ist die durchschnittliche Energie, die ein AGV benötigt, um eine Ladestation zu erreichen? Wie würde sich der Energieverbrauch der AGV verändern, wenn Ladepunkte verlegt würden?
- Routen und Entfernungen: Welche Energie benötigt ein AGV, um von seiner aktuellen Position zum Start einer neuen Aufgabe oder eines Haltebereichs zu gelangen?
Die KPI erzeugen viele Datenpunkte, die nur durch Berücksichtigung ihrer Beziehungen analysiert werden können. Gerade aus diesen nützlichen Beziehungsdaten ließen sich verbesserte Routen ableiten sowie Indikationen für die Verlegung von Ladepunkten oder die Optimierung der Flottengröße.
Dabei spielen nicht nur die OT-Systeme der AGV eine Rolle, sondern auch IT-Applikationen, die über eine standardisierte Datenschicht integriert werden müssen. Auch hier war der Einsatz eines digitalen Zwillings bei der Integration entscheidend. Einmal mehr zeigt dies die Schlagkraft einer AAS. „Wir konnten belegen, dass sich dieses Vorgehen gut eignet, um unsere bestehende Infrastruktur zu integrieren und bewährte Legacy-Systeme zu verbessern und weiterzuverwenden”, bilanziert Dr. D. Thieme.
Ein großer Vorteil des selbst entwickelten Datenmodells in der Asset Administration Shell ist die herstellerunabhängige Weiterverwendbarkeit: Da sich das Projekt in einer laufenden Produktionsumgebung bewährt hat (und nicht nur im Labor), gibt es bereits feste Pläne für weitere Roll outs im Konzern, wo derzeit Tausende AGV im Einsatz sind.
Vorteile der Asset Administration Shell
Seit 2022 definiert die Norm IEC 63278-1 das standardisierte Informationsmodell der Asset Administration Shell (AAS, Verwaltungsschale) für den digitalen Zwilling. Das von der Industrial Digital Twin Association (IDTA) geschaffene durchgängige Modell sammelt die Daten von Maschinen und Anlagen – und erleichtert so die Digitalisierung in Fabriken. Ziele sind ein schnelleres Engineering, höhere Produktivität, geringere Wartungskosten und verbesserte Energieeffizienz. Über eine von der IDTA veröffentlichte Standard-API können Analyse-Tools auf die Parameter der Submodelle der Verwaltungsschale zugreifen. Die API bleibt unabhängig von möglichen Änderungen innerhalb der Struktur oder Datenhaushalte der Submodelle konstant, sodass jede zugreifende Applikation immer die gleichen Daten bezieht. Ein weiterer Unterschied zu bisherigen standardisierten und proprietären Lösungen: Während letztere vorrangig Live-Daten zur Verfügung stellen, sammelt die AAS Daten über den gesamten Lebenszyklus hinweg und legt entsprechende Files an.