Tagungsband $6,0Workshop 676*0062018 Tobias Loose (Hrsg.)

8. und 9. März 2018 an der Hochschule Heilbronn Tagungsband $6,0Workshop 676*0062018 Tobias Loose (Hrsg.)

Arbeitsgemeinschaft Simulation ASIM in der Gesellschaft für Informatik GI Fachgruppen: Simulation technischer Systeme STS, Grundlagen und Methoden in Modellbildung und Simulation GMMS

$6,0:RUNVKRS676*006 7DJXQJVEDQG

+RFKVFKXOH+HLOEURQQXQG0lU]

+HUDXVJHJHEHQYRQ 7RELDV/RRVH +RFKVFKXOH+HLOEURQQ $5*(6,05HSRUWAR ASIM Mitteilung AM 165 ,6%1 SULQW ±,6%1 HERRN $5*(6,03XEOLVKHU±9LHQQD±ZZZDUJHVLPRUJ '2,DUHS %LEOLRJUDSKLF'DWD 9HUODJ$5*(6,03XEOLVKHU9LHQQD 7LWHO7DJXQJVEDQG$6,0:RUNVKRS676*006 8QWHUWLWHO:RUNVKRS$6,0)DFKJUXSSHQ6LPXODWLRQ7HFKQLVFKHU6\VWHPH 676 XQG*UXQGODJHQXQG 0HWKRGHQLQ0RGHOOELOGXQJXQG6LPXODWLRQ *006 +RFKVFKXOH+HLOEURQQ +HUDXVJHEHU7RELDV/RRVH+RFKVFKXOH+HLOEURQQ 6HULHV$5*(6,05HSRUWV 6HULHV(GLWRUV)HOL[%UHLWHQHFNHU7KRUVWHQ3DZOHWWD$6,0 9ROXPH$5*(6,05HSRUWQR ,6%1 SULQW HERRN '2,DUHS ASIM ID: ASIM Mitteilung AM 165 3XEOLNDWLRQVGDWXPSULQWHERRN 6HLWHQDQ]DKO265[SDJHV 7LWHOEODWW0LWIUHXQGOLFKHU*HQHKPLJXQJHQWVWDQGGLH7LWHOVHLWHGXUFKGDV)RWRYRQ+UQ5RODQG6FKZHL]HU VRZLHGLH'LDJUDPPH%LOGHUXQG6NL]]HQDXVGHQ%HLWUlJHQYRQ7RELDV/RRVHHWDO5DOI0LNXW.DWULQ 5HEOLQVN\&KULVWLDQ5LFKWHUHWDO9RONHU:DXULFKHWDO.DUOKHLQ]:ROIPOOHU &RS\ULJKW$5*(6,03XEOLVKHU:LHQ SULQW HERRN &RS\ULJKW+RFKVFKXOH+HLOEURQQ SULQW +RFKVFKXOH+HLOEURQQ)DNXOWlWIU7HFKQLVFKH3UR]HVVH&DPSXV6RQWKHLP 0D[3ODQFN6WU+HLOEURQQ'HXVWFKDOQG

'DV:HUNLVWXUKHEHUUHFKWOLFKJHVFKW]W'LHGDGXUFKEHJUQGHWHQ5HFKWHLQVEHVRQGHUHGLHGHUhEHUVHW]XQJGHV 1DFKGUXFNVGHU(QWQDKPHYRQ$EELOGXQJHQGHU)XQNVHQGXQJGHU:LHGHUJDEHDXISKRWRPHFKDQLVFKHPRGHUlKQ OLFKHP:HJXQGGHU6SHLFKHUXQJLQ'DWHQYHUDUEHLWXQJVDQODJHQEOHLEHQDXFKEHLQXUDXV]XJVZHLVHU9HUZHUWXQJ YRUEHKDOWHQ'HUYRUOLHJHQGH7DJXQJVEDQGHQWKlOW%HLWUlJHIUZHOFKHGLH$XWRUHQVHOEVWYHUDQWZRUWOLFKVLQG &RS\ULJKW,QIRUPDWLRQ5HJXODWLRQV$5*(6,0 $5*(6,0LVDQRQSURILWVFLHQWLILFVRFLHW\JHQHUDOO\DLPLQJIRUGLVVHPLQDWLRQRILQIRUPDWLRQRQV\VWHPVLPX ODWLRQIURPUHVHDUFKYLDGHYHORSPHQWWRDSSOLFDWLRQVRIV\VWHPVLPXODWLRQ$5*(6,0¶VSULPDU\SXEOLFDWLRQ LVWKHMRXUQDO61(±6LPXODWLRQ1RWHV(XURSHZLWKRSHQDFFHVVWRDOOFRQWULEXWLRQVJHQHUDOO\WKHDXWKRUV UHWDLQWKHFRS\ULJKWRIWKHLU61(FRQWULEXWLRQV7KLVFRS\ULJKWUHJXODWLRQKROGVDOVRIRUARGESIM Reports DQGARGESIM Advances in Simulation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ublisherRUJDQL]HVSXEOLVKLQJDFWLYLWLHVZLWK,6%1URRW[[\ DQG'2,URRW[[«[ $5*(6,0¶VDFWLYLWLHVDUH • 3XEOLFDWLRQRIWKHVFLHQWLILFMRXUQDO61(6LPXODWLRQ1RWHV(XURSH 0HPEHUVKLS-RXUQDORI(8526,0 WKH)HGHUDWLRQRI(XURSHDQ6LPXODWLRQ6RFLHWLHV ĺwww.sne-journal.org • 2UJDQLVDWLRQDQG3XEOLFDWLRQRIWKH$5*(6,0%HQFKPDUNVIRU0RGHOOLQJ$SSURDFKHVDQG6LPXODWLRQ ,PSOHPHQWDWLRQVĺwww.argesim.org/benchmarks/ • 3XEOLFDWLRQRIWKHVHULHV$5*(6,05HSRUWV IRUPRQRJUDSKVLQV\VWHPVLPXODWLRQDQGSURFHHGLQJVRIVLPXODWLRQ FRQIHUHQFHVDQGZRUNVKRSV ĺwww.argesim.org/publications/ • 3XEOLFDWLRQRIWKHVSHFLDOVHULHV)%66LPXODWLRQ$GYDQFHVLQ6LPXODWLRQ)RUWVFKULWWVEHULFKWH 6LPXODWLRQ PRQRJUDSKVLQFRRSHUDWLRQZLWK$6,0WKH*HUPDQ6LPXODWLRQ6RFLHW\ • 2UJDQLVDWLRQRIWKH&RQIHUHQFH6HULHV0$7+02'9LHQQD WULHQQLDOLQFRRSHUDWLRQZLWK(8526,0$6,0DQG78 :LHQ ĺwww.mathmod.at • 2UJDQLVDWLRQRI6XPPHUVFKRROVDQG6HPLQDUVRQ0RG 6LP • $GPLQLVWUDWLRQDQGVXSSRUWRI$6,0 *HUPDQ6LPXODWLRQ6RFLHW\ĺwww.asim-gi.org DQGRI(8526,0 )HGHUDWLRQRI(XURSHDQ6LPXODWLRQ6RFLHWLHVĺwww.eurosim.info $5*(6,0±$UEHLWVJHPHLQVFKDIW6LPXODWLRQ1HZV±:RUNLQJ&RPPLWWHH6LPXODWLRQ1HZV±61(3XEOLFDWLRQ 0RPPVHQJDVVH9LHQQD$XVWULD7HO)D[ (PDLORIILFH#DUJHVLPRUJRIILFH#VQHMRXUQDORUJ:::ZZZDUJHVLPRUJZZZVQHMRXUQDORUJ ,QFRUSRUDWHG$XVWULDQ6RFLHW\=951R±(89$7,'1R$78 %DQN$FFRXQW$5*(6,0,%$1$7%,&*,%$$7::;;;(567(%$1.9,(11$ Vorwort

Die Workshops bzw. Tagungen der beiden ASIM/GI Fachgruppen „Simulation technischer Systeme“ (STS) sowie „Grundlagen und Methoden in Modellbildung und Simulation“ (GMMS) ﬁnden seit vielen Jahren jährlich an verschiedenen Standorten statt. Die Veranstaltungen dieser Reihe tragen dazu bei, die Diskussion, den Informations- und Erfahrungsaustausch zwischen Fachleuten auf den Gebieten der Simulation, der Modellbildung und des maschinellen Lernens zu fördern.

Am 8. und 9. März 2018 ﬁndet das ASIM Fachgruppentreffen erstmalig an der Hochschule Heilbronn statt. Über 40 Beiträge aus Wissenschaft und Industriepraxis werden präsentiert. Unter anderen konnten wir als Gastredner • Prof. Dr.-Ing. Ralf Mikut, Karlsruher Institut für Technologie: Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft • Hr. Werner Schempp, Ministerialdirigent a. D.: Baden-Württemberg zu Gast in der Welt - die Welt zu Gast bei uns • Dr.-Ing. Hans Martin Ritt, Manager Application and Pilot Engineering, MathWorks: Data Science für Ingenieure gewinnen, siehe dazu auch die entsprechenden Beiträge in diesem Tagungsband.

Das Treffen wird begleitet von einer Ausstellung, auf der die anerkannten Fachﬁrmen ihre Produktpalette präsentieren. Wir begrüßen herzlich die VertreterInnen aus Forschungsinstituten und Industrie zum diesjährigen Workshop in Heilbronn und freuen uns gemeinsam mit Ihnen auf interessante Diskussionen und einen regen Erfahrungsaustausch. Die Beiträge sind alphabetisch nach der jeweiligen Institution bzw. anschließend nach den Nachnamen der AutorInnen sortiert.

Sehr herzlich möchten wir uns für die Unterstützung und die Mithilfe bei der Organisation der Tagung bei Fr. Forough Lang, Fr. Marion Strattner, Hr. Thomas Kriehn, Hr. Prof. Thomas Pospiech, Fr. Christina Deatcu, Hr. Prof. Walter Commerell, Hr. Prof. Thorsten Pawletta bedanken. Ebenso möchten wir uns bei allen Gastrednern, AutorInnen und Unternehmen für das Engagement und die Ausgestaltung der Tagung bedanken.

Es ist uns eine sehr große Freude, alle TeilnehmerInnen an unserer Hochschule und unserer Fakultät für Technische Prozesse begrüßen zu dürfen. Viele KollegInnen unserer Fakultät arbeiten, lehren und forschen auf dem Gebiet der Simulation und Modellbildung, was auch durch die zahlreichen Beiträge in diesem Tagungsband zum Ausdruck kommt. Durch die Tagung an unserer Fakultät unterstützen wir daher gerne die Vernetzung, Kooperation oder Zusammenarbeit zwischen den ExpertInnen in diesen sehr interessanten Fachgebieten.

Prof. Tobias Loose, Organisation der Tagung Prof. Juliane König-Birk, Dekanin der Fakultät für Technische Prozesse Heilbronn, im März 2018 Tagungsleitung:

Tobias Loose, Hochschule Heilbronn Walter Commerell, Hochschule Ulm Thorsten Pawletta, Hochschule Wismar

Thematische Schwerpunkte und Ansprechpartner:

Echtzeitsimulation und HiL Robert Buchta Grundlagen und Methoden in Modellbildung und Simulation Thorsten Pawletta Maschinelles Lernen Tobias Loose Mathematische Verfahren in Modellbildung und Simulation Michael Striebel Modellbasierte Funktionsentwicklung Walter Commerell Modellierungssprachen (Modelica, VHDL, AMS, etc.) und Standards Klaus Panreck Simulation in der Elektronikentwicklung Joachim Haase Simulation in der Energietechnik Walter Commerell Simulation in der Luft-und Raumfahrt Umut Durak Simulation in der Robotik / Steuerungstechnik Thorsten Pawletta Simulation mechatronischer Systeme Heinz-Theo Mammen Simulation thermischer Systeme Leo Gall Simulation und Modellbildung für die Ausbildung Tobias Loose Simulation von Elektro- und Hybridfahrzeugen Xiaobo Liu-Henke Technische Prozesse Annett Großmann

Tagungsorganisation: Tagungsort: Hochschule Heilbronn Hochschule Heilbronn Campus Sontheim Campus Sontheim Max-Planck-Str. 39 Max-Planck-Str. 39 74081 Heilbronn 74081 Heilbronn Tel.: +49 (0)7131 - 504 0 www.hs-heilbronn.de Veranstalter:

ASIM/GI-Fachgruppe Simulation technischer Systeme Die Fachgruppe Simulation technischer Systeme (STS) befasst sich innerhalb der Arbeitsgemeinschaft Simulation (ASIM) mit der Modellbildung und Modellstudien für die Simulation neu zu entwickelnder oder zu verbessernder technischer Geräte und Bauteile. In der Fachgruppe ﬁnden diejenigen einen Ansprechpartner, die sich mit der Bereitstellung und Anwendung von Werkzeugen und Programmen zur Modellerstellung bei der Simulation der genannten Systeme beschäftigen. Dazu werden Fachgruppentreffen und Fachgespräche zu aktuellen Themen organisiert. Themen sind u. a. Modellierung und Simulation mechatronischer und thermischer Systeme, Simulation in der Elektronikentwicklung, in der Medizintechnik und im Automobilbau, Echtzeitsimulation, neue Methoden der Regelungstechnik, Modellierungssprachen wie Modelica und VHDL- AMS, Modellaustausch - Stichwort Functional Mockup Interface (FMI) sowie auch der Einsatz von Simulationsverfahren in der Ingenieursausbildung. www.asim-gi.org/sts

ASIM/GI-Fachgruppe Grundlagen und Methoden in Modellbildung und Simulation Die Fachgruppe Grundlagen und Methoden in Modellbildung und Simulation (GMMS) befasst sich in enger Zusammenarbeit von Industrie und Forschungseinrichtungen mit methodischen Entwicklungen zu Modellierungsansätzen, numerischen und softwaretechnischen Verfahren, Algorithmen, Simulationswerkzeugen sowie simulationsgestützter Experimentiermethoden (z.B. Optimierung). Weitere Schwerpunkte bilden: die Kombination von Methoden der Simulation und KI, Methoden der Verkehrssimulation und die Anwendung von Methoden der Modellbildung und Simulation in der Ausbildung. Letztere werden teilweise in speziellen Arbeitsgruppen behandelt. Generell sind von besonderem Interesse Methoden und Werkzeuge, die über mehrere Anwendungsdomänen hinweg eingesetzt werden. www.asim-gi.org/gmms/

Hochschule Heilbronn Im Zentrum einer der wirtschaftlich stärksten Regionen Deutschlands, unweit der Ballungszentren um Stuttgart, Heidelberg und Mannheim, liegt die staatliche Hochschule Heilbronn. Mit ca. 8.300 Studierenden ist die Hochschule Heilbronn eine der größten Hochschulen für Angewandte Wissenschaften in Baden-Württemberg.Ihr Kompetenz-Schwerpunkt liegt auf den Bereichen Technik, Wirtschaft und Informatik. An drei Standorten in Heilbronn, Künzelsau und Schwäbisch Hall bietet die Hochschule mehr als 50 Bachelor- und Masterstudiengänge an. Die Hochschule pﬂegt enge Kooperationen mit Unternehmen aus der Region und ist dadurch in Lehre, Forschung und Praxis gut vernetzt, siehe https://www.hs-heilbronn.de/2026130/die-hochschule.

Inhaltsverzeichnis

Seite

Einrichtung Ihrer Co-Simulation! 1 Peter Hoffmann Chiastek GmbH

Design and Development of Research Aviation Training Device 5 Haitao Wang, Umut Durak, Sven Hartmann Clausthal University of Technology, German Aerospace Center (DLR)

Prädiktion des Reglerverhaltens in industriellen Zuluftanlagen im Lackierbetrieb durch maschinelle Lernverfahren 11 Philipp Oetinger, Simon Alt, Tobias Schlotterer, Martin Weickgenannt Dürr Systems AG

Modellierung und Simulation hochviskoser, nicht-isothermer Fluide mit freier Oberﬂäche 15 Dimitri Harder, Edmond Skeli, Dirk Weidemann, Klaus Panreck FH Bielefeld

The RESIN climate change adaptation project and its simple modeling approach for risk-oriented vulnerability assessment 21 Daniel Lückerath, Manfred Bogen, Erich Rome, Betim Sojeva, Oliver Ullrich, Rainer Worst, Jingquan Xie Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS

Integration eines Multi-Agenten-Systems in eine Ereignisdiskrete Materialﬂusssimulation 27 Michael Scholz, Toni Donhauser, Jörg Franke Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)

E|Melt: Erweiterung einer unternehmensspeziﬁschen Materialﬂuss- und Energiesimulation zur Abbildung variabler Betriebsstrukturen der Nichteisen- Schmelz- und Druckgussindustrie 33 Andreas Buswell, Wolfgang Schlüter Hochschule Ansbach

Numerische Untersuchung einer Diﬀusor-Kontraktion und Beeinﬂussung des Strömungszustandes durch Wandkonturierung 39 Konstantin Zacharias, Wolfgang Schlüter Hochschule Ansbach

Simulationsbasierte Bestimmung optimaler Betriebsparameter von Biogasanlagen 45 David Wagner, Wolfgang Schlüter Hochschule für angewandte Wissenschaften Ansbach

Strategien zur Reorganisation von Mischstapeln in automatischen Blocklägern 51 Markus Fittinghoff Hochschule Heilbronn

Alterssimulation anhand eines sensorgesteuerten Transportwagens 53 Annett Großmann,Forough Lang Hochschule Heilbronn

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 i WILLE: Wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen 59 Jana Heimel, Joachim Allhoff, Martin Vural Hochschule Heilbronn

Dynamische Simulation von Mini-Fahrzeugen mit Modern C++, Boost-Odeint und Robot-Operating-System 69 Niclas Heining, Uwe Ingelﬁnger, Ansgar Meroth, Frank Tränkle Hochschule Heilbronn

Towards State of the Art in open-set Face Identiﬁcation 75 Oliver Huettner, Carsten Lanquillon, Sigurd Schacht Hochschule Heilbronn

Mechanische CAD-Simulationsverfahren; Anlagen-Engineering mit DMU 81 Werner Kalliwoda Hochschule Heilbronn

Predictive Convolutional Autoencoding: Anomalieerkennung für eine automatisierte bildgestützte Qualitätsprüfung 83 Carsten Lanquillon, Jerome Tagliaferri, Marina Früh, Jananika Ragunathan, Inna Nenja Hochschule Heilbronn

Einbindung von Labormodellen mit industriepraktischen Fragestellungen in der Hochschullehre 89 Tobias Loose, Thomas Pospiech Hochschule Heilbronn

Lernerfahrung bei der Realisierung eines autonomen Transportfahrzeugs als Regelungstechnik-Laborarbeit 95 Christoph Obasohan, Thomas Pospiech, Tobias Loose Hochschule Heilbronn

Das Zentrum für Maschinelles Lernen (ZML) an der Hochschule Heilbronn 97 Alexandra Reichenbach, Wendelin Schramm, Nicolaj Stache Hochschule Heilbronn

Predictive IT-Service Operation 103 Sigurd Schacht, Carsten Lanquillon, Simon Vollert, Naftali Mishiev, Artjom Fink, Roland Licht, Bianca Parusel Hochschule Heilbronn

Regelungstechnische Projektierung und Realisierung mechatronischer Systeme am Beispiel von Hochschul-Laboranlagen 109 Christian Siegle, Thomas Pospiech, Tobias Loose Hochschule Heilbronn

Standardisierung dynamischer Modelle zur Analyse, Synthese, Simulation und Echtzeitrealisierung 113 Karlheinz Wolfmüller Hochschule Heilbronn

Generierung von Simulationsmodellen zur Ermittlung des Systemverhaltens von Shuttle-Systemen 119 Thomas Kriehn, Franziska Schloz, Karl-Heinz Wehking, Markus Fittinghoff Hochschule Heilbronn, Universität Stuttgart

MbedTarget - A Simulink Target for Cortex-M Microcontrollers 125 Olaf Hagendorf Hochschule Wismar

Modellbasiert lernende Steuerung für Gelenkarmroboter (Work in Progress) 131 Georg Kunert, Thorsten Pawletta Hochschule Wismar

Praxisbeispiel: Emulation mit SAP EWM 133 Alexander Klemm, Dominik Wittwer io-consultants GmbH & Co. KG ii Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft 137 Ralf Mikut Karlsruher Institut für Technologie

Smooth virtual commissioning mit industrialPhysics 143 Isabelle Kautz, Florian Wegmann machineering GmbH

Data Science für Ingenieure 145 Hans Martin Ritt, Marcus Maurer, Alexander Diethert MathWorks GmbH

Baden-Württemberg zu Gast in der Welt - die Welt zu Gast bei uns 147 Werner Schempp Ministerialdirigent a.D.

Deep Reinforcement Learning zur Bewegungsplanung und -regelung mobiler Roboter 149 Jan-Niklas Nieland, Marco Beesk, Frank Tränkle Neobotix GmbH, Hochschule Heilbronn

Konzeption des Entwicklungsprozesses zur Berücksichtigung von Genderaspekten in fahrzeugmechatronischen Systemen 155 Xiaobo Liu-Henke, Haoqi Tao, Sven Jacobitz Ostfalia Hochschule für angewandte Wissenschaften

Systemkonzept einer durchgängigen Low-Cost RCP-Plattform 163 Xiaobo Liu-Henke, Sven Jacobitz, Marian Göllner, Sören Scherler Ostfalia Hochschule für angewandte Wissenschaften

Simulationsgestützte Konzeption der Antriebstopologie eines fahrerlosen Transportfahrzeugs 169 Xiaobo Liu-Henke, Sören Scherler, Marian Göllner, Johannes Maisik, Matthias Fritsch Ostfalia Hochschule für angewandte Wissenschaften

Gesamtkonzept des Forschungsprojekts iREX 4.0 175 Sören Scherler, Xiaobo Liu-Henke Ostfalia Hochschule für angewandte Wissenschaften

Modellbasierte Entwicklung einer Spurfolgeregelung mittels zeitdiskreten modellprädiktiven Regelalgorithmen (DMPC) 181 Jie Zhang, Marian Göllner, Xiaobo Liu-Henke Ostfalia Hochschule für angewandte Wissenschaften

IoT gestütztes Maschinen-Monitoring - „Wearables“ für Maschinen 187 Martin Strube Ostfalia Hochschule für angewandte Wissenschaften, Hochschule Braunschweig Wolfenbüttel

Approximation von Materialﬂussmodellen durch neuronale Netze und Gradient-Boost Verfahren 191 Bernd Allmendinger, Stefan Pfaff PPI-Informatik

Implementing the Argesim C21 benchmark with Modelica components 197 Jan-Philipp Disselkamp, Peter Junglas, Alexander Niehüser, Phillip Schönfelder Private Hochschule für Wirtschaft und Technik Vechta/Diepholz (PHWT)

Regressionsmethoden zur Ersatzmodellbildung und analytischen Beschreibung von Erdstoﬀmodellen 203 Christian Richter, Frank Will Technische Universität Dresden

Simulation der automatisierten Schaufelbefüllung eines Radladers mit Modelica 209 Volker Waurich, Frank Will Technische Universität Dresden

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 iii Modeling and Simulation Based Development of Autonomy Features for Drones 215 Shihui Chen, Umut Durak, Sven Hartmann TU Clausthal, German Aerospace Center (DLR)

Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung 223 Gaby Albrecht, Anne Fischer, Kurt Chudej Universität Bayreuth

Ein Ansatz zur objektorientierten Modellierung und Simulation technischer Systeme mit dem Physolator 231 Dirk Eisenbiegler Universität Furtwangen

Model-driven development and simulation of Integrated Modular Avionics (IMA) architectures 233 Björn Annighöfer Universität Stuttgart

Variability Modeling for Engineering Applications 239 Hendrik Folkerts, Thorsten Pawletta, Christina Deatcu, Umut Durak University of Applied Sciences Wismar, German Aerospace Center (DLR)

Experimental Adaptation of a Training Simulator for Manual Welding Processes towards the Teach-In of Welding Robots 249 Benjamin Knoke, Mareike Voskuhl, Marcel Tebbe, Markus Häveker , Christian Gorldt, Klaus-Dieter Thoben University of Bremen, Daimler AG

Maschinelles Lernen beim visuellen HMI in der Testautomatisierung vernetzter Fahrzeugfunktionen bei Volkswagen 253 Robert Buchta, Adrian Heller Volkswagen AG

MATLAB unterstützte Auslegung von Signalleitungen 259 Katrin Reblinsky VWA-Hochschule für berufsbegleitendes Studium

iv Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Einrichtung Ihrer Co-Simulation!

Peter Hoffmann Chiastek GmbH [email protected]

Unterstützung Ihres Wissen und Vertrautheit mit der verwendeten Simulationsumgebung ist wesentlich bei der Kopplungsfrage von Simulatoren, Werkzeugen und Modellen. Um notwendige Interdependenzdaten zu erhalten, braucht man eine unabhängige Instanz, die durch native Kopplung bereits im Einsatz befindlicher Simulationswerkzeuge erreicht wird. Wahrscheinlich am wichtigsten für Sie, ohne ein weiteres Werkzeug neu zu lernen und Ihr geistiges Eigentum teilen zu müssen. Diese Lösung versteht sich als Hintergrundaufgabe und erlaubt die dynamische Steuerung des bi-direktionalen Datenaustausches von Abhängigkeiten zwischen Ein- und Ausgängen zur Optimierung oder Erforschung neuer Designs. Am Beispiel von Leistungselektronik profitieren auch thermische und elektromagnetische Experten und deren Modelle von Interdependenzdaten. Dieser Beitrag zeigt Details der verwendeten Co-Simulation Architektur, erläutert Hintergründe der Kopplung, beschreibt Möglichkeiten der Tool-Unterstützung und gibt ein Beispiel aus der Multiphysik Co-Simulation.

Die Einleitung

Nehmen wir mal an, dass Sie der Experte in Sachen Leistungselektronik sind, Simulation ist ein wichtiger Meilenstein in Ihrem Entwicklungsprozess und Sie liefern gute Ergebnisse bei der Entwicklung elektrischer Antriebsstränge. Wäre es nicht aufregend, herausra- gende Designs und Lösungen zu finden, indem wir alle Interdependenzen Ihrer Leistungselektronik simulieren, die elektromagnetische, thermische und mechanische Effekte beeinflussen oder bewältigen. Ihre per- sönliche Erfahrung ermöglicht es Ihnen, Leistungsver- Abbildung 1. zeigt den Co-Simulation Bus. luste in Elektromotoren abzuschätzen, die durch nicht optimale Induktionsentwürfe, unnötige Wärmever- luste und mechanische Abnutzung verursacht werden Die Plattform-Architektur können und die alle langfristige Zuverlässigkeit beein- trächtigen. Wäre es nicht großartig, Ihr Design mit di- Am ausgewählten Beispiel wie Leistungselektronik rekten simulierten Daten für Wärme, Verschleiß und elektromagnetische, thermische und mechanische Ef- elektromagnetische Effekte zu betrachten, die Ihre fekte beeinflusst wird der Wert von nativer Simulati- Schätzungen unterstreichen? Das klingt schwer zu er- onskopplung besonders deutlich. Sie ermöglicht Ihnen reichen, aber ist es wirklich? alle relevanten Effekte, die Ihre Leistungselektronik beeinflussen kann, zu simulieren ohne tiefe Expertisen anderer Physik, Domänen oder Simulationstools haben Unterstützung Ihrer Erfahrung und Vertrautheit mit der zu müssen. Die nativ-gekoppelten Simulatoren liefern verwendeten Simulationsumgebung ist ein wesentli- Ihnen die Ergebnisse, die für Ihre Entwicklungsauf- cher Aspekt. Der fehlende Teil, um die oben beschrie- gabe von Bedeutung sind. Außerdem ermöglicht die benen Interdependenzdaten zu erhalten, kann durch native Kopplung netzwerkbasierte Zusammenarbeit in eine native Kopplung mit anderen bereits im Einsatz der Simulation zwischen Kollegen und Zulieferer auf befindlichen Simulationswerkzeugen erreicht werden. regionaler oder globaler Ebene. Wahrscheinlich am wichtigsten für Sie, ohne ein weiteres Werkzeug neu zu lernen und die Notwendigkeit, Zur Erreichung einer nutzerfreundlichen Co-Simula- Ihr geistiges Eigentum zu teilen. Dank unserer Kopp- tion innerhalb existierender Entwicklungsprozesse lungsmöglichkeiten können Sie Ihr Simulationswerk- und Engineering-Tools gehört eine offene Plattform. zeug sehr einfach bereichern, die Effizienz der Ent- Im Gegensatz zu einer Punkt-zu-Punkt-Lösung, bei wicklung steigern und Ihre Ziele schneller erreichen. der nur ein Simulator mit einem anderen Simulator

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 1 Einrichtung Ihrer Co-Simulation!

kommunizieren kann, kommt hier eine offene Co-Si- Konfigurierbarkeit zu unterstützen, verbessert Ihr mulation Bus-Architektur zum Einsatz. Die Lösung neues oder existierende Simulation Modell in allen bietet wesentliche Vorteile: Phasen des Entwicklungsprozesses. 1. Uneingeschränkte Integration und Kommuni- kation zwischen heterogener Simulatoren 2. Flexible Simulation im Netzwerk um CPU- Nutzung und Simulationsleistung zu optimieren 3. Dynamische Konfiguration von Master- /Slave- und anderen Simulations-Steuerun- gen

Bereits Anfang 2000 wurde die Idee der nativen Simu- Abbildung 2. zeigt die CosiMate Benutzeroberfläche lationskopplung am TIMA-Forschungslabor in Grenoble geboren. Die Hauptidee bestand darin, einige CosiMate unterstützt intuitiv das Setup und die Methoden zur Validierung heterogener Systeme zu Kopplung jedes Simulators. Benutzern konfigurieren entwickeln. Die erste Veröffentlichung wurde von die Co-Simulationssitzung mit einer grafischen Drag Prof. A. Jerraya auf der MEDEA Konferenz zum & Drop-Schnittstelle und müssen lediglich folgenden Thema Embedded System Design gemacht. Im Jahr Parameter definieren: Auswahl der Simulationstools 2005 hatte die Groupe PSA ähnliche Simulationsher- aus einer Liste (Typ, Netzwerkadresse), Verbindungs- ausforderungen und konnte von der Entwicklung einer typen zwischen Simulatoren (Ein- und Ausgänge) und offenen Co-Simulation Bus-Architektur namens Cosi- gewünschter Simulationsstartmodus (automatisch o- Mate erstmalig profitieren. Diese frühe Produktbasis der manuell). Ein Datenmanager steuert die Daten- entwickelte sich zu einer ausgereiften Plattform, jetzt synchronisation zwischen den verschiedenen Umge- in der 9. Revision und einer robusten IT-Lösung, wel- bungen während der Co-Simulation. Interne Applika- che heute weltweit hauptsächlich bei Kunden aus der tionen sind ebenfalls verfügbar, um zum Beispiel die Luft- und Raumfahrt und der Automobilindustrie täg- Aktivität auf dem Co-Simulation Bus zu verfolgen. In lich eingesetzt wird. Die Möglichkeiten des Einsatzes den meisten Fällen sind CosiMate Komponenten in den Komponentenbibliotheken der unterstützten Si- der Co-Simulation Plattform sind unabhängig von der mulatoren verfügbar und können im Benutzermodell Industrie, da heterogene Simulation überall stattfindet. durch eine einfache Drag-und-Drop-Funktion hinzu- Die Lösung um Simulatoren koppeln zu können leistet gefügt werden. Sie verbinden das Modell mit dem nicht allein die Kommunikationsschnittstelle zur Inter- Co-Simulation Bus und damit mit den anderen Mo- konnektivität. Die reale Herausforderung liegt in der dellen. Sie können ihr Modell weiterhin über Ihr eige- korrekten Interpretation der ausgetauschten Daten in nes Simulationstool starten, als wäre es eine typische Bezug auf Zuverlässigkeit, Komplexität und Richtig- Simulation oder Sie nutzen eine vereinfachte Steue- keit. Bi-direktionale Abhängigkeiten zwischen Real- rungsschnittstelle der Plattform Applikation. zeit- und Nicht-Realzeit-Systemen, zwischen langsamen, schnellen oder diskreten Daten sowie zwischen Die hier beschriebene Bus-Architektur ist entschei- Uhrzeit-, Zeit- oder Trigger-gesteuerten Ereignissen dend für eine nachhaltige und langfristig offene Lö- brauchen spezifisch entwickelte Algorithmen. Verfüg- sung. Sie versteht sich generell als Hintergrundauf- bare Technologien nennen sich Numerical Solution, gabe und ermöglicht eine dynamische Steuerung des bi-direktionalen Datenaustausches von Interdepen- Signal-based Extrapolation, Model-based Extrapola- denzen (Ein- & Ausgänge) zur Optimierung oder Er- tion und Waveform Relaxation. Eine effiziente Kom- forschung neuer Designs. Am gewählten Beispiel bination von Technologien im Kopplungs-Algorith- werden auch thermische und elektromagnetische Ex- mus ist das Geheimnis um heterogene Subsysteme in- perten von Interdependenzdaten der Leistungselekt- teragieren zu lassen. Unsere entwickelten Algorithmen ronik zusätzlich profitieren und so ihr eigenes thermi- unterstützen die Besonderheiten und Herausforderun- sches oder elektromagnetisches Simulationsmodell gen der Automotive & Aerospace Industrie. Unsere optimieren können. Bemühungen, die familiäre Entwicklungsumgebung bei zu behalten, die einfache Nutzbarkeit und schnelle

2 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Einrichtung Ihrer Co-Simulation!

Die Tool-Unterstützung Die Möglichkeiten einer Tool-Unterstützung sind theoretisch grenzenlos und werden durch native Schnitt-

stellen und Bereitstellung von APIs umsetzbar. Die Die Zeit für Collaborative Design ist überfällig, aber Implementierung neuer Tools auf den Co-Simulation vielleicht zu schwierig, um in einer bunten Welt von Bus ist schnell und unproblematisch realisierbar. Die Simulationswerkzeugen Realität zu werden. Diese Liste unterstützter Tools umfasst schon heute mehr leistungsfähigen Simulationswerkzeuge sind über als 25 und wächst mit jeder neuen System-Simula- Jahrzehnte konstanter Erfahrung gewachsen und lie- tion Anforderung. fern heute die besten Ergebnisse in ihrem spezifi-

schen Bereich der Mono-Physik. Die Bereicherung Native Kopplung ermöglicht es Ihnen, alle Design Ex- dieser Werkzeuge in Richtung Multi-Physik Co-Simu- perimente durch Ihre bevorzugte Benutzeroberfläche lation lässt Ihr Simulationsprojekt Realität werden. selbst zu realisieren. Diese nicht störende Vorgehens- Die native Kopplung ist unser Fachwissen. Jeder Si- weise macht Sie zum Master der Multiphysik Co-Si- mulationsanwender kann von dieser nativen Unter- mulation, bereichert Ihre Ingenieurtätigkeit und stützung profitieren, indem er System-Simulationsan- nutzt Ihre Bibliothek von Simulationsmodellen wendungen in einer immer schnelllebigen und

elektrifizierten Welt erhöht. Das Applikationsbeispiel Es ist klar, dass die Komplexität einer Veränderung zu

einem anderen Simulationswerkzeug ein sehr riskan- tes Unterfangen und eine große Herausforderung für Das verwendete Beispiel einer Multi-Physik Co-Simu- die Ingenieurswelt darstellt, wo Zeit bis zur Markt- lation stammt von der Groupe PSA und nutzt Cosi- reife am aller wichtigsten ist. Und warum sollte je- Mate zur Stop/Start Funktionsoptimierung. Es ging mand sein Werkzeug wechseln, solange es seine letztendlich darum eine neue Plattform der Zusam- technischen Bedürfnisse abdeckt. All das Simulati- menarbeit für die Dimensionierung von Baugruppen onswissen basiert auf dem verwendeten Simulations- werkzeug und der im Laufe der Zeit erstellten Mo- zu entwickeln, die unter anderem Saber und Matlab dellbibliothek, die vom selben Werkzeug abhängt. Simulation nutzen. Zu den Herausforderungen zählten eine neue Vorgehensweise im Design-Prozess, eine Da die Komplexität in der Entwicklung stetig zunimmt Modell-Generierung mit Monte-Carlo Ansatz und eine und Interdependenzen nicht mehr ausgeschlossen Einrichtung von zugehörigen Tools und Prozessen der und/oder zu einem späteren Zeitpunkt berücksichtigt Co-Simulation. werden können, ist es Zeit die Simulation von der Mono-Physik zur Multi-Physik Co-Simulation wachsen zu lassen. Ohne die Vertrautheit in der Simula- tion aufzugeben und ein neues Werkzeug erlernen zu müssen, bereichert die CosiMate Plattform Ihre Si- mulationsumgebung durch native Kopplung zu jedem anderen Simulations-Werkzeug, das von Kollegen, Partnern und Lieferanten genutzt wird.

Abbildung 4. zeigt die von Groupe PSA eingerichtete Co-Simulation Plattform

Hierbei war es das Ziel der Groupe PSA eine opti- mierte Dimensionierung von Baugruppen zu erreichen. Um Studien über die Auswirkung der Motor Abbildung 3. zeigt Beispiele des Partner-Netzwerks Stop-/Start-Funktion auf andere Baugruppen durch- führen zu können, kombiniert PSA ihr Motor-/Starter-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 3 Einrichtung Ihrer Co-Simulation!

Simulationsmodell Matlab Simulink basierend und ihr Der Themenkomplex System-Simulation ist gerade Stromversorgungs-Simulationsmodell Synopsys heute von besonderer Bedeutung, wo diversifizierte Saber basierend in einem Co-Simulation Multiphysik- Entwicklungsschritte zwischen Konzern internen, aus- Modell. Eine unproblematische Tool-Kopplung dank gelagerten Unternehmensbereichen und externen CosiMate ermöglichte Methoden wie „Worst Case Zulieferern vorliegen; also besonders in der Aeros- Size“ Annäherung mit überdimensionierten Baugrup- pace & Automotive Industrie. Um komplexe Entwick- pen und „Statistical Sizing“ Annäherung mit schwell- lungsziele systemkompatibel zu realisieren braucht wert- basierenden Baugruppen zusammenhängend man eine Co-Simulation Plattform, die zuverlässig durchzuführen. und unmittelbar allen Beteiligten zur Verfügung steht und ohne dabei Geistiges Eigentum preisgibt. Bei der Allgemein gibt es viele gute Gründe Monte-Carlo- Vielzahl von verwendeten Tools, Sprachen und Stan- Analysen (was, wenn Studien) durchzuführen, vor al- dards ist eine neutrale Instanz, welche unabhängig lem für Optimierungsaufgaben. Große Ideen mit frü- und ohne zusätzliche Beeinflussung Simulatoren kop- her Nutzung von neuesten Technologien erfordern ste- pelt, eine unabdingbare Grundvoraussetzung. Nur so tige Optimierungen nicht nur während des gesamten kann man einen wirklich nachhaltigen Beitrag der Si- Produktlebenszyklus, vor allem aber für die nach vorn mulation liefern, mit den Zielen: gerichtete Nutzung. 1) Verbesserung der Zusammenarbeit zwi- Unter der Prämisse von garantierten Motor-Leistungen schen Entwicklungsteams und Lieferanten und diversen elektrischen Einschränkungen wurden 2) Unterstützung der gewohnten Entwicklungs- alle möglichen Analysen durchgeführt. Reduzierte umgebung Kosten, geringes Gewicht und breitere Plattformnut- 3) Steigerung der Entwicklungseffizienz und zung sind Optimierungsergebnisse, auf die Groupe Beschleunigung des Marktreife-Prozesses PSA sehr stolz sein kann. 4) Rechtzeitige Erkennung von System-De- signfehlern

Die Zusammenfassung CosiMate unterstützt viele einzigartige Simulationen, die auf die Kreativität der Simulation Anwender zu- rück zu führen sind. Welche Simulationswerkzeuge Zur Etablierung von Zusammenarbeit zwischen Ent- auch immer gekoppelt werden müssen, die Co-Simu- wicklungsteams, multiplen Standorten und Regionen lation Plattform ist dafür gerüstet. Unsere Unabhän- wie auch zur Unterstützung von parallelen Entwick- gigkeit erlaubt es Ihnen, alle Arten von Werkzeug- lungsprozessen kommen vernetze Lösungen zum Ein- kombinationen von jedem Hersteller nutzen zu kön- satz. Integrierte Test & Measurement Tools, Prozesse nen. Wir überlassen dem Ingenieur seine bevorzugte zur Optimierung von Genauigkeiten, Unterstützung Simulationsumgebung, bereichern den Werkzeugein- von multiplen Versionen sowie Offenheit zur Koope- satz und unterstützen den erforderlichen Datenaus- ration mit anderen Simulations-Herstellern ermögli- tausch. Dieser einzigartige Ansatz hat CosiMate in chen eine gewinnbringende System Simulation. vielen Entwicklungsumgebungen so beliebt und nütz- lich gemacht Die frühzeitige Erkennung von unzu- länglichen Technologien, riskanten Designs und mög- lichen Leistungsprobleme während des Produkt-Le- benszyklus sind Ergebnisse der Mono-/Multi-Physik Co-Simulation.

Abbildung 5. zeigt eine über VPN weltweit vernetzte Co-Simulation Plattform

4 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Design and Development of Research Aviation Training Device

Haitao Wang1, Umut Durak1,2, Sven Hartmann2 1Clausthal University of Technology, Department of Informatics 2German Aerospace Center (DLR), Institute of Flight Systems [email protected]

Abstract: Though there are numerous Aviation Training Devices (ATDs) available on the market, it is still hard to find a specifically designed one for research and education purposes. Based on the requirements of researchers and students, we designed and developed a Research Aviation Training Device (RATD) for the Aeronautical Informatics Research Group at Clausthal University of Technology. The RATD not only arouses the interest of students in aeronautics but also provides them means to teach them basics of flight and aeronautical informatics. It comprises a training syllabus and corresponding brief flight training manual to support basic flight training with generic cockpit elements. It enables Man-in-the-Loop simulator testing with its open architecture software infrastructures. Training syllabus further includes a hands-on tutorial that demonstrates simulator-based testing of flight systems.

1 Introduction ing reinforcement.

1. Budget limitations are facts in academic setting. Aeronautical informatics is becoming a more and It is hard to purchase a sophisticated flight sim- more important topic of interest in both industry and ulator with a limited budget and the increased academia. Durak and colleagues present the advances maintenance costs make it worse; in this applied informatics field in their new recent book [1]. In the meanwhile, with the unique capabil- 2. Flexibility requirements are essential concerns ities that they offer, the flight simulations [2] are be- for the design of simulator architecture which coming an indispensable part in aeronautical research needs to be adapt to different circumstances. A and education. While there are many previous efforts simulator shall provide a controlled experimenta- that focus on how the flight simulation helps in aero- tion platform where the qualities of the develop- nautical engineering research and education, there are ing system can be evaluated before deploying it almost no example of how we can use them in aero- into the real world. The major issue of simulators nautical informatics. Though there are numerous Avi- is that there is no such an open platform designed ation Training Devices (ATDs) available on the mar- for aeronautical informatics research which can ket, it is still hard to find a specially designed ATD be easily configured to conduct different types of for research and education purposes. It is significant flight simulation testing; for aeronautical informatics researchers and students 3. Providing basic flight training is a crucial re- to have a specially designed flight simulation system, quirement in aeronautical informatics education which could obtain some basic flight training and ver- to teach the basics of flight and aircraft control. ify their designs in a realistic environment. Lots of students do not have any opportunities to There are many motivations to design and develop our fly an aircraft even in a flight simulator. On the own flight simulator for aeronautical informatics re- other hand, current ATDs on the market are de- search and education some of which are budget limi- signed for professional pilots training purposes, tations, flexibility requirements, providing basic flight their training processes are usually too complex training, creating interest and motivation and provid- and not necessary for students;

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 5 Design and Development of Research Aviation Training Device

4. Creating interest and motivation is the key for ac- quiring students’ attention and motivating them to study aeronautical informatics topics. 5. Providing reinforcement is the most obvious method to strengthen memory in education. Stu- dents implement their design in ﬂight simulation system can reinforce what they learned in the lecture. The major issue to consider for reinforcement is that how to merge tedious theoretical knowledge into more interesting experimental practices for aeronautical informatics novices.

This project proposes a ground-based Research Avia- tion Training Device (RATD) which aims to fill in that Figure 1: RATD Setup. gap and offers aeronautical informatics researchers and students, especially aeronautical novices, an eas- ier and lower-cost opportunity to explore and ex- manual. A list of basic training requirements based on periment general aeronautical informatics knowledge. this syllabus should be fulfilled at the final evaluation. Our research takes place at the Aeronautical Informat- According to those training requirements, the corre- ics Laboratory in Clausthal University of Technology. sponding pilot flying skills which can be learned from We elicit the following requirements which should be the brief flight manual are required to be obtained dur- fulfilled in the design and development of this RATD ing the training process. Besides training scenarios system. for introducing basics of flight, it provides a hands-on tutorial to demonstrate how to conduct Man-in-the- 1. The development and maintenance of the whole Loop simulator testing of flight systems. The tuto- RATD system should be easy and low-cost; rial demonstrates model-based design and simulation- based verification of a simple auto-throttle controller 2. The RATD system architecture should be loosely using Scilab/Xcos 1. It includes an example of Model- coupled and easily extensible to fit different types In-the-Loop (MIL), Software-In-the-Loop (SIL) and of flight simulation testing requirements; Hardware-In-the-Loop (HIL) tests. Figure 1 shows 3. The RATD system should simulate a realistic en- the RATD which is located at the Aeronautical Infor- vironment to provide some basics of flight train- matics Laboratory in Clausthal University of Technol- ing; ogy. 4. The RATD system should have user-friendly interfaces and be more interactive with users; 2 Flight Simulation in Aeronauti- 5. The RATD system should be easily config- cal Education urable to provide various experimental practices of aeronautical informatics. Flight simulation is playing a significant role of training resources in aeronautical education such as in the The RATD system is mainly designed and developed aeronautical engineering discipline. The study of de- to provide a low-cost flight training device. It pro- sign and development of a most suitable flight simula- vides not only means for better understanding of how tion system itself has become a key factor to influence an aircraft flies in the air, but also a convenient de- the quality of aeronautical education. It is quite hard veloping and testing platform where some basic flight to find relevant works which focus on aeronautical in- simulator testing and evaluation can be performed. It formatics education, however there are some existing can also arouse students’ interest in aeronautical infor- works on aeronautical engineering education, which matics education and demonstrate flight with a vivid could be referenced to guide our design and develop- visual experience. To provide the basic flight training, we design a training syllabus and brief flight training 1https://www.scilab.org/scilab/gallery/xcos

6 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Design and Development of Research Aviation Training Device

ing processes. As described in [3] in 1991, they already used "Mi- crosoft Flight Simulator" as a "Flight-Test Platform" 2Simulate API in introductory courses and ﬂight performance laboratory courses for aerospace education at the Univer- sity of Notre Dame and the University of California, they believed that the use of Microsoft Flight Simula-

tor had been benefit to their programs. In 1997, the Feedbacks Control Signals Visual work [4] summarized ten years experiences of inclu- database sion of flight simulation into the undergraduate aero- Data input Data output nautical engineering curriculum, which had proved that the Genesis Engineering Flight Simulator helps Aerodynamic database aeronautical education in many ways, for example, en- Engine hancing student understanding of difficult concepts, database giving students and faculty an enjoyable and educational experience. Another useful case was men- Figure 2: RATD System Architecture. tioned in [5] in 1998, the Flight Engineering Systems Trainer(FEST) was a reconfigurable PC-based device, which was designed for students to acquire flight test recorders or image generators to co-simulation of var- data and to demonstrate the aircraft performance and ious subsystems with complex behaviors and inter- handling qualities. In 1999, the work [6] described faces [9]. In 2Simulate simulation architecture, there a simulation system which gave studying flight con- are three basic concept units called Control Center, trol systems students a great opportunity to implement Target and Model, three basic software components and test their designs in a realistic environment. With namely 2Simulate Real-Time Framework (2SimRT), the advantage of using MATLAB, GENESIS 3000 2Simulate Control Center (2SimCC) and 2Simulate was used in flight mechanics education, which had Model Control (2SimMC). One Control Center con- the ability to perform any types of flight control law trols a number of Targets which may co-simulate var- which is supported through MATLAB toolboxes [7]. ious Models. The RATD system is built based on the The work [8] in 2007 presented the use of flight simu- 2Simulate framework. lator in flight dynamics and control education to bring the student higher motivation and better learning qual- IOS is the control center capable of Run, Pause and ity at West Virginia University. Stop the entire system, which is based on 2SimCC. It connects and manages two other components named targets: IC and Model through UDP ports. It has the ability to access and edit targets data dictionaries at 3 RATD Architecture runtime. IC is based on 2SimRT, which plays an indispens- The design of the RATD system architecture is as able role of interface throughout the whole system. It shown in Figure 2. The main part of the RATD system is connected with Cockpit through USB cable, VIS, architecture is loosely coupled into five components Model and IOS through UDP ports. The IC handles namely Interface Computer (IC), Instructor Operator the application logic and data communication among Station (IOS), Visual Simulation (VIS), Model, and Cockpit, Model and VIS, like how to process the Cockpit. There are also Extensible Interfaces capable Cockpit input data from pilots before sending them to of working with other platforms. For example, with the aircraft Model and what should the aircraft Model this special design, The RATD can work with Rasp- react after touching the border of the terrain. The con- berry PI 2 and Scilab/Xcos platforms which provides nection with IOS lets IOS to access and change the a model-based flight system developing and testing. data dictionaries at runtime. 2Simulate is a distributed real-time simulation frame- Model of aircraft that we used is a nonlinear air- work capable of facilitating integrating a wide range craft VFW 614 provided by German Aerospace Cen- of models and simulation components like data ter (DLR), Institute of Flight Systems. The model 2https://www.raspberrypi.org/ computes the flight dynamics and outputs flight states

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 7 Design and Development of Research Aviation Training Device

back to IC after getting the Cockpit devices signals 4 RATD for Basic Flight Training with pilot instructions as its inputs from IC. 4.1 Training syllabus Attitude Heading Elevator & Rudder Aileron Indicator Indicator Beep-trim Switch Beep-trim Switch Hand-free Airspeed Altimeter Calibration The training syllabus is designed to have one scenario Indicator VS Indicator with multiple missions. Each mission requires several Gear Flap Position Indicator key skills to be accomplished by the pilots during the Indicators Alpha Indicator flight envelope. To accomplish this training syllabus, Fuel Gauges Epsilon pilots should read the Brief Flight Training Manual Indicator Left Handle Right Handle Tacho Spoilers Timer Display Reset to learn how to fly RATD simulation system with the meters Indicator Function Start/Pause VFW 614 flight model. Figure 3: PFD 3. Figure 4: Yoke 3. Ignition Switch Landing Gear Indicator The Scenario Start the airplane and take off at the Braunschweig airport, climb and maintain cruising flight, then turn back towards to the Braunschweig airport, finally descend and decelerate to land on the Braunschweig airport. This one-round flight scenario is divided into three Landing Gear Up/Down Switch missions: Takeoff, Climb and Cruise and Landing.

Figure 5: Switch Panel 3. Missions Adjustment Wheel 1. Takeoff: Start and take off the ﬂight model at the Mode Switch Digital Display Auto Throttle Switch Braunschweig airport;

2. Climb and Cruise: Start the ﬂight model in the air, climb to the assigned cruising level, then perform cruising ﬂight.

Autopilot Function Buttons Flaps Up/Down Pitch Trim Wheel 3. Landing: Start the ﬂight model in the air and Figure 6: Multi Panel 3. descend and decelerate to land on the runway at Braunschweig airport.

Cockpit includes Primary Flight Display (PFD), physical Human-machine Interfaces and Out-of- 4.2 Brief Flight Training Manual cockpit Display (VIS Display). To offer better user 1. APPROACH experiences with low-cost, we use the ground-based 3. INITIAL CLIMB cockpit with operational instrumental bundles pro- When 2.ROUNDOUT 2.LIFT-OFF Flaps in: 3.SINK vided from Saitek 3 which is capable of meeting the 200/250 KIAS 1.TAKEOFF 800ft, Flaps in, 4.FLARE GearGeG Down ROLLING 10° Pitch angle TOUCHDOWN FFlaps 35°, basic flight operation instructions. These devices in- Engines 85% Positive Airborne: clude Pro Flight Yoke with Throttle Quadrant, Pro Gear Up KEEP WEIGHT Maintain V2+10 or OFF NOSE-WHEEL Flight Pedals, Pro Flight Multi Panel, Pro Flight Max. 20° pitch angle At VR: Rotate to 10 pitch angle LANDLAA ON MAIN Switch Panel and Pro Flight Instrument Panel. With Power ON LANDING GEAR the help of a multi-platform library named HIDAPI4, we build the communication between theses cockpit Figure 7: Takeoff. Figure 8: Landing. devices and the RATD via USB I/O interfaces on Win- dows. The design of PFD is as shown in Figure 3. the The brief flight manual is specially designed for per- functional designs of Yoke, Switch Panel and Multi forming the RATD flight simulation training which Panel are as shown in Figure 4, Figure 5 and Figure 6. contains the basic flight skills required in the training syllabus. It is based on the official Flight Training Manual of VFW 614 [10]. It presents the basic aircraft 3Reproduced from http://www.saitek.com/uk/down/manuals.html handing and system operation of VFW 614 model 4See http://www.signal11.us/oss/hidapi/ in RATD system including preflight preparations and

8 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Design and Development of Research Aviation Training Device

three types of basic flight scenarios: Preflight Prepara- connection with Scilab/Xcos provides us a modeling tion and Check; RATD Setup and Calibration; Cock- and simulation-based development environment. In pit Familiarization; Simulation Starting; Engine Start- the Cockpit Handler sub component of IC, we add ing; Rolling Takeoff as depicted in Figure 7; Climb an Auto-throttle sub component with the help of Ex- and Cruise; Descent and Landing as depicted in Fig- tensible Interfaces. The Auto-throttle sub compo- ure 8. It is designed to be used only for the VFW nent is responsible for building the connection be- 614 model in the RATD system with special regard to tween the Cockpit subsystem and the auto-throttle give aeronautical informatics researchers and students controller. The communication protocol used in this some basic flight instructions. If you have changed tutorial among Auto-throttle sub component, Scil- another aircraft model, this manual maybe not suits ab/Xcos and Raspberry PI is UDP protocol. In the your situation. However, the basic concept of flight Scilab/Xcos, the adapted UDP receiving and sending operating and controls gained from this flight training blocks are used. In Raspberry PI, the normal UDP manual should be helpful in any case. sockets are used. When the pilot sets the commanded airspeed in the Cockpit side. The Auto throttle sub component of Cockpit Handler takes the cockpit in- 5 RATD for Flight System Devel- put controls over and sends the current airspeed and commanded airspeed to Scilab/Xcos or Raspberry PI. opment The controller in Scilab/Xcos or Raspberry PI calculates the corresponding values of throttles, then sends RATD is not only a device which is useful for basic them back to the Auto-throttle sub component. The flight training but also a flexible and easily configured Auto-throttle sub component uses those values calcu- platform where aeronautical informatics research can lated by the auto-throttle controller to set the aircraft be conducted in varieties of fields such as automatic throttle volumes. flight control law design and evaluation and pilot assistance system. The domain of aeronautical infor- 5.2 Modeling and Simulation-based De- matics research is mainly focusing on the intersection velopment of Auto-throttle Con- between informatics and aeronautics [1]. This section troller is going to demonstrate how to build a flight system After the environment is successfully built, the next with model-based design and verify it with Man-in- step is to utilize it to design, develop and test an auto- the-Loop simulator tests in RATD using a simple auto- throttle controller. The design of auto-throttle con- throttle controller example. troller can be variant depending on the requirements. 5.1 Modeling and Simulation-based De- de(t) velopment Environment u(t)=K e(t)+K (1) p d dt

In this tutorial, we are going to design a simple Pro- portional–Derivative controller (PD controller). First, we need design the mathematical model as shown in Equation 1. Then, we use the model-based design tool Cockpit Scilab/Xcos to represent that equation with models as shown in Figure 10. Eventually, we should perform a Moel-in-the-Loop (MIL) testing as shown in Fig-

Current IAS Current IAS ure 11 to verify that designed Auto-throttle model. If Commanded IAS Commanded IAS it passes the MIL testing, the next step we need gen- Throttles Throttles erate code with the help of Xcos Re-useable and Cus- tomizable Code Generator 5. Next, to verify the generated code, a Software-in-the-Loop (SIL) testing as Figure 9: Modeling and Simulation-based Development shown in Figure 12 should be performed. Finally, if Environment Architecture. it passes the SIL testing, we can deploy the generated code into a target hardware like Raspberry PI 3 used The modeling and simulation-based development environment architecture is as shown in Figure 9. The 5https://forge.scilab.org/index.php/p/xcos-code-generator/

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 9 Design and Development of Research Aviation Training Device

in this tutorial to make a Hardware-in-the-Loop (HIL) torial to demonstrate how to build ﬂight systems by testing. implementing a modeling and simulation-based approach. After having RATD operated in the aeronautical informatics laboratory, we are now getting positive feedbacks from students and researchers.

References

[1] Umut Durak, Jürgen Becker, Sven Hartmann, and Nikolaos S.Voros. Advances in Aeronau- tical Informatics. Technologies Towards Flight 4.0. Springer, 2018. [2] David Allerton. Principles of flight simulation. Figure 10: Auto-throttle Controller. John Wiley & Sons, 2009. [3] EJ Jumper and JW Baughn. The use of Microsoft Flight Simulator in aerospace education. Amer- ican Institute of Aeronautics and Astronautics, 127:875–883, 1991. [4] Thomas R Yechout, Steven L Morris, Thomas Yechout, and Steven Morris. Flight simulation and aeronautical education-Ten years of experience. In 1997 World Aviation Congress, page 5635, 1997. [5] MG Kellett, A Robinson, J Bauer, and Figure 11: MIL Model. N Baker. Real-Time Flight Simulation for Grad- uate Aerospace Education. In AIAA Conference Proceeding, 1998. [6] Roger Beck and Wayne C Durham. Flight simulation in flight dynamics education. In AIAA Atmospheric Flight Mechanics Conference and Exhibit, pages 9–11. [7] Thomas R Yechout. A MATLAB-Based Flight Simulator for Flight Mechanics Educa- tion. 2002. [8] Mario G Perhinschi and Marcello R Napolitano. Using flight simulation for flight dynamics and Figure 12: SIL Model. control education enhancement. In AIAA Atmo- spheric Flight Mechanics Conference and Ex- hibit, page 6389, 2007. [9] Jürgen Gotschlich, Torsten Gerlach, and Umut 6 Conclusion Durak. 2Simulate: A distributed real-time simulation framework. ASIM Mitteilung 149/AR- GESIM Report 42, 2014. In this paper, we analyzed the requirements for a flight [10] Fokker Flugzeugwerke. The Flight simulation in aeronautical informatics research and Training Manual of VFW 614. http: education. Then we summarized the works about how //www.flight-manuals-online.com/ flight simulation took positive effects on aeronautical product/vfw614/, 2017. education. We took some references from those works and developed a specially designed RATD for aeronautical informatics research and education purposes based on those requirements. We also designed the training syllabus and brief flight training manual for offering the basic flight training, and a hand-on tu-

10 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Prädiktion des Reglerverhaltens in industriellen Zuluftanlagen im Lackierbetrieb durch maschinelle Lernverfahren

P. Oetinger1,S.Alt1, T. Schlotterer1, M. Weickgenannt1 1Dürr Systems AG [email protected]

Für die Automatisierung des Lackierprozesses in industriellen Lackieranlagen werden Steuerungs- und Regelungssysteme eingesetzt, um die relevanten Prozessparameter einzustellen und zu halten. Die Tem- peratur und Feuchte des Luftstroms in der Lackierkabine, die durch Belüftungsanlagen konditioniert werden, sind hierbei für die Lackqualität besonders relevante Prozessparameter. Eine besondere Herausfor- derung für die Regelung der Luftkonditionen ist das Anfahren neuer Arbeitspunkte bei einer Änderung der Prozessbedingungen. Für die Wirtschaftlichkeit des Lackierprozesses spielt hierbei die Dauer des An- fahrvorgangs eine wichtige Rolle, die sowohl vom Führungsverhalten der Regelung als auch von den klimatischen Bedingungen der eingezogenen Außenluft abhängig ist. In diesem Beitrag werden verschiedene Methoden des maschinellen Lernens auf der Basis der transienten Trajektorien der Prozessgrößen bei Anfahrvorgängen betrachtet. Dabei wird die komplette Vorgehensweise von der Datenaufbereitung über die Merkmalsextraktion bis zur geeigneten Modellwahl erläutert. Für die Merkmalsextraktion werden sowohl regelungstechnische Kenngrößen zur Charakterisierung des Führungsverhaltens als auch klassische Kenngrößen wie die Hauptkomponenten der Prozessdaten verwendet und gegenübergestellt. Diese werden durch statistische Testverfahren auf Signiﬁkanz überprüft. Zum Abschluss werden die aktuellen Ergebnis- se mit Realdaten validiert und bewertet.

1 Einführung

Luftstrom Um die relevanten Prozessparameter für die Au- ,ϕ tomatisierung des Lackierprozesses in industriellen TAußen Außen Lackieranlagen einzustellen und zu halten, werden Steuerungs- und Regelungssysteme verwendet. Zu- Luftstrom luftanlagen, wie beispielhaft in Abbildung 1 abge- Konditionierungsmodule ,ϕ bildet, werden hierbei eingesetzt, um konditionierte TKabine Kabine Luftströme zur Verfügung zu stellen. Dabei werden die Anforderungen an die Luftkonditionen durch den Lackierprozess bestimmt und betreffen neben dem Abbildung 1: Darstellung einer industriellen Zuluftanlage Volumenstrom insbesondere die Temperatur und re- mit den Konditionierungsmodulen Vorheizer, Kühler, Nach- lative Feuchte. heizer und Befeuchter. Das Einstellen und Halten von deﬁnierten Sollwerten für die Luftkonditionen ist üblicherweise Aufgabe ei- rung. Da die Produktion erst gestartet werden kann, nes Regelungssystems. Dieses verändert die eingezo- wenn die Prozessparameter der konditionierten Luft gene und durch klimatische Wetterverhältnisse beein- die Prozessgrenzen konstant einhalten, ist es für eine ﬂusste Luft in gewünschter Weise. Für das Regelsy- Optimierung der Produktionsplanung notwendig, die stem ist insbesondere das Anfahren der Sollwerte nach Dauer des Anfahrvorgangs und somit den möglichen Produktionspausen und -störungen eine Herausforde- Zeitpunkt des Produktionsstarts frühzeitig zu kennen.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 11 Während des Betriebs der Zuluftanlage werden Pro- Aus regelungstechnischer Sicht handelt es sich bei zesswerte kontinuierlich aufgezeichnet und in einer dem System um ein nicht-quadratisches Multiple- Datenbank gespeichert. Diese Daten sind die Basis für Input Multiple-Output System [4]. Die Stellgrößen die datengetriebenen Modellierungsmethoden durch uVH, uK, uNH und uBef der Module werden durch maschinelle Lernverfahren. In diesem Beitrag wird die Ventilstellungen der Heiz- und Kühlmodule und ein Modell vorgestellt, das den Zusammenhang zwi- die Pumpenfrequenz des Befeuchters deﬁniert. Die schen den gemessenen Prozessparametern und der Luftkonditionen TKabine und ϕKabine sind gemessene Dauer des Anfahrvorgangs herstellt. Hierfür werden Regelgrößen, die durch die Stellgrößen gezielt be- Methoden des maschinellen Lernens verwendet, die einﬂusst werden. Die Außenkonditionen TAußen und aus gespeicherten Prozesswerten ein Modell ermit- ϕAußen des Luftstroms am Eintritt in die Zuluftanlage teln. sind gemessene Störgrößen. Im Folgenden wird zunächst ein Überblick über das Bei der Regelung zur Einstellung der Kabinenkon- betrachtete System der industriellen Zuluftanlage ge- ditionen TKabine und ϕKabine werden unterschiedliche geben. Auf der Grundlage der Systembeschreibung Regelungsstrategien, wie zum Beispiel PID-Regler werden anschließend die genaue Problemstellung und [5], [6] oder modellbasierte Regler [1] eingesetzt. Bei die daraus resultierenden Arbeitsschritte für die Mo- der Realisierung eines Anfahrvorgangs verwendet die dellbildung zur Prädiktion der Anfahrdauer abgeleitet. Regelung in Abhängigkeit der klimatischen Außen- Abschließend werden die Inhalte des Beitrags zusam- bedingungen unterschiedliche Module. Dies hat eine mengefasst. starke Arbeitspunktabhängigkeit des Führungsverhal- tens der Anlage zufolge und erschwert die betrachtete Problemstellung zur Prädiktion der Anfahrdauer, die nachfolgend erläutert wird. 2 Systembeschreibung

Zuluftanlagen, wie in Abbildung 2 schematisch dar- 3 Problemstellung gestellt, werden in Lackierereien dazu verwendet, um Prozessluft in deﬁnierte Prozessgrenzen bezüglich der Im Beitrag wird eine Prädiktion des Reglerverhaltens Temperatur T und der Feuchte ϕ zu kondi- Kabine Kabine beim Anfahren der Anlage durch maschinelle Lern- tionieren. Die Konditionierung erfolgt dabei durch un- verfahren untersucht. Hierbei werden auf der Basis terschiedliche Konditionierungsmodule, die den ein- persistierter Messdaten Modelle entwickelt, die einen gezogenen Luftstrom bezüglich der Temperatur und Zusammenhang zwischen den Trajektorien gemesse- Feuchte gezielt verändern. ner Sensorsignale und der Anfahrdauer herstellen.

Vorheizer Kühler Nachheizer Befeuchter Ventilator Ziel der Modelle ist es, schon vor Erreichen der kon- ϕ Δ = Taußen TKabine stanten Sollwerte Tsoll, soll die Anfahrdauer t außen Kabine tEnde − t0 zu prädizieren. Die Zeitpunkte t0 und tEnde beschreiben den Beginn- und Endzeitpunkt des An-

uNH uNH uNH fahrvorgangs. Durch die Prädiktion der Anfahrzeit Δt

uBef kann somit der Zeitpunkt tEnde zur Produktionsfrei- gabe prädiziert werden. Ein beispielhafter Anfahrvor- Abbildung 2: Schema einer Zuluftanlage mit Außenbe- gang mit den relevanten Zeitpunkten für die Prädikti- ϕ dingungen TAußen und Außen, Kabinenbedingungen TKabine on ist in Abbildung 3 dargestellt. und ϕKabine und Stellgrößen uVH, uK, uNH und uBef. Für die Prädiktion werden neben den Regelgrößen TKabine und ϕKabine auch die Stellgrößen uVH, uK, uNH Die in Abbildung 2 darstellte Zuluftanlage besteht aus und uBef, sowie die die Störgrößen TAußen und ϕAußen einem Vorheizer, einem Kühlaggregat, einem Nach- des betrachteten Systems verwendet. Für die Prädikti- heizer und einem Befeuchter. Diese Modulkonﬁgura- on der Anfahrzeit Δt werden die Trajektorien der Sen- tion erlaubt es, unabhängig von den gegebenen Au- sorsignale vor und während des Anfahrvorgangs be- ßenbedingungen TAußen und ϕAußen, vom Prozess vor- trachtet. Der Zeitpunkt tp, an welchem die Prädiktion gegebene Sollwerte Tsoll, ϕsoll durch eine Regelung berechnet wird, ist ein Entwurfsparameter für das Mo- anzufahren und zu halten. dell.

12 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Prädiktion des Reglerverhaltens in industriellen Zuluftanlagen im Lackierbetrieb durch maschinelle Lernverfahren

Als wesentlicher Schritt der Modellierung werden Merkmale, die das dynamische Verhalten des Anfahr- vorgangs erfassen, aus den Zeitreihen extrahiert (C) und selektiert (D). Für die Merkmalsextraktion werden sowohl regelungstechnische Kenngrößen zur Cha- rakterisierung des Führungsverhaltens als auch klassische Kenngrößen aus der Statistik [3], wie die Haupt- komponenten der Prozessdaten, verwendet und im Beitrag gegenüber gestellt. Für die Merkmalsselekti- Abbildung 3: Beispielhafter Anfahrvorgang mit dem Start- on werden diese durch statistische Testverfahren auf zeitpunkt t , dem Prädiktionszeitpunkt tp und dem Endzeit- 0 Signiﬁkanz überprüft. punkt tEnde.

Besondere Herausforderungen für die Prädiktion des Anfahrverhaltens stellen insbesondere der Einﬂuss der zeitlich veränderlichen Außenbedingungen, sowie das komplexe nichtlineare Systemverhalten der Anlage dar, was eine starke Arbeitspunktabhängigkeit des An- fahverhaltens nach sich zieht und bei der Modellbid- lung zu berücksichtigen ist. Für die Modellierung wer- Datengenerierung (A)Datenbank den sowohl Klassiﬁkations- als auch Regressionsmo- Sensor delle verwendet. Die Arbeitsschritte zur Modellbil- Rohdaten dung werden nachfolgend erläutert. (B) Daten interpolieren

Optimieren 4 Modellbildung (C) Merkmale extrahieren

Optimieren (D) Merkmale auswählen In Abbildung 4 sind die notwendigen Schritte zur datengetriebenen Modellbildung schematisch in einem Optimieren (E) Modell trainieren Flussdiagramm dargestellt, siehe zum Beispiel [2].

Als Grundlage der datengetriebenen Modellbildung (F) Modell validieren dienen persistierte Prozessdaten (A), die im Allgemei- nen durch eine Datenbank bereitgestellt werden. Für die betrachtete Aufgabenstellung zur Prädiktion der Ergebnis Nein Anfahrdauer ist es notwendig, dass die zugrunde lie- zufrieden- genden Daten möglichst viele Anfahrvorgänge bein- stellend? halten, die das Anfahrverhalten in Abhängigkeit unterschiedlicher Arbeitspunkte charakterisieren. Ja Modell Anschließend werden die Daten in Hinblick auf die betrachtete Aufgabenstellung aufbereitet und berei- Abbildung 4: Flussdiagramm zur Darstellung der Arbeits- nigt (B). Für die Prädiktion des Anfahrverhaltens be- schritte zur datengetriebenen Modellbildung. deutet dies, dass aus den persistierten Daten alle An- fahrvorgänge herausgeﬁltert werden. Dadurch liegt zum jeweiligen Startvorgang und den dazu gehöri- Abschließend werden die selektierten Merkmale als gen Sensoren eine Menge von Zeitreihen vor, die Grundlage für das Modelltraining (E) und die Validie- einen Anfahrvorgang beinhalten. Ein weiterer Verar- rung (F) verwendet. Für das Modelltraining kommen beitungsschritt umfasst das Labeling der Anfahrvor- sowohl Klassiﬁkations- als auch Regressionsmodelle gänge, was bedeutet, dass die Dauer des Anfahrvor- in Frage. Im Beitrag werden unterschiedliche Model- gangs berechnet und dem entsprechenden Datensatz le vorgestellt und in Hinblick auf ihre Prädiktionsgüte zugeordnet wird. am Beispiel einer industriellen Zuluftanlage evaluiert.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 13 Prädiktion des Reglerverhaltens in industriellen Zuluftanlagen im Lackierbetrieb durch maschinelle Lernverfahren

5 Zusammenfassung [5] E. Sadeghipour, E. R. Westervelt and S. Bhat- tacharya, Painting green: Design and analysis of Im Beitrag wird ein Verfahren zur Prädiktion der An- an environmentally and energetically conscious fahrdauer von industriellen Zuluftanlagen vorgestellt. paint booth HVAC control system, 2008 Ameri- Das Verfahren basiert auf Methoden des maschinel- can Control Conference, Seattle, WA, 2008, pp. len Lernens, durch welche Prädiktionsmodelle auf der 3325-3330. Basis historischer Messdaten trainiert werden können. [6] C. Underwood, HVAC Control Systems: Model- Die Kerninhalte des Beitrags lassen sich dabei wie ling Analysis and Design in Taylor and Francis, folgt zusammenfassen: 1999.

• Die Funktionsweise und die relevanten Messda- ten von industriellen Zuluftanlagen werden er- läutert.

• Die Problemstellung zur Prädiktion der Anfahr- dauer für die beschriebenen industriellen Zuluft- anlagen wird detaillert beschrieben.

• Die Besonderheiten der datengetriebenen Mo- dellbildung für die gegebene Problemstellung werden erklärt. Hierbei liegt der Fokus auf der Merkmalsextraktion und -selektion, in welcher sowohl klassische als auch regelungstechnische Kenngrößen verwendet und evaluiert werden.

Zusätzlich wird die Leistungsfähigkeit der Methodik durch die Vorstellung experimenteller Ergebnisse am Beispiel einer industriellen Zuluftanlage gezeigt.

Literatur

[1] S. Alt und O. Sawodny, Model-based temperature and humidity control of paint booth HVAC systems, 2015 IEEE International Conference on Mechatronics (ICM), Nagoya, 2015, pp. 160- 165.

[2] T. Hastie, R. Tibshirani and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Verlag, 2. Auﬂage, 2009.

[3] G. James, D. Witten, T. Hastie und R. Tibshirani, An Introduction to Statistical Learning, Springer Verlag, 2013.

[4] J. Lunze: Regelungstechnik 1: Systemtheo- retische Grundlagen, Analyse und Entwurf einschleiﬁger Regelungen. Berlin Heidelberg: Springer Verlag, 2014.

14 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Modellierung und Simulation hochviskoser, nicht-isothermer Fluide mit freier Oberﬂäche

Dimitri Harder1, Edmond Skeli1, Dirk Weidemann1, Klaus Panreck1 1Institut für Systemdynamik und Mechatronik FH Bielefeld [email protected] [email protected] [email protected] [email protected] Mit dem Ziel effiziente Regelungs- und/oder Diagnoseverfahren nutzen zu können, greift man auch in der verfahrenstechnischen Industrie vermehrt auf mathematische Modelle, die die zugrundeliegenden physikalischen Prozesse hinreichend genau beschreiben, zurück. Vor diesem Hintergrund wird im vorliegenden Beitrag auf die Modellierung und Simulation des Verhaltens einer nicht-isothermen, hochviskosen Fluid- strömung eingangen. Das Verhalten des Fluids genügt einem System partieller Differentialgleichungen, welches neben den Navier-Stokes-Gleichungen auch die Poisson-Gleichung für den Druck und die Ener- giegleichung umfasst. Hinsichtlich der numerischen Berechung der einzelnen Prozessgrößen wird eine Kombination des Marker und Cell (MAC) Verfahrens mit dem Projektionsverfahren nach Chorin und einer Temperaturberechnung auf einem krummlinigen Gitter vorgestellt. Das MAC-Verfahren dient zur Identifikation der freien Oberfläche, indem masselose Partikel über das initialisierte Fluidgebiet eingefügt und mit den berechneten Geschwindigkeiten bewegt werden. Über das Projektionsverfahren nach Cho- rin werden darüber hinaus die Druck- und Geschwindigkeitsverläufe ermittelt. Charakteristisch für die typische Nutzung des MAC-Verfahrens ist, dass die partiellen Differentialgleichungen örtlich auf einem rechteckigen Gitter diskretisiert werden. Dies führt beim betrachteten Fall jedoch dazu, dass die Grenze zwischen Fluid und Hindernis im Inneren des Gitters verläuft. Im vorliegenden Modell wird demgegen- über ein krummliniges Gitter genutzt. Wesentlicher Vorteil dessen ist, dass die äußeren Gitterknoten direkt auf den umliegenden Hindernisse und Grenzen liegen, was auf ein reduziertes System von gewöhnlichen Differentialgleichungen führt.

1 Einleitung sichtlich der Bestimmung des Fluidverhaltens ist in- besondere die Kenntnis über die zeitliche Verände- rung des Verlaufs der Fluidgrenze notwendig. Vor die- Gegenstand des vorliegenden Beitrags ist die Model- sem Hintergrund wird die Fluidgrenze, d.h. die an die lierung und Simulation des Verhaltens eines nicht- umgebende Luft angrenzende Oberfläche des Fluids, isothermen, hochviskosen Fluids, welches zwischen die im Weiteren als freie Oberfläche bezeichnet wird, zwei gegensinnig rotierenden Zylindern einläuft. mit Hilfe der Marker und Cell (MAC) Methode er- Hierbei wird davon ausgegangen, dass sich im Raum mittelt, vgl. [3]. Typischerweise werden bei Nutzung zwischen den Zylindern zu Beginn kein Fluid befin- der MAC-Methode die zugrunde liegenden partiellen det, sondern dieser Raum sich erst beim Einlaufen Differentialgleichungen örtlich auf einem rechtecki- mit dem Fluid füllt. Das Einlaufen des Fluids stellt gen Gitter diskretisiert. Demgegenüber findet im vor- somit ein instationäres Prozessverhalten dar, bei dem liegenden Fall ein krummliniges Gitter Verwendung. sich die Fluidgrenze örtlich über der Zeit solange ver- Der wesentliche Vorteil des krummlinigen Gitters be- ändert, bis sich der stationäre Zustand einstellt. Hin- steht darin, dass die äußeren Gitterknoten sich auf

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 15 Modellierung und Simulation hochviskoser, nicht-isothermer Fluide mit freier Oberäche

der Oberfläche der Zylinder befinden, während beim 3 Ortsdiskretisierung rechteckigen Gitter die äußeren Knoten innerhalb der Zylinder liegen. Somit weist das resultierende System Eine bekannte Vorgehensweise zur Bestimmung des von gewöhnlichen Differentialgleichungen bei Nut- örtlichen Verlaufs einer freien Oberfläche bei Flui- zung eines krummlinigen Gitter eine geringere Di- den stellt die MAC-Methode dar, vgl. [1, 5] und die mension als beim rechteckigen Gitter auf. Neben den Ausführungen in Abschnitt 5. Um die MAC-Methode Größen Druck und Geschwindigkeit wird ferner auch nutzen zu können, ist die Berechnung der Geschwin- die Temperatur des Fluids bestimmt. digkeiten des Fluids und somit die Lösung der zugrunde liegenden Navier-Stokes-Gleichungen erforderlich. Hinsichtlich einer numerischen Lösung der 2 Modellierung Navier-Stokes-Gleichungen bedarf es der Überfüh- rungen der partiellen Differentialgleichungen in ein System von gewöhnlichen Differentialgleichungen, Die Dynamik des Fluids genügt den Navier-Stokes- was mit einer geeigneten Ortsdiskretisierung gelingt. Gleichungen, wobei zusätzlich die thermische Ener- In der Regel findet eine Ortsdiskretisierung mit kon- giegleichung das Temperaturverhalten beschreibt. Da stanten Schrittweiten je Raumrichtung Verwendung, im vorliegenden Fall das Verhalten des als inkompres- wobei ein rechteckiges Gitter entsteht. Dabei wer- sibel angenommenen Fluids nur für den zweidimen- den die relevanten Prozessgrößen, die neben den für sionalen Fall betrachtet wird und darüber hinaus der den MAC-Algorithmus benötigten Geschwindigkei- Einfluss der Gravitation aufgrund der hohen Viskosi- ten auch den Druck und die Temperatur umfassen, ört- tät vernachlässigbar ist, lässt sich die Bewegung des lich von einander versetzt (staggered Grid) berechnet. Fluids mittels Die Komponenten der Geschwindigkeit werden ent- ∂u ∂u ∂u 1 ∂ p η ∂ 2u ∂ 2u sprechend der Darstellung in Fig. 1 in der Mitte der + u + v = − + + , Zellenkanten und der Druck und die Temperatur je- ∂t ∂x ∂y ρ ∂x ρ ∂x2 ∂y2 weils in der Mitte der Zellen berechnet. Eine Zelle ist (1) somit durch die Kanten, an denen sich die Geschwin- ∂v ∂v ∂v 1 ∂ p η ∂ 2v ∂ 2v digkeiten berechnen definiert. + u + v = − + + , ∂t ∂x ∂y ρ ∂y ρ ∂x2 ∂y2 (2) u ∂u ∂v ui+1,j−1/2 i+1,j+1/2 + = 0 (3) ∂x ∂y pi+1,j,Ti+1,j pi+1,j+1,Ti+1,j+1 beschreiben. Hierbei repräsentiert u die Geschwin- v digkeit in x-Richtung, v die Geschwindigkeit in y- vi+1/2,j i+1/2,j+1 u Richtung, p den Druck, ρ die Dichte und η die dy- ui,j−1/2 i,j+1/2 namische Viskosität. pi,j,Ti,j pi,j+1,Ti,j+1 Des Weiteren genügt die zeit- und örtliche Entwick-

lung der Temperatur T der partiellen DGL vi−1/2,j vi−1/2,j+1 ∂T ∂T ∂T ρC + u + v = p ∂t ∂x ∂y Fig. 1: Gitter mit den versetzten Berechnungsknoten ∂ 2 ∂ 2 λ T + T ∂x2 ∂y2 ∂u 2 ∂u ∂v 2 ∂v 2 Fig. 2 ist zu entnehmen, dass bei den hier vorliegen- + 2η + η + + 2η , ∂x ∂y ∂x ∂y den geometrischen Grenzen (Zylinder) die Nutzung (4) eines rechteckigen Gitters dazu führt, dass sich ein- wobei Cp die speziﬁsche Wärmekapazität und λ die zelne Gitterpunkte außerhalb des Fluidgebiets beﬁn- Wärmeleitfähigkeit ist. den. Vor diesem Hintergrund wird im vorliegenden

16 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Modellierung und Simulation hochviskoser, nicht-isothermer Fluide mit freier Oberäche

Fall ein krummliniges Gitter verwendet, bei dem die 4 Lösungsvorgehen Schrittweite Δx konstant ist, während Δy entlang der Strömungsrichtung variiert wird, s. Fig. 3. Wie be- Um die Navier-Stokes-Gleichungen zu berechnen, reits beim rechteckigen Gitter beﬁnden sich auch beim wird das Projektionsverfahren nach Chorin [2] an- krummlinigen Gitter die Berechnungspunkte für die gewandt. Das Verfahren von Chorin berechnet im Geschwindigkeiten auf der Mitte der Zellenkante und ersten Schritt Pseudo-Geschwindigkeiten, indem der die Punkte für Druck und Temperatur in der Zellmit- Term des Druckgradienten in den Navier-Stokes- te. Durch die Verwendung eines krummlinigen Gitters Gleichungen zu null gesetzt wird. Anhand der in (7) reduziert sich die Anzahl der gewöhnlichen Differen- gegeben Possion-Gleichung wird im zweiten Schritt tialgleichungen, die aus der Ortsdiskretisierung her- der Druck berechnet und anschließend die zuvor be- vorgehen, gegenüber dem Fall beim rechteckigen Git- rechneten Geschwindigkeiten korrigiert. Das Vorge- ter. Der wesentliche Vorteil eines krummlinigen Git- hen gestaltet sich wie folgt: ters besteht daher in einem geringeren Berechnungs- aufwand. Allerdings ist eine sinnvolle Nutzung des 1. Berechne die Pseudo-Geschwindigkeitenu ˜ undv ˜ krummlinigen Gitters nur bei hinreichend großen Ra- aus den Gleichungen dien möglich, da bei kleinen Radien das Risiko einer ungenaueren Berechnung besteht. ∂u˜ ∂u ∂u η ∂ 2u ∂ 2u = −u − v + + , (5) ∂t ∂x ∂y ρ ∂x2 ∂y2 ∂v˜ ∂v ∂v η ∂ 2v ∂ 2v = −u − v + + . (6) ∂t ∂x ∂y ρ ∂x2 ∂y2

2. Berechne den Druck mit Hilfe der Poisson- Δy Gleichung Δy ∂ 2 p ∂ 2 p ∂u˜ ∂v˜ + = ρ( + ). (7) ∂x2 ∂y2 ∂x ∂y

3. Korrigiere die Geschwindigkeiten indem die Δx Δx Druckgradienten entsprechend 1 ∂ p Fig. 2: Rechteckiges äquidistantes Gitter u = u˜ − , (8) ρ ∂x 1 ∂ p v = v˜− (9) ρ ∂y von den zuvor berechneten Pseudo- Δyi Geschwindigkeiten subtrahiert werden.

Δyi+1 Δy i+2 Δyi+3 Die Temperatur berechnet sich aus (4) mit den korri- Δyi Δyi+1 Δyi+2 Δyi+3 gierten Geschwindigkeitswerten. Anschließend folgt

Δyi+2 Δyi+3 Δyi+1 die Bestimmung der freien Oberﬂäche. Δyi Δy Δyi+2 i+3 Δyi+1 Δyi 5 Bestimmung der freien Ober-

Δx Δx Δx ﬂäche

Fig. 3: Krummliniges Gitter Die hier verwendete MAC-Methode ﬁndet sich in den Aufsätzen [1, 5] und dient der Bestimmung der freien Oberﬂäche. Hierbei werden masselose Partikel zur

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 17 Modellierung und Simulation hochviskoser, nicht-isothermer Fluide mit freier Oberäche

Markierung derjenigen Zellen genutzt, die vom Fluid teilweise oder vollständig gefüllt sind. Mit anderen Worten, jede Zelle, in der sich mindestens ein mas- seloses Partikel beﬁndet, ist Teil des Gebietes in dem sich das Fluid beﬁndet. Vor diesem Hintergrund be- vi+1/2,j zeichnet man die masselosen Partikel auch als Mar- ker. Grenzen nicht markierte, d.h. leere Zellen an eine

Fluidzelle, dann ist diese Fluidzelle diejenige in der ui,j−1/2 ui+1,j+1/2 die Oberﬂäche verläuft. Solche Konstellationen sind

in Fig. 4 und 5 dargestellt. pi,j An einer freien Oberfläche für inkompressible Fluide gilt, dass Normal- und Tangentialspanungen identisch vi−1/2,j null sind, vgl. [4]. Für eine zweidimensionale Fläche gelten somit die beiden Bedingungen Fig. 5: Markierte Zelle mit zwei freien angrenzenden Zellen p η ∂u − 2 n n ρ ρ x x ∂dx (10) ∂u ∂v ∂v klein und (10) sowie (11) vereinfachen sich zu + nxny + + nyny = 0, ∂y ∂x ∂y ∂v ∂ ∂ ∂ p − 2η = 0, (12) u +( + ) u + v ∂y 2nxmx ∂ nxmy nymx ∂ ∂ x y x ∂ (11) und + v = , 2nymy 0 ∂u ∂v ∂y + = 0. (13) ∂y ∂x wobei n =(nx,ny) der nach außen gerichtete Normalen- und m =(mx,my)=(ny,−nx) der Tan- Der Druck pi, j für die Zelle in Fig. 4 wird aus (12) gentialvektor ist. Die freien Oberflächenbedingungen und die Geschwindigkeit ui+1, j+1/2 aus (13) berechnet, wodurch die freie Oberflächenbedingungen erfüllt werden. Andere Szenarien, bei denen die markierte Zelle ebenfalls nur an einer Seite an eine leere Zelle u i+1,j+1/2 angrenzt, werden analog vereinfacht. In Fig. 5 grenzen zwei leere Zellen an die markierte Zelle, in einem vi+1/2,j vi+1/2,j+1 derartigen Szenario wird angenommen, dass der Nor- malenvektor in einem Winkel von 45◦ zu den offenen Seiten zeigt. In diesem Fall vereinfachen sich (10) und ui,j−1/2 ui,j+1/2 (11) zu pi,j ∂u ∂v p − η + = 0 (14) ∂y ∂x vi−1/2,j und ∂u ∂v − = 0. (15) Fig. 4: Markierte Zelle mit einer freien angrenzenden Zelle ∂x ∂y In Fig. 5 wird der Druck nach (14) bestimmt und die werden anhand der angrenzenden freien Zellen be- Geschwindigkeiten ui+1, j+1/2 und vi+1/2, j werden den stimmt, was im Folgenden an Hand von zwei Bei- gegenüberliegenden Geschwindigkeiten der Fluidzel- spielen erläutert wird. In Fig. 4 hat die untere linke len gleich gesetzt, sodass (15) erfüllt wird. Weite- Zelle eine Seite, die an eine freie Zelle grenzt. In die- re Szenarien, die sich einstellen können, finden sich sem Beispiel ist somit die Normalkomponente nx sehr bspw. in [1, 5].

18 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Modellierung und Simulation hochviskoser, nicht-isothermer Fluide mit freier Oberäche

6 Ergebnisse Schicht, s. Fig. 7 und 8, basiert auf denselben physikalischen Vorgängen (Scherung etc.), die zur Tempera- Obgleich die numerischen Ergebnisse den örtlichen turveränderung der am oberen Zylinder angrenzenden und zeitlichen Verlauf der Geschwindigkeiten, Drücke Schicht geführt haben. Anhand Fig. 8 erkennt man und Temperaturen des Fluids umfassen, werden im Weiteren nur einzelne Temperaturproﬁle des Fluids Temperaturverlauf t 4 t entlang der Stömungsrichtung von drei unterschied- 3 t lichen Schichten zu jeweils vier verschiedenen Zeit- 2 t 1 punkten dargestellt. Zum Zeitpunkt t1 sind die An- 480 fangstemperaturen des betrachten Fluidgebietes mit 470 einer Temperatur von 425 Kelvin und der Umgebung- 460 450

stemperatur von 400 Kelvin dargestellt. In Fig. 6 liegt 440 T [K] das Fluid an einem Zylinder an, der eine konstante 430 Temperatur von 435 Kelvin aufweist. Durch eine Fort- 420 410

bewegung des Fluids in Folge der Zylinderdrehung 400 -0.12 -0.1 -0.08 kommt es zu einer Scherung des Fluids, die in einer -0.06 -0.04 -0.02 0 t 0.02 0.04 n Temperaturerhöhung resultiert, sodass das Fluid teil- x [m] weise Temperaturen annimmt, die höher als die Zy- lindertemperatur sind. Ab dem Ort an dem die Sche- Fig. 7: Temperaturproﬁle der mittleren Schicht rung abnimmt, trägt der Zylinder somit zur Abküh- lung des heißeren Fluids bei. Mit dem Anstieg des Druckes durch die Verengung des Raumes zwischen ferner, dass sich das Fluid in einzelnen Gebieten nicht den Zylindern wird das Fluid ferner sowohl beschleu- nur in Richtung des Zylinderspalts bewegt sondern an nigt als auch verzögert, was zu einem erneuten An- einzelnen Orten auch ansammelt. stieg der Temperatur führt. Das Temperaturproﬁl zum Zeitpunkt t4 weist in Fig. 6 darüber hinaus eine Ver- schiebung nach rechts auf. Hieran erkannt man, dass das Fluid den Spalt, der zwischen den Zylindern vor- 7 Zusammenfassung liegt, durchströmt hat. Im vorliegenden Beitrag wird ein mathematisches Temperaturverlauf t Modell eines nicht-isothermen, hochviskosen Fluids, 4 t 3 t welches zwischen zwei gegensinnig rotierenden Zy- 2 t 1 lindern einläuft, vorgestellt. Das Modell bietet die

450 Möglichkeit in Kombination mit der MAC-Methode

440 den Verlauf der freien Oberﬂäche zu ermitteln. Hierfür wird das zugrunde liegende verteiltparametrische Mo- 430 dell hinsichtlich der numerischen Simulation auf ei- T [K] 420 nem krummlinigen Gitter diskretisiert und nicht, wie 410 sonst üblich, auf einem rechteckigen Gitter. Da bei ei-

400 nem krummlinigen Gitter der Rand der Zylinder iden- -0.12 -0.1 -0.08 -0.06 -0.04 -0.02 0 t tisch mit den äußeren Linien des Diskretisierungs- 0.02 0.04 n x [m] gitters ist, gelingt es das bei der Ortsdiskretisierung entstehende System von gewöhnlichen Differential- Fig. 6: Temperaturproﬁle der am oberen Zylinder angren- gleichungen gegenüber demjenigen bei Nutzung eines zenden Schicht rechteckigen Gitters zu verringern. Allerdings ist eine sinnvolle Nutzung des krummlinigen Gitters nur bei hinreichend großen Radien möglich. Zu kleinen Radi- Die Änderung des Temperaturproﬁls sowohl der mitten führen aufgrund der gröberen Diskretisierung typi- leren als auch der am unteren Zylinder angrenzenden scherweise zu ungenaueren Berechnungsergebnissen.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 19 Modellierung und Simulation hochviskoser, nicht-isothermer Fluide mit freier Oberäche

Temperaturverlauf t 4 t 3 t 2 t 1

470

460

450

440

T [K] 430

420

410

400 -0.12 -0.1 -0.08 -0.06 -0.04 t -0.02 0 n 0.02 0.04 x [m]

Fig. 8: Temperaturproﬁle der am unteren Zylinder angrenzenden Schicht

Literatur

[1] A. A. Amsden and F. H. Harlow. The smac method: A numerical technique for calculation incompressible fluid flows. Technical report, Los Alamos Scientific Laboratory of the University of California, 1970. [2] A. J. Chorin. Numerical solution of the navier- stokes equations. Mathematics of Computation, 22(104):745–762, October 1968. [3] F. H. Harlow and J. Eddie Welch. Nu- merical calculation of time-dependent viscous incompressible-flow of fluid with free surface. The Physics of Fluids, 8(12):2182 – 2189, De- cember 1965. [4] C. W. Hirt and J. P. Shannon. Free-surface stress conditions for incompressible-flow calculations. Journal of Computational Physics, 2:403 – 411, 1968.

[5] M. F. Tome and S. Mckee. Gensmac: A computational marker and cell method for free surface ﬂows in general domains. Journal of Computa- tional Physics, 110:171–186, March 1994.

20 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

The RESIN climate change adaptation project and its simple modeling approach for risk-oriented vulnerability assessment

Daniel Lückerath, Manfred Bogen, Erich Rome, Betim Sojeva, Oliver Ullrich, Rainer Worst, Jingquan Xie Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS Schloss Birlinghoven, 53757 Sankt Augustin, Germany [first.last]@iais.fraunhofer.de

Urban population centers are especially vulnerable to extreme weather events and climate change. Local decision makers demand standardized processes, methods, and tools enabling them to design and implement climate adaptation strategies for their specific contexts. The project “Climate Resilient Cities and Infrastruc- tures – RESIN” aims at providing such a set of methods and tools; it utilizes the impact chain modeling approach to capture and represent cause-effect relationships underlying risks and vulnerabilities in urban population centers, enabling a systematic analysis and evaluation. Highlighting on a number of concepts, such as hazard, exposure, stressors, coping capacity, and vulnerability, these impact chains constitute the base for further quantitative modeling steps.

1 Introduction adaptation measures – is a comprehensive understanding of the risks and vulnerabilities themselves. High concentrations of residents and economic assets render urban population centers especially vulnerable This paper describes characteristics and generation of to the impact of extreme weather events and conse- impact chains representing cause-effect relationships quences of climate change (see [1]). Such disasters en- that form risks and vulnerabilities of urban population danger large numbers of residents and critical infra- centers in the context of the ongoing EU project “Cli- structure systems at the same time, thereby also im- mate Resilient Cities and Infrastructures – RESIN” pacting inter-regional and global economic networks (see [6]). The project is aimed at developing practical (see [2]). The trend towards increasing urbanization in and applicable methods and tools to support munici- Europe – by 2050 82% of all Europeans are expected palities in designing and implementing climate adap- to live in urban population centers (see [3]) – and the tation strategies for their local contexts. RESIN also increasing dependencies of infrastructure components systematically compares and evaluates methods for make it necessary for municipalities to develop pro- climate change adaptation in order to move towards a active strategies to increase their resilience against cli- formal standardization of adaptation strategies. mate-related disasters. RESIN is one of several interdisciplinary, practice- Climate change adaptation measures, in contrast to cli- based research projects investigating climate resilience mate protection efforts that are mainly aimed at reduc- in European cities. The EU project “Reconciling Ad- ing greenhouse gas emissions, are designed to reduce aptation, Mitigation and Sustainable development for the impact of climate change on social and biological citiES – RAMSES” (see [4]) that was concluded re- systems, such as urban population centers. Unfortu- cently, developed methods and tools to quantify evi- nately, not many standardized methods and toolsets ex- dence of the impacts of climate change and the costs ist today that enable municipal decision makers to and benefits of adaptation measures to cities. The EU plan, assess, and implement adaptation measures, project “Smart Mature Resilience – SMR” (see [5]) thereby helping them to consider, analyze, and evalu- aims at developing a resilience management guideline ate risks and vulnerabilities under specific, climate to support city decision-makers in developing and im- change related scenarios. In the context of such a sys- plementing resilience measures. tematic scenario analysis, the application of a simula- The paper continues with a short introduction to the tion model can be of considerable benefit. The founda- RESIN project and its fundamental process (see Sec- tion of such a model—and by extension of effective tion 2). It then goes on to describe the impact chain

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 21 The RESIN climate change adaptation project and its simple modeling approach for risk-oriented vulnerability assessment

modeling approach used to capture and represent complex social, ecological, and technical sub-systems cause-effect relationships underlying risks and vulner- that overlap and interact with one another. abilities in urban population centers, enabling a sys- All RESIN methods and tools are being developed by tematic analysis and evaluation (see Section 3). The means of co-creation with the cities of Bilbao (Spain), paper concludes with a short description of the steps Greater Manchester (United Kingdom), Paris (France), necessary to complete the modeling process based on and Bratislava (Slovakia). The first co-creation pro- the generated impact chains (see Section 4). cess with Bilbao, aiming at producing a vulnerability and risk mapping on a neighborhood (barrios) scale, 2 The RESIN project started in July 2016 and concluded in September 2017. RESIN investigates climate change adaptation prac- Process, methods, and tools are standardized and can tices in European cities in order to develop standard- be applied to more European urban population centers, ized methods and decision support tools that decision but at the same time support the tailoring to the specific makers can use to develop local adaptation strategies. needs of a municipality, depending on the varying de- The project builds on previous research by combining grees of maturity of their adaptation processes. existing approaches to climate change adaptation and disaster risk management while taking into account all The application of the RESIN conceptual framework of the core elements of the urban system and their in- follows four principal stages (see [8]): terrelations. One of the central aims of RESIN is to 1. Assessing climate risks provide standardized methods and tools for compre- 2. Developing adaptation objectives hensive risk-oriented vulnerability assessments of an 3. Prioritizing adaptation options urban population center. These efforts are based on the 4. Developing an implementation plan latest state of discussion and conceptual approaches of the Intergovernmental Panel on Climate Change The impact chain modeling technique described in the (IPCC) Assessment Report 5 (AR5, see [7]). RESIN following section is part of the modelling process dur- views a city as a “system of systems” comprised of ing the first stage of this adaptation planning process.

Figure 1. Risks as compositions of hazards, exposure, and vulnerability (source: [7])

22 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 The RESIN climate change adaptation project and its simple modeling approach for risk-oriented vulnerability assessment

In RESIN, the design chosen for the vulnerability as- gave them first clues towards potential adaptation sessment process is based on the indicator-based measures. framework provided by “The Vulnerability Source- As part of impact chain modeling, RESIN utilizes a book” (see [9]). Since the sourcebook is based on number of concepts (see Figure 2) to derive overall risk IPCC AR4 (see [10]), the framework had to be adapted estimations: drivers, hazard, exposure, stressors, sen- to account for the conceptual move to a risk-based ap- sitivity, coping capacity, vulnerability, and impacts. proach by IPCC AR5 (see [7]). Compared to AR4, AR5 defines and uses terms like vulnerability and ex- A hazard is defined as “…the potential occurrence of posure in different ways: Where exposure to climate a natural or human-induced physical event or trend, or change hazards was once considered to be part of vul- physical impact that may cause loss of life, injury, or nerability—alongside sensitivity to hazards and capac- other health impacts, as well as damage and loss to ity to adapt—, the move to risk has separated out ex- property, infrastructure, livelihoods, service provision, posure. As a result, risk is now regarded by the IPCC and environmental resources” (see [7]). A climate-re- as a function of climate hazard, exposure, and vulner- lated hazard is a special case that is (at least partially) ability (see Figure 1). caused by climatic drivers. Examples include flooding, heatwave, drought, and water scarcity. 3 Using impact chains to model risks Exposure refers to the objects or systems that are ex- and vulnerabilities posed: The presence of people, livelihoods, species or Impact chains are tools (described in [9]) for capturing ecosystems, environmental services and resources, in- and structuring the components of a particular cause- frastructure, or economic, social, or cultural assets in effect relationship. They describe the basic connec- specific places that could be adversely affected. tions between the elements, and prepare the selection Non-climatic trends and events, which are called of quantitative indicators for many of the components. stressors, can have an important effect on an exposed Experiences during the co-creation processes with lo- system. Examples are population growth or change of cal experts from Bilbao, Bratislava, Manchester, and land-use; a larger percentage of sealed surface will in Paris show that impact chain diagrams are easy to general increase the susceptibility to flooding events grasp and apply, and that participants appreciate the and thus the vulnerability of all exposed objects. structured modeling approach. As a result, impact chains are not exhaustive, but describe the common Different objects are more or less sensitive to a hazard. understanding of the stakeholders present at the work- This is captured by the concept of sensitivity, defined shops. Often, experts found that impact chain diagrams as the degree to which an exposed object, species or

Figure 2. A risk-oriented vulnerability assessment schema (source: [11])

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 23 The RESIN climate change adaptation project and its simple modeling approach for risk-oriented vulnerability assessment

system could be affected by the considered hazard. As quency of the hazard and the development of the ob- such, sensitivity towards a hazard can be perceived as jects. The vulnerability of the objects exposed to the a property of an exposed object in regard to a specific hazard then determines the consequences. hazard. Examples for sensitivity include the degrees of The RESIN vulnerability assessment process starts surface sealing, age and density of a population, house- with a systematic analysis and selection of hazards, hold-income, or elevation and density of buildings. drivers, and stressors relevant to the urban area under Coping capacity is defined as “the ability of people, examination. These results serve as a base for the de- institutions, organizations, and systems, using availa- tailed planning of the assessment and ensures that the ble skills, values, beliefs, resources, and opportunities, – usually limited – resources available for the assess- to address, manage, and overcome adverse conditions ment are spent on the most pressing current and future in the short to medium term” (see [12]). Examples in- hazards, and no other threats or possible dependencies clude the draining capacity of sewer systems, a dike’s between different hazards are overlooked. In addition, height, education and awareness of the population, and a thorough documentation of the rationale for selecting availability of early warning systems, while examples hazards, drivers, and stressors is recommended to en- for adaptive capacity include diversity of economic ac- sure that future assessments or re-evaluations yield tivities, state of the city infrastructure, network redun- comparable results. dancy, diversity of land-use, or availability of hospital Once the vulnerability assessment is completed, im- beds. pact chain diagrams (see Figure 3) are developed. The Vulnerability is derived from the interplay of stressors, diagrams then visually illustrate cause-effect relation- sensitivity, and coping capacity. It contributes directly ships between the elements contributing to the impact to the impact or consequences that a hazard causes to of a given combination of hazards and exposed ob- the exposed objects. jects. Risk is classically computed by multiplying the proba- RESIN impact chain diagrams explicitly differentiate bility of an adverse event with the magnitude of the between hazards on the one hand and impacts and con- expected consequences (see [12]). A risk assessment sequences on the other (see Figure 4) – thus represent- takes into account the characteristics and intensity of ing cause and effect. In addition, the diagrams model the considered hazard, as well as the set of objects ex- relationships between sensitivity and coping capacity, posed to it. The probability of a hazard affecting the set and exposed object. Each element of an impact chain of objects may be estimated from extrapolating histor- may be described in a qualitative way by specifying ical data or simulation results concerning the fre- attributes, such as “green infrastructure” for coping capacity, and later also in a quantitative way by assigning

Figure 3. Generic impact chain diagram schema (source: [11])

24 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 The RESIN climate change adaptation project and its simple modeling approach for risk-oriented vulnerability assessment

measurable indicators, such as “percentage of green ability Sourcebook (see [9]), the annex of the Cove- area per city district”. Usually, impact chain diagrams nant of Mayors for Climate and Energy Reporting are developed during collaborative workshops with ex- Guidelines (see [13]) or the indicator database of the perts and stakeholders. European Union Framework Programme 7 project MOVE (Methods for the Improvement of Vulnerabil- ity Assessment in Europe, see [14]). These annotated impact chains are then utilized as a base for evaluation and simulation models of impacts, hazards, sensitivity, coping capacity, or stressors – which in turn are applied to move from risk assessments based on historic data to risk assessment of future (simulated) scenarios. Acknowledgments The authors thank their partners in the RESIN consor- tium for their valuable contributions during the development and test process. This paper is based in part upon work in the framework of the European project “Climate Resilient Cities and Infrastructures – RES- Figure 4. Elements used in impact chain diagrams IN”. This project has received funding from the Euro- (source: [11]) pean Union’s Horizon 2020 research and innovation programme under grant agreement no. 653522. Figure 5, developed during a co-creation workshop with local experts, shows an example impact chain for The sole responsibility for the content of this publica- the hazard-exposure combination heatwave on public tion lies with the authors. It does not necessarily repre- health for the city of Bilbao. Here, a heatwave is de- sent the opinion of the European Union. Neither the fined as a day when the average temperature exceeds EASME nor the European Commission are responsi- 32°C. Both the coping capacity and the sensitivity in- ble for any use that may be made of the information dicators contain a mixture of infrastructure related contained therein. measures as well as social indicators, such as the amount of green infrastructure and the percentage of 5 References elderly people. On the right side of the diagram, the [1] Coletti, A., De Nicola, A., Villani, M.L. Build- impact indicators cover mainly health related and eco- ing climate change into risk assessment. In: nomic consequences. The impact chain development Natural Hazards, Vol. 84, Issue 2, pp. 1307– (without the definition of measureable indicators) con- 1325, 2016. cludes the qualitative part of the assessment process and is a very valuable outcome itself. End-users with- [2] Burke, M., Hsiang, S.M., Miguel, E. Global out the necessary resources – both in terms of person- non-linear effects of temperature on economic nel and knowledge – may decide to end the vulnerabil- production. In: Nature, Vol. 527, pp. 235–239, ity assessment at this point. Others may opt to go for 2015. the quantitative part outlined below. [3] United Nations, Department of Economic and Social Affairs, Population Division. World Ur- 4 Further steps banization Prospects: The 2014 Revision, Highlights. United Nations, 2014. Based on the insights gained during this phase, impact chains are annotated by further identifying measure- [4] RAMSES – Reconciling adaptation, mitigation able indicators for all identified elements, and by gath- and sustainable development for cities. URL, ering necessary data for their calculation. To ease the visited on Dec 05, 2017, http://www.ramses- indicator selection process, established directories of cities.eu/ standard indicators can be employed. Such directories [5] SMR – Smart Mature Resilience. URL, visited can be found, for example, in the annex of the Vulner- on Dec 05, 2017. http://smr-project.eu

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 25 The RESIN climate change adaptation project and its simple modeling approach for risk-oriented vulnerability assessment

[6] RESIN – Climate Resilient Cities and Infra- [10] IPCC. Climate Change 2007: Synthesis Report. structures. URL, visited on Nov 11, 2017: Pachauri, R.K and Reisinger, A. (eds.) IPCC, http://www.resin-cities.eu/ Geneva, Switzerland, 2007. [7] Intergovernmental Panel on Climate Change [11] Rome, E., Bogen, M., Worst, R., Lückerath, D., (IPCC). Summary for Policymakers, in: Cli- Sojeva, B., Voss, H., Voss N., Xie, J. Delivera- mate Change 2014: Impacts, Adaptation, and ble D2.3 Realisation and implementation IVA- Vulnerability. Part A: Global and Sectoral As- VIA. EU H2020 Project RESIN, Sankt Augus- pects. Cambridge University Press, Cambridge, tin, Germany, 2017. United Kingdom, and New York, NY, USA, pp. [12] IPCC. Annex II: Glossary, in: Climate Change: 1–32, 2014. Synthesis Report. R.K. Pachauri and L.A. [8] Carter, J., Connelly, A., Handley, J., Hincks, S., Meyer (eds.) IPCC, Geneva, Switzerland, pp. Karvonen, A. Deliverable D1.3 Conceptual 117-130, 2014. Framework. EU H2020 Project RESIN, Man- [13] Neves, A., Blondel, L., Brand, K., Hendel chester, UK, 2016. Blackford, S., Rivas Calvete, S., Iancu, A., [9] German Federal Ministry for Economic Coop- Melica, G., Koffi Lefeivre, B., Zancanella, P., eration and Development. The Vulnerability and Kona, A.: The Covenant of Mayors for Cli- Sourcebook. Concept and guidelines for stand- mate and Energy Reporting Guidelines; EUR ardised vulnerability assessments. Deutsche 28160 EN; doi:10.2790/586693, 2016. Gesellschaft für Internationale Zusammenar- [14] MOVE Indicator Database Visualiser of the beit, Bonn and Eschborn, Germany, 2014. FP7 project MOVE. URL, visited on Oct 25, 2017: http://www.gi4drr.org/move/

Figure 5. Example impact chain for the hazard-exposure combination heat wave on public health in the city of Bilbao (source: [11])

26 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Integration eines Multi-Agenten-Systems in eine Ereignisdiskrete Materialflusssimulation

Michael Scholz1, Toni Donhauser1, Jörg Franke1 1Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU) Egerlandstraße 7-9, D-91058 Erlangen [email protected]

Der vorliegende Beitrag adressiert die Integration eines Multi-Agenten-Systems in eine ereignisdiskrete Ma- terialflusssimulation um die Möglichkeit einer Vorhersagbarkeit des Gesamtsystems, bestehend aus planba- ren Einzelentscheidungen der beteiligten Entitäten, auf diskrete Störeinflüsse zu gewährleisten. Aufgrund des zunehmenden Trends zu individualisierten und kundenspezifischen Produkten adressieren aktuelle For- schungsvorhaben im Bereich der intralogistischen Materialflusssysteme hochflexible Produktionsstrukturen, die von den klassischen Typen, des verrichtungsorientierten oder prozessfolgeorientierten Fertigungslayouts, abweichen. Diese Produktionsnetzwerke erzeugen auftragsindividuelle Arbeitspläne, welche anhand der aktuellen Rahmenbedingungen des Fertigungsnetzwerks erstellt werden. Die Auftragsallokation direkt durch den Auftrag selbst stellt daher eine Schlüsselfunktion dar. Diese Aufgabe kann mit Hilfe eines Multi- Agenten-Systems bestehend aus Auftrags-, Maschinen-, und Transportagenten gelöst werden. Im Rahmen des Beitrags wird eine Methode vorgestellt, welches die Allokation von Transportaufgaben auf intralogistische vielseitige Transportfahrzeuge behandelt. Die Lösungsfindung erfolgt durch eine Verhandlung des jeweiligen Auftragsagenten mit den Fahrzeugagenten anhand der im Auftrag hinterlegten Zielvorgaben und der auftragsindividuellen Logistik-KPIs der Fahrzeuge. Um eine Optimierung und Vorhersagbarkeit des Alloka- tionsalgorithmus bei diskreten Ereignissen zu ermöglichen ist eine Integration des Multi-Agenten-Systems in eine Materialflusssimulation notwendig. Hierzu stellt der Beitrag unterschiedliche Möglichkeiten des Infor- mationsaustauschs zwischen dem Multi-Agenten-Framework JADE und der Simulationsumgebung Plant Simulation vor.

1 Einleitung Reihenfolge der notwendigen Fertigungsanlagen für jedes Produkt im Vorfeld nicht geplant. Dadurch ist Aktuell ist in der fertigenden Industrie ein Trend zu die etablierte prozessfolgeorientierte Anordnung der individualisierten und kundenspezifischen Massen- Produktionsanlagen und deren feste Verkettung durch produkten zu erkennen. Das bedeutet, dass sich die Materialflusssysteme nicht zielführend. Es entstehen produzierten Losgrößen jedes einzelnen Derivats einzelne Produktionsinseln und das Material wird weiter reduzieren und schließlich in einer Produktion auftragsindividuell von autonomen und hochflexiblen von Unikaten zu Kosten eines Massenprodukts mün- Transportsystemen zwischen den Anlagen transpor- det. Dies stellt die etablierten Produktionsstrategien tiert. Im Rahmen des Forschungsprojekts E|Flow wird der Massenproduktion vor eine Herausforderung und die Auftragsallokation der einzelnen Transportaufträ- bedingt ein Umdenken in der Fabrikgestaltung. Der ge von einem Auftragsagenten übernommen, der mit Wandel von einer klassischen verketteten Fließferti- den Fahrzeugagenten eines vielseitigen autonomen gung hin zu sich auftragsindividuell vernetzenden Transportsystems die Vergabe der Aufträge verhan- Produktionsanlagen ist notwendig [1]. Antworten auf delt. Es entsteht ein intralogistisches Multi-Agenten- diesen Trend sind bereits in Ansätze sowohl in der System (MAS). Die Einzelentscheidungen dieses Forschung z.B. durch das Projekt ARENA 2036, als Systems bei der Vergabe sind anhand der Strategie auch in der fertigenden Industrie, z.B. durch die der teilnehmenden Agenten planbar, die Lösung Speed Factory von Adidas zu erkennen. In diesen komplexer Materialflüsse bestehend aus vielen Auf- Szenarien wird für jeden individuellen Auftrag ein trägen und Transportentitäten bei der Auftragsalloka- spezifischer Arbeitsplan auf Basis der aktuellen Ge- tion und der Reaktion auf ereignisdiskrete Störein- gebenheiten des Fertigungsnetzwerks erstellt. Somit flüsse wie z.B. Maschinenstillständen ist jedoch nicht sind die einzelnen Arbeitsfolgen und somit auch die

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 27 Integration eines Multi-Agenten-Systems in eine Ereignisdiskrete Materialflusssimulation

vorhersagbar. Abhilfe schafft hier eine ereignisdiskre- sich Agenten und MAS in drei Kategorien gruppie- te Simulation, die die Auftrags- und Transportagenten ren: [6] direkt integriert x Systeme mit Fokus auf Interaktion, Koordi- 2 Grundlagen von Ereignisdiskreten nation und Kooperation Materialflusssimulationen und Multi- x Intelligente Agenten mit Fokus auf Planung Agenten-Systemen und maschinelles Lernen Ein etablierter Vertreter für ereignisdiskrete Simulati- x Agenten für die Mensch-Maschine- onsumgebungen stellt Plant Simulation dar. Die Ap- Interaktion plikationsdomäne liegt hier vor allem in der Abbil- dung etablierter Fertigungsstrukturen nach dem ver- Kernmerkmale der Agenten sind Autonomie, Be- richtungsorientierten oder prozessfolgeorientierten wusstsein, Proaktivität und Kommunikationsfähigkeit Fertigungslayout. [7].

Im Bereich der MAS bietet das Framework JADE x Autonomie bedeutet, dass ein Agent seine (Java Agent DEvelopment) eine Middleware für Aktionen ausführen kann, ohne um Erlaub- agentenbasierte Peer-to-Peer Anwendungen nach dem nis fragen zu müssen. Er hat die absolute Standard der FIPA (Foundation for Intelligent Phy- Kontrolle über seinen inneren Zustand und sical Agents) sein Verhalten. Dies ist jedoch nur eine Pseudo-Autonomie. Das Verhalten eines 2.1 Ereignisdiskrete Materialflusssimulation in Agenten und alle möglichen Aktionen sind Plant Simulation in seinem Programmcode definiert. Während eines Simulationslaufs wertet die Simulati- onssoftware das Simulationsmodell nur zu bestimm- x Bewusstsein bedeutet, dass ein Agent über ten Zeitpunkten aus. Diese Punkte sind vordefinierte die Mittel verfügt, seine Umgebung zu Ereignistypen und markieren den Beginn oder das überwachen, entweder durch Sensoren, glo- Ende typischer Fertigungs- oder Intralogistikprozes- bale Wissensquellen oder durch andere se, z.B. die Beendigung eines Verarbeitungsschrittes Agenten. Folglich beinhaltet er ein Ver- oder den Übergang eines Teils von einem Förderer ständnis oder ein Modell der Umwelt. zum anderen. Es wird davon ausgegangen, dass das x Proaktivität bedeutet, dass ein Agent Ziele System nicht zwischen zwei Ereignissen wechselt hat und in der Lage ist, Pläne zu machen, um und das Modell daher nur zum Zeitpunkt des Eintre- diese Ziele zu erreichen. Er kann seine Pläne tens des Ereignisses berechnet werden muss. [2] an Veränderungen in seinem Umfeld anpas- Ein Schlüsselelement jeder ereignisdiskreten Simula- sen. tionssoftware ist die Timeline, eine chronologische x Die Fähigkeit zur Kommunikation bedeutet, Liste von Ereignissen. Bei der Ausführung eines dass Agenten mit anderen Agenten oder so- Simulationslaufs werden Ereignisse in diese Liste gar mit anderer Software interagieren kön- aufgenommen. Die Software wertet das Modell aus, nen. Durch das Senden und Empfangen von erstellt Statistiken für relevante Parameter und gene- Nachrichten können sie Dienste bereitstellen riert neue Ereignisse entsprechend der Logik des oder nutzen, Informationen austauschen oder Modells und seines aktuellen Zustands. [3] Verhandlungen aufnehmen. 2.2 Multi-Agenten-Systeme Mehrere Agenten, die in derselben Umgebung exis- Der Begriff "Agent" stammt aus dem Bereich der tieren, bilden nicht automatisch ein MAS. Ein MAS verteilten künstlichen Intelligenz und existiert seit definiert man, sobald Agenten zusammenarbeiten, um den 1980er Jahren [4]. Die Art der in diesem Beitrag ein gemeinsames Ziel zu erreichen, z.B. die Organisa- verwendeten Agenten ist wie folgt definiert: "Ein tion des Materialflusses in einer Produktionslinie. Die Agent ist ein Computersystem, das sich in einer be- daraus resultierenden Beziehungen und Abhängigkei- stimmten Umgebung befindet und in dieser Umge- ten zwischen den Bearbeitern, die Organisationsstruk- bung autonom agieren kann, um seine Designziele zu tur, die Allokation von Aufgaben und der Informati- erreichen"[5]. Abhängig vom Einsatzgebiet lassen onsaustausch sind der Zweck des MAS. [7]

28 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Integration eines Multi-Agenten-Systems in eine Ereignisdiskrete Materialflusssimulation

2.3 FIPA Architektur für Multi-Agenten- er diesem Antrag zustimmt oder nicht. Sobald die Systeme in JADE Aktion ausgeführt ist, informiert der Teilnehmer den Die Foundation for Intelligent Physical Agents (FI- Initiator über das Ergebnis. PA), hat mehrere Spezifikationen für die Entwicklung Die Agentenverwaltung besteht aus mehreren Kom- von MAS erstellt, wobei der Schwerpunkt auf der ponenten, die für das Funktionieren eines MAS erfor- Interoperabilität agentenbasierter Technologien liegt. derlich sind. Die Agent Platform (AP), bestehend aus In der Abstract Architecture Specification definiert Maschinen, Betriebssystemen und anderer Software, die FIPA alle Kernelemente eines MAS, von denen ist die physische Infrastruktur und das Fundament die beiden wichtigsten die Agentenkommunikation eines MAS. Jede AP verfügt über ein Agent Manage- und das Agentenmanagement sind. [8] ment System (AMS), das die Aufsicht über die AP Agenten kommunizieren durch den Austausch von ausübt. Ein Directory Facilitator (DF) stellt den so- Nachrichten, die in der Agent-Communication- genannten Yellow Pages Service zur Verfügung, bei Language (ACL) standardisiert sind [9]. Eine ACL- dem Agenten ihre Dienste registrieren. Der Message Message besteht aus folgenden Elementen: Transport Service (MTS) sorgt für die korrekte Zu- stellung von ACL-Nachrichten (Abb. 2). [10] x Der eigentliche Inhalt x Ein Performativ, das die Absicht des Agenten angibt, der die Nachricht gesendet hat (z.B. eine Anfrage oder eine Ablehnung).

x Parameter, um den Inhalt zu beschreiben und wie er interpretiert werden kann.

x Parameter zur Steuerung eines laufenden Gesprächs

Abbildung 2. Komponenten eines AMS [10]

3 Schnittstellen zum Datenaustausch zwischen JADE, SPS und Plant Simu- lation Die Forschungsprojekte KS-Sim II und E|Flow erfor- schen Schnittstellen, die einen Datenaustausch zwischen einer ereignisdiskreten Simulation in Plant Simulation und einer Speicherprogrammierbaren Steuerung (SPS) bzw. einem Multi-Agenten-System im Framework JADE ermöglichen. Somit ist es mög- lich, während der Planungsphase des Materialfluss-

systems die Ontologie der Agenten anhand der zu Abbildung 1. FIPA-Request-Protocol [9] erwartenden Auftragslage zu testen und zu optimieren. Im realen Testbetrieb werden dann diese Agenten Um sinnvolle Gespräche zu führen, verwenden Agen- direkt auf die einzelnen erforschten Transportsysteme ten Ontologien, eine semantische Sprache und Inter- implementiert ohne eine Anpassung an der Ontologie action Protocols (IPs). Eine IP definiert eine Abfolge vornehmen zu müssen. Damit entspricht das tatsäch- von Nachrichten, die ausgetauscht werden müssen, liche Verhalten der Transportsysteme bei der Auf- wenn zwei oder mehr Agenten an einer Konversation tragsallokation dem Verhalten der Agenten während beteiligt sind. Ein einfaches Beispiel für eine IP ist der Simulation, wodurch die notwendige Vorhersag- das FIPA-Request-Protocol (Abb. 1). Der Initiator barkeit des Materialflusssystems gegeben ist. dieser Interaktion fordert die Ausführung einer Aktion vom Teilnehmer an. Der Teilnehmer entscheidet, ob

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 29

Integration eines Multi-Agenten-Systems in eine Ereignisdiskrete Materialflusssimulation

3.1 Informationsaustausch über eine Socket- 5. Der direkt vom Ereignis betroffene Agent Schnittstelle erhält eine spezielle Ereignisbenachrichti- Es gibt zwei grundsätzliche Möglichkeiten, Daten gung. zwischen Softwareanwendungen auszutauschen, den 6. Die Agenten interagieren miteinander und speicherbasierten und den nachrichtenbasierten Da- treffen eine Entscheidung. tenaustausch. Die speicherbasierte Interprozesskom- munikation (memory-based inter-process communi- 7. Dieses Ergebnis wird über die Socket- cation IPC) setzt voraus, dass die Anwendungen auf Verbindung an Plant Simulation zurückge- die gleiche physikalische Speichereinheit zugreifen sendet. können, während die nachrichtenbasierte IPC durch 8. Der Simulationslauf wird fortgesetzt. das Senden von Daten über ein Netzwerk durchge- führt wird. 3.2 Informationsaustausch über XML Aufgrund des verteilten und dezentralen Charakters Soll der gegenwärtige Zustand in einem Produkti- von MAS ist der nachrichtenbasierte IPC die einzig onswerk als Ausgangszustand in einer Materialfluss- gangbare Option. Nachrichtenbasierte IPCs nutzen simulation verwendet werden, ist ein so genannter Netzwerk-Sockets zur Datenübertragung. Sowohl digitaler Schatten [11] im Simulationsmodell abzu- Plant Simulation als auch JADE unterstützen den bilden. Hierzu werden auf Knopfdruck alle Daten und Datenaustausch über Sockets. Informationen, die Auskunft über den Materialfluss und Betriebszustände von Maschinen und Anlagen geben und aus den SPS ausgelesen werden können, in das Modell integriert. Um eine pfadbasierte Einbindung in das Netzwerk des Simulationsmodells zu gewährleisten, bietet sich das XML-Format an. Da eine durchgängige, exakte Produktverfolgung in der Regel nie gegeben ist und SPSen Material nur zu bestimmten Zeitpunkten identifizieren, ist der gegenwärtige Produktionszustand aus einer gewissen zeitlichen Rückblende auf die erfassten SPS-Werte abzuleiten. Um mit der langan- dauernden Speicherung dieser Werte in der SPS deren Leistung aufgrund der Auslastung der Speicherkapa- Abbildung 3. Methode des Datenaustauschs zwischen zität nicht zu beeinflussen, empfiehlt sich, die Werte Plant Simulation und JADE über eine Socket- in kurzen Zeitintervallen aus der SPS zu exportieren Schnittstelle und in XML-Dateien abzuspeichern. Aus diesen Da- teien kann bei Bedarf der relevante Satz herangezo- Der Datenaustausch zwischen beiden Programmen gen werden, der für die Generierung des digitalen erfolgt in mehreren Schritten, wenn ein Ereignis (in Schattens von Nöten ist. Die Umwandlung in eine für der Simulation) eintritt, das eine Entscheidung der die Simulationsbausteine integrierbare Struktur kann Agenten erfordert. Der Ablauf dieses Austausches entweder bereits in der SPS, oder auf einem zwi- erfolgt wie folgt (vgl. Abb. 3): schengelagerten Server, oder direkt im Simulations- 1. Der Simulationslauf in Plant Simulation wird modell erfolgen. Die entsprechende Architektur ist in angehalten. Abb. 4 dargestellt.

2. Alle relevanten Informationen über den ak- Zentraler tuellen Systemzustand werden gesammelt. Server Simulation SPS Prof iNET Ethernet XM L XM L-Dat ei en Schnittstelle spezifisches S5/S7-Profibus CPU

Converter Simulationsmodell 3. Diese Informationen werden in eine ACL- Nachricht verpackt und über die Socket- Abbildung 4. Architektur zur Integration von SPS- Verbindung an JADE gesendet. Werten über XML-Dateien in ein Simulationsmodell 4. Alle Agenten erhalten ein Update ihres Sta- tus.

30 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Integration eines Multi-Agenten-Systems in eine Ereignisdiskrete Materialflusssimulation

3.3 Informationsaustausch über OPC UA 4 Einbindung des Multi-Agenten- Möchte man sekundengenaue Auskünfte über den Systems in die Ereignisdiskrete Simu- Produktionszustand in das Simulationsmodell integ- lation über eine Socket-Schnittstelle rieren oder Simulationsergebnisse durch Anpassung Für eine initiale Umsetzung einer Pull-orientierten von Variablen in den SPSen unmittelbar in der Pro- Produktionslinie wurde der Datenaustausch zwischen duktion umsetzen, stellt das Kommunikationsproto- Plant Simulation und JADE mit einer Socket- koll OPC UA ein geeignetes Mittel dar. Soll bei- Schnittstelle realisiert. Dazu wurde in Plant Simulati- spielsweise ein Transportmittel exakt lokalisiert weron ein Modell erstellt, das aus Lagereinheiten, Ma- den und ist der entsprechende Lokalisierungsparame- schinen und einer Senke, die das gesamte verarbeitete ter über eine Variable in dessen Steuerung enthalten, Material eliminiert. Das Materialhandling zwischen so kann dieser Wert über eine OPC UA-Schnittstelle den einzelnen Stationen erfolgt durch vielseitige direkt von Plant Simulation aus einem auf der SPS autonome Transportfahrzeuge (Versatile Autonomous eingerichteten OPC UA-Server (auf neuen Steue- Vehicles VAV). [12] rungsgenerationen vorhanden, z.B. Siemens S7-1500) abgerufen werden. Die entsprechende Architektur ist Alle Einheiten werden in JADE durch einen Agenten in Abb 5 dargestellt. Mit dem importierten Wert lässt repräsentiert. Die Organisation des Materialflusses sich die Position des Fahrzeugs im Simulationsmodell folgt diesem Verhalten: identisch zum realen Aufenthaltsort festlegen. x Wann immer eine Maschine stillsteht, fordert SPS sie eine Lieferung von Rohmaterial an. Prof iNET/Ethernet Simulation S7-ProfiNET spezifisches Server OPC UA CPU OPC UA Simulationsmodell Schnittstelle x Um Rohmaterial zu erhalten, muss die Ma- schine sowohl mit den Lagereinheiten als Abbildung 5. Architektur zur Verknüpfung von SPS- auch mit den VAVs interagieren. Werten über OPC UA mit Plant Simulation x In einem ersten Schritt fordert die Maschine Ein weiterer Vorteil dieser Architektur besteht darin, Informationen über den aktuellen Bestand dass auch in Rückrichtung einfach Daten übermittelt und den Standort jeder Lagereinheit an. werden können. So kann aus Plant Simulation ein Objekt auf dem OPC UA Server adressiert werden, x Die Maschine wählt dann eine Lagereinheit das wiederum mit einer Variable in der SPS verknüpft aus, basierend auf Bestand und Entfernung. ist. Greift nun die SPS in deren Ausführungszyklus auf eine Variable zu, die ihren Wert vom OPC UA x In einem zweiten Schritt fordert die Maschi- Server abruft, so können auf diesem Wege unmittel- ne alle VAVs auf, zu signalisieren, ob sie für bar Anweisungen aus Plant Simulation an die SPS einen Transport zur Verfügung stehen, und übertragen werden, indem der Wert in das entspre- ihren aktuellen Standort zu übermitteln. chende Objekt auf dem Server geschrieben wird. Damit ist die direkte Implementierung von Simulati- x Die Maschine wählt dann das verfügbare onsergebnissen in der Produktion aus technischer VAV aus und hat die kürzeste Distanz zum Sicht gewährleistet. zuvor gewählten Speicher.

Abbildung 4. Methode des Datenaustauschs zwischen Plant Simulation und JADE über eine Socket-Schnittstelle

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 31

Integration eines Multi-Agenten-Systems in eine Ereignisdiskrete Materialflusssimulation

x Sobald ein VAV für einen Transportauftrag 7 References ausgewählt wurde, fährt es zur Lagereinheit, [1] P. Tenerowicz-Wirth. Kommunikationskonzept nimmt das Material auf und bringt es zur für selbstlernende Fahrzeugkollektive in der Maschine. Intralogistik. Dissertation, Lehrstuhl für För- Um das Material abzutransportieren, fordert eine dertechnik und Materialfluss Logistik der TU Maschine ein VAV an, dass das Material aufnimmt München, Deutschland, 2013. und zur Senke transportiert. Diese Organisation des [2] U. Bracht, D. Geckler und S. Wenzel. Digitale Materialflusses wird ausschließlich durch den Aus- Fabrik. Springer-Verlag, Deutschland, 2011. tausch von Nachrichten zwischen den Agenten erreicht. Plant Simulation generiert nur Ereignisse und [3] L. März, W. Krug, O. Rose und G. Weigert. stellt den Agenten alle notwendigen Informationen Simulation und Optimierung in der Produktion zur Verfügung (z.B. aktuelle Position aller VAVs, und Logistik. Springer-Verlag, Deutschland, Bestandsinformationen der Lagereinheiten). Die 2011. Agenten führen dann ihr Verhalten aus und melden [4] T. Lüth. Technische Multi-Agenten-Systeme. das Ergebnis zurück. Schließlich verarbeitet Plant Carl Hanser Verlag, Deutschland, 1998. Simulation diese Informationen und setzt den Simula- tionslauf fort (Abb. 4). [5] VDI Richtlinie 4499 Blatt 1. Digitale Fabrik – Grundlagen. 2008. 5 Zusammenfassung [6] O. Shehory und A. Sturm. Agent-Oriented Der Beitrag beschreibt eine Methode, die Ontologie Software Engineering. Springer-Verlag, von Agenten eines MAS in eine ereignisdiskrete Deutschland, 2014. Simulation zu integrieren. Im konkreten Fall wurde [7] P. Meier. Agentenkomponenten. Martin Mei- eine Schnittstelle zwischen in JADE implementieren denbauer Verlagsbuchhandlung, Deutschland, Agenten und Plant Simulation geschaffen. Dadurch 2006. ist es möglich, das Verhalten der einzelnen Agenten auf ereignisdiskrete Störeinflüsse vorherzusagen. [8] FIPA Specification SC00001L. FIPA Abstract Anhand historischer Produktionsdaten können daher Architecture Specification. 2002 zukünftig hochflexible Materialflusssysteme ausge- [9] F. Bellifemine, G. Caire und D. Greenwood. legt und die Strategie der Auftragsvergabe, sowie die Developing Multi-Agent Systems with JADE. Strategie der beteiligten Software-Agenten optimiert John Wiley & Sons Ltd, England, 2007. werden. Weiterhin kann durch den Informationsaus- tausch der realen Welt zum Simulationsmodell im [10] FIPA Specification SC00023K. FIPA Agent laufenden Betrieb ein digitales Abbild der Intralogis- Management Specification. 2004 tik geschaffen werden. Dies stellt den Befähiger dar, [11] T. Bauernhansl, J.Krüger, G. Reinhart, et. al. bei zukünftigen selbstregelnden Produktionssystemen WGP-Standpunkt Industrie 4.0. Wissenschaft- eine Vorhersagbarkeit der Systemlösung bei plötzlich liche Gesellschaft für Produktionstechnik – auftretenden Störeinflüssen wie Maschinenstillstän- WGP, Deutschland, 2016. den zu gewährleisten, auch wenn die Summe der [12] C. Kästle, H. Fleischmann, M. Scholz, S. Här- Einzelentscheidungen der beteiligten Software- ter und J. Franke. Cyber-Physical Electronics Agenten nicht vorhersagbar ist. Production. In: Industrial Internet of Things, Springer International Publishing, Deutsch- 6 Danksagung land, 2017. Die Autoren bedanken sich herzlich beim Freistaat [13] F. Karl, P. Schnellbach, G. Reinhart, J. Böhner, Bayern für die Förderung des Projektes Green Facto- S. Freiberger, R. Steinhilper, S. Kreitlein, J. ry Bavaria [13] im Rahmen der Zukunftsinitiative Franke, T. Maier, J. Pohl und M. F. Zäh. Green Aufbruch Bayern. Factory Bavaria Demonstrations-, Lehr- und Forschungsplattform zur Erhöhung der Ener- gieeffizienz. wt Werkstatttechnik online, S. 629-632, 2012.

32 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

E|Melt: Erweiterung einer unternehmensspezifischen Materialfluss- und Energiesimulation zur Abbildung variabler Betriebsstrukturen der Nichteisen- Schmelz- und Druckgussindustrie

Andreas Buswell1, Prof. Dr. Wolfgang Schlüter1 1Hochschule Ansbach [email protected]

Die Erweiterung eines bestehenden betriebsspezifischen Simulationsmodells für Nichteisen- Schmelz- und Druckgussbetriebe auf variable Betriebsstrukturen ermöglicht die Simulation verschiedener Betriebe. Eine Analyse des grundsätzlichen Aufbaus verschiedener Betriebe zeigt die Unterschiede und Gemeinsamkeiten sowie ihre Auswirkungen auf den innerbetrieblichen Materialfluss. Basierend auf der Beschreibung verschiedener Kernkomponenten der Materialfluss- und Energiesimulation ergeben sich die nötigen Anpassun- gen der beiden Simulationsebenen, um eine simulative Nachbildung unterschiedlicher Werke zu realisieren. In einem ersten Schritt kann die Anlagenkonfiguration und damit die Betriebsstruktur mit der Anzahl der produzierenden Druckgussmaschinen, der Schmelzöfen und der Transportstapler frei erzeugt werden. Das in der bestehenden betriebsspezifischen Simulation existierende Energiemodell der Schmelzöfen wird soweit verallgemeinert und abstrahiert, dass aufwändige messtechnische Untersuchungen zur Ermittlung ofenspezi- fischer Parameter entfallen. Die resultierenden Simulationen erlauben Aussagen über die betriebliche Ener- gieeffizienz und Produktivität von verschiedenen Unternehmen und bieten die Möglichkeit, für einen spezifischen Betrieb intralogistische Verbesserungsmaßnahmen simulativ zu untersuchen.

1 Energiepotentiale der NE-Schmelz- hohen Investitionen und längerfristigen Anlagen- und Druckgussindustrie Stillständen verbunden. Weiteres Einsparpotenzial ergibt sich hingegen durch eine Optimierung der Die Bedeutung der Energieeffizienz hat speziell in Auslastung und Fahrweise, deren Erprobung jedoch Deutschland infolge der Energiewende und der stei- mit weitreichenden Eingriffen in den Produktionsab- genden Konkurrenz durch die Globalisierung stark lauf verbunden ist und damit die Planungssicherheit zugenommen. Das Energie- und Kosteneinsparungs- des Werks gefährdet. Simulationsgestützte Vorunter- potenzial ist dabei in energieintensiven Branchen, wie suchungen bieten Schmelz- und Druckgussbetrieben z. B. der Nichteisen (NE)-Schmelz- und Druckguss- die Möglichkeit, Maßnahmen im Voraus zu beurtei- industrie besonders hoch. In dieser Branche liegt der len, ohne die Produktion zu beeinflussen. Energieverbrauch pro Tonne gutem Guss in der Regel zwischen 2000 und 6000 kWh [1, 2, 3]. Dies führt zu 2 Betriebsstruktur Druckgussbetriebe einer hohen Energiekostenbelastung, die laut dem statistischen Bundesamt 25 % der Bruttowertschöp- Charakteristisch für den Fertigungsprozess von fung übersteigen kann [4]. Bis zu 60 % der aufge- Schmelz- und Druckgussbetrieben ist eine Kombina- brachten Energie entfallen auf den Aufschmelzvor- tion kontinuierlicher (Schmelzen) und diskreter (Gie- gang des Aluminiums, der in der Regel in gasbefeuer- ßen) Prozessschritte. Um diesen hybriden Material- ten Sekundäraluminiumschmelzöfen der werksinter- fluss in einer Simulation abbilden zu können, ist eine nen Schmelzerei abläuft. Die Energieeffizienz der umfassende Analyse der betrieblichen Strukturen verwendeten Schmelzöfen ist stark abhängig von notwendig. Die Prozessschritte eines typischen deren Bauart, Alter, Auslastung und Betriebsweise [1, Schmelz- und Druckgussbetriebs sind in Abbildung 1

5, 6, 7]. Die alterungs- und typbedingten Energiever- dargestellt. luste eines Ofens können mittels Optimierungsmaß- nahmen, wie bspw. Erneuerung der Ausmauerung oder einer verbesserten Isolierung reduziert werden [8]. Entsprechende Maßnahmen sind jedoch meist mit

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 33 E|Melt: Erweiterung einer unternehmensspezifischen Materialfluss- und Energiesimulation zur Abbildung variabler Betriebsstrukturen der Nichteisen- Schmelz- und Druckgussindustrie

Abbildung 1: Schematische Darstellung des Materialflusses innerhalb eines Schmelz- und Druckgussbetriebs

Der dargestellte Betrieb weist einen Materialkreislauf zahl betrachteter Legierungen auftreten. Die Erfas- auf, der typisch für einen NE- Schmelz-und Druck- sung dieser Umstände ist für eine präzise Nachbil- gussbetrieb ist: dung des Materialflusses essenziell.

x Anlieferung von flüssigem Aluminium bzw. Die Bestimmung der Stapler-Aufträge (Schritte b und Blockmaterial (Masseln) (Abb.1, a) d) erfolgt in den Werken nach vordefinierten Regeln (Steuerungsstrategien). So wird beispielsweise der x Beschickung der gasbetriebenen Schachtschmelz- öfen (SO) über Stapler mit Masseln, Rücklauf- Ofen, dessen Schmelzschacht den niedrigsten Füll- oder Ausschussmaterial (Abb. 1, b) stand aufweist, priorisiert beliefert. Aufgrund einer unzureichenden Datengrundlage und mangelnder x Erwärmen, Schmelzen und Überhitzen bzw. Visualisierung (bspw. fehlende Füllstandsanzeigen) Warmhalten des Metalls (Abb. 1, c) werden die Anlagen jedoch oftmals nur auf Basis der x Verteilung des flüssigen Aluminiums auf die Do- subjektiven Einschätzung der Staplerfahrer oder nach sieröfen der Druckgussmaschinen (DGM) mithilfe einer vorab definierten Reihenfolge beliefert. Als von DGM-Staplern (Abb. 1, d) Folge zeigen die Öfen der betrachteten Referenzbe- x Produktion von Gussteilen in den Druckgussma- triebe eine deutliche Steigerung des Energiever- schinen und Qualitätsprüfung (Abb. 1, e) brauchs gegenüber den Herstellerangaben. x Transport von vollen/leeren Materialbehältern aus Die Abbildung des betrieblichen Materialflusses dem Druckgussbetrieb oder von Masselpaketen erfordert daher neben einer Parametrisierung der aus dem Lager zum Schmelzbetrieb (Abb. 1, f) Anlagen auch die verwendeten Steuerungsstrategien und Vorgaben wie die Zuordnung der Produkte zu den Zwischen einzelnen Werken bestehen teilweise er- jeweiligen Druckgussmaschinen. hebliche Unterschiede: Neben variierenden Anlagen- zahlen und -typen sind auch die Fahrt- und Prozess- zeiten der einzelnen Komponenten zu berücksichti- 3 Betriebsspezifische Simulation gen. Weiterhin kann der Anteil angelieferten Flüssi- Im Green Factory Bavaria Projekt Smart Melting [9] galuminiums, je nach Betrieb, komplett entfallen oder wurde ein hybrides Simulationsmodell entwickelt, einen Großteil des Gesamtbedarfs der Druckgussma- das den Materialfluss des Gesamtbetriebs und den schinen decken. Energieverbrauch der Schmelzöfen abbildet, und mit Darüber hinaus stellt Abbildung 1 einen einzelnen realen Produktionsdaten validiert wurde. Mit dem Materialfluss dar. Je nach Betrieb können jedoch Modell können unterschiedliche intralogistische Op- mehrere getrennte Kreisläufe, abhängig von der An- timierungsmaßnahmen im Betrieb untersucht werden.

34 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 E|Melt: Erweiterung einer unternehmensspezifischen Materialfluss- und Energiesimulation zur Abbildung variabler Betriebsstrukturen der Nichteisen- Schmelz- und Druckgussindustrie

Das Energiemodell der Schmelzöfen erlaubt zudem Handling“-Objekt, das die Kommunikation der Kom- eine präzise Untersuchung der Auswirkungen auf den ponenten untereinander gewährleistet. Schmelzbetrieb. Neben der gegenseitigen Beeinflussung der Kompo- Die kontinuierlichen und ereignisdiskreten Prozesse nente des Materialflussmodells untereinander stellt eines Referenzbetriebs wurden identifiziert und mit insbesondere die Wechselwirkung zwischen Material- Matlab, Simulink und Stateflow in ein hybrides Si- fluss- und Energiemodell eine Herausforderung dar. mulationsmodell umgesetzt. Dabei übernehmen die Eine separate Simulation der beiden Ebenen wäre drei genannten Werkzeuge folgende Funktionen: technisch deutlich einfacher zu realisieren, würde aber keine gegenseitige ständige Aktualisierung bei- x Matlab: der Modelle ermöglichen, was die Nutzung vordefi- Simulationssteuerung und -auswertung, nierter Simulationsparameter zur Folge hätte und Objektinstanzierung und -verwaltung beispielsweise die dynamische Auftragsermittlung x Simulink: aus aktuellen Betriebsdaten verhindern würde. Daher Simulation kontinuierlicher Prozesse wurde zwischen Material- und Energieflussmodell x Stateflow: eine bidirektionale Kopplung realisiert, die eine ge- Simulation ereignisdiskreter Prozesse genseitige Aktualisierung der beiden Simulationsebe- nen ermöglicht (s. Abbildung 3). Der grundlegende Simulationsablauf ist in Abbildung 2 dargestellt. Das Energieflussmodell erfasst die gekoppelte Simulation thermodynamischen Vorgänge der Aluminium- schmelzöfen. Mithilfe des Materialflussmodells wird Materialfluss- modell der komplette Materialfluss innerhalb des Werks Beschickungs-/ Füllstände erfasst. In einem von der Simulation entkoppelten Entnahmedaten Steuerungsmodul werden auf Basis der ermittelten Schnittstellen- Schnittstellen- Anlagen- und Prozessparameter sowie der definierten Objekt Objekt Steuerungsstrategien Aufträge für die verschiedenen Komponenten generiert. Die ermittelten Aufträge Energiefluss- lösen Events in den Stateflow-Charts der zugeordne- modell ten Anlagen aus. Abbildung 3: Kommunikation der Simulationsebenen gekoppelte Simulation

Materialfluss- Die Kommunikation beider Ebenen erfolgt mithilfe modell eines Schnittstellen-Objekts, das den Austausch der relevanten Daten zwischen beiden Modellen ermög- Energiefluss- modell licht. Durch diese Kopplung wird die Untersuchung Auftrags- Anlagen- und des Einflusses intralogistischer Verbesserungsmaß- bzw. Prozessparameter, Steuerungsdaten Plandaten nahmen auf den Betrieb der Schmelzöfen ermöglicht.

SO-Stapler Mithilfe der beschriebenen Simulation konnten Ein- sparpotenziale im spezifischen Energieverbrauchs DGM-Stapler (kWh pro Tonne gutem Guss) von bis zu 20 % aufge- Schmelzofen zeigt werden, die mittels Maßnahmen wie Material-

Optimierung durch vorwärmung oder optimierter Beschickungsvorgänge Prozesssteuerung Simulation erzielbar sind [10]. Abbildung 2: Bestandteile der Betriebssimulation Die Anwendbarkeit des des im Projekt Smart Melting entwickelten Simulationsmodells beschränkt sich An zahlreichen Prozessen sind mehrere Komponen- jedoch auf einen einzelnen Betrieb, also dessen ten beteiligt. So werden bei einem Beschickungsvor- Anlagenkonfiguration und Steuerungsstrategien. gang Daten (bspw. Füllstände) zwischen dem Das Projekt E|Melt zielt darauf ab, eine variable Si- Schmelzofen und dem SO-Stapler ausgetauscht. mulationsumgebung zu erstellen, die die Abbildung Hierzu enthält die Simulation ein zentrales „Event- einer möglichst großen Bandbreite an Betrieben

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 35 E|Melt: Erweiterung einer unternehmensspezifischen Materialfluss- und Energiesimulation zur Abbildung variabler Betriebsstrukturen der Nichteisen- Schmelz- und Druckgussindustrie

der NE-Schmelz- und Druckgussbranche ermöglicht. Steuerungsmodul bündelt die Auftragserstellung der Hierzu ist eine Reihe von Modifikationen an der Simulation an einem zentralen Punkt. Somit können bestehenden Simulation nötig. neue Strategien nach einer Analyse der Prozesse und Überführung in einen Algorithmus zügig implemen- 4 Erweiterung auf variable Betriebs- tiert und getestet werden. strukturen Im ursprünglich abgebildeten Betrieb wurde lediglich Da die Betriebe, wie oben gezeigt, unterschiedlich eine Legierung verwendet. Bei der Analyse weiterer strukturiert sind, wird im green Factory Bavaria- Betriebe zeigte sich jedoch, dass häufig mehrere Nachfolgeprojekt E|Melt ein an verschiedene Indust- Legierungen verwendet werden und somit auch meh- riepartner anpassbares Simulationsmodell entwickelt, rere voneinander getrennte Materialflüsse existieren. das eine vergleichende Bewertung der Ergebnisse Die Verwendung verschiedener Legierungen ist im erlaubt. Hierzu sind weitreichende Modifizierungen ursprünglichen Modell nicht vorgesehen. Durch den des Ursprungsmodells nötig. Mithilfe einer variablen objektorientierten Ansatz der Simulation war es je- Modellgenerierung werden das Materialfluss- und das doch möglich, die einzelnen Komponenten in einem Energiemodell gemäß der betrieblichen Spezifikatio- standardisierten Verfahren um eine entsprechende nen erzeugt. Zudem erfordert die Betrachtung weite- Eigenschaft zu erweitern und eine Abfrage des ver- rer Unternehmen die Implementation zusätzlicher wendeten Legierungstyps an den Übergabestellen zu Steuerungsstrategien und die Entwicklung eines ergänzen. Nach der Implementation verschiedener Energiemodells für weite Anwendungsbereiche. Die Legierungen ist die Simulation imstande, getrennte Betriebsstrukturen erfordern zudem eine Erweiterung Materialflüsse und ihre Auswirkungen auf den Pro- der Funktionalitäten des Modells, bspw. um eine duktionsbetrieb sowie die Auslastung der Schmelz- Trennung verschiedener Materialflüsse (im Werk: öfen zu erfassen. unterschiedliche Legierungen). Ein Kernelement der während des Projekts Smart Für eine Nachbildung variabler Betriebsstrukturen Melting entwickelten Simulation stellt das Ener- muss die Simulation um die folgenden Features er- giemodell der Schmelzöfen dar, das die thermodyna- weitert werden: mischen Vorgänge im Inneren der Schmelzöfen sehr detailliert wiedergeben kann. Seine Ermittlung ist a) Konfigurierbarkeit der Betriebsstruktur jedoch mit einem komplexen Modellierungsprozess (Anzahl und Parametrisierung der Anlagen) verbunden, der umfangreiche Informationen über b) Konfigurierbarkeit des betrieblichen Materialflus- Aufbau und Arbeitsweise der Anlagen voraussetzt. ses (Anzahl Legierungen, Prozesszeite, etc.) Weiterhin übersteigt die benötigte Messdatengrundla- ge (bspw. Rauchgastemperaturen und Füllstände) c) Auswahl verschiedener Steuerungsstrategien und oftmals den Grad der Datenerfassung innerhalb eines Möglichkeit zur Definition neuer Strategien Werks. Die Erarbeitung eines vereinfachten Modells, d) Adaptierbarkeit des Energiemodells auf möglichst das mit Einschränkungen in der Funktionalität eine viele Schmelzofentypen Berechnung der Versorgung mit Flüssigaluminium ermöglicht, ist daher für eine variable Betriebssimula- In einem ersten Schritt wurde die Simulation daher in tion essenziell. ein Baukasten-System überführt, das es ermöglicht, alle Simulations-Komponenten auf Basis einer be- Ein ideales Modell sollte mit minimalen Genauig- trieblichen Anlagenkonfiguration zu erzeugen und keitseinbußen in den Materialfluss integriert werden mit den übergeordneten Modulen (Schnittstellen, können und weiterhin aussagekräftige Ergebnisse Steuerung) zu verknüpfen. Das Baukasten-System über den Energieverbrauch der Anlage liefern. ermöglicht eine Erweiterung und Konfiguration der Die Entwicklung des vereinfachten Energiemodells Simulation für beliebige Werksstrukturen auf Basis erfolgt durch eine detaillierte Prozessanalyse anhand der gängigen Anlagenparameter und einer Analyse von umfangreichen Messdaten. Mithilfe dieser In- des Materialflusses. formationen konnte das detaillierte thermodynami- Aus der Untersuchung des betrieblichen Materialflus- sche Modell auf drei Parameter reduziert werden. ses ergeben sich auch die werksspezifischen Steue- rungsstrategien. Das in Abschnitt 0 beschriebene

36 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 E|Melt: Erweiterung einer unternehmensspezifischen Materialfluss- und Energiesimulation zur Abbildung variabler Betriebsstrukturen der Nichteisen- Schmelz- und Druckgussindustrie

Diese beschreiben die Beeinflussung der Schmelz- Zwischen beiden Systemen besteht also nahezu kein leistung durch Beschickungsvorgänge und den Füll- Unterschied hinsichtlich der dem System zugeführten stand des Ofens. Materialmenge und bei der Verarbeitung des flüssigen Aluminiums in den Druckgussmaschinen. Zur Ver- Damit kann die Berechnung der Schmelzleistung deutlichung dieses Ergebnisses zeigt die Abbildung 4 erfolgen und die Simulation des gesamten Material- den zeitlichen Verlauf des kumulierten Material- flusses bleibt möglich. Zusätzlich bietet das Modell Inputs während der ersten Schicht. die Möglichkeit, den Gasverbrauch innerhalb des Simulationszeitraums nachzubilden. Eine exakte Analyse der thermodynamischen Vorgän- ge ist auf Basis eines vereinfachten Energiemodells nicht möglich. Im Gegenzug erlaubt es aber eine Simulation von Schmelzöfen unter Kenntnis weniger Anlagenparameter.

5 Ergebnisse Die unternehmensspezifische Materialflusssimulation mit dem komplexen thermodynamischen Energiemo- dell wurde während des Projekts Smart Melting anhand von realen Produktionsdaten einer Woche validiert, wobei nur geringfügige Abweichungen bei Materialfluss (1,5 % Unterschied der geschmolzenen Aluminium-Masse) und Energiemodell (0,5 % beim Abbildung 4: Kumulierter Verlauf der Beschickungs- kumulierten Gasverbrauch) auftraten [10]. masse Um die Güte des vereinfachten Energiemodells zu Der Verlauf der Input-Masse zeigt, dass die Vereinfa- bewerten, wird dieses in die ursprüngliche validierte chung des Energiemodells eine Beeinflussung des Simulation implementiert. Es werden 17 Schichten betrieblichen Materialflusses mit sich bringt. Aller- simuliert, was einer vollständigen Arbeitswoche ent- dings ändert sich das grundsätzliche Verhalten des spricht. Hierbei wurden die im Partnerbetrieb vorlie- Systems nicht, sodass ein Ausgleich der Abweichun- gende Anlagenkonfiguration und die zugehörigen gen erfolgt. Während am Ende der in Abbildung 4 Steuerungsstrategien zur Erzeugung des Material- dargestellten Schicht eine Differenz von 2,5 t vor- flussmodells verwendet. Das vereinfachte Ener- liegt, wird in beiden Modellvarianten nach 17 Schich- giemodells wurde gemäß der in Abschnitt 4 beschrie- ten exakt die gleiche Masse zugeführt. benen Reduzierungen und den benötigten Ofendaten Einen ähnlichen Verlauf zeigt auch der Materialfluss- erzeugt. Demgegenüber erfolgte die komplexe Mo- Output. Die Produktion der Druckgussmaschinen dellierung unter Berücksichtigung aller während des wird durch die Vereinfachung des Energiemodells Projekts Smart Melting ermittelten Informationen also nicht beeinflusst. Für die Druckgussmaschinen über die Wirkungsweise der Schmelzöfen. spielt auschließlich eine ausreichende Versorgung mit Die Bewertung der Auswirkungen auf den Material- Flüssigaluminium eine Rolle, die aufgrund der be- fluss erfolgte anhand des Material-Inputs durch die trachteten Anlagenkonfiguration bei beiden Modell- SO-Stapler in das System (zugeführte Masse durch varianten gegeben ist. Erst bei Untersuchung von Kippstationen ist modellunabhängig) sowie des Out- Versorgungsengpässen ist mit deutlicheren Auswir- puts der Druckgussmaschinen (Aluminiummasse der kungen, resultierend aus dem unterschiedlichen Ener- Produkte). Nach einer Simulation von 17 Schichten giemodell der Schmelzöfen zu rechnen. ergaben sich folgende Differenzen der beiden Modell- Die Berechnung des Energieverbrauchs der Schmelz- typen: öfen wird durch die Vereinfachung des Energiemo- x Material-Input: 0 % dells stark beeinträchtigt. Aufgrund der durchgeführ- x Material-Output: 0,01 % ten Vereinfachung ist die Berechnung von Moment- anwerten des Gas-/Energieverbrauchs nicht mehr

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 37 E|Melt: Erweiterung einer unternehmensspezifischen Materialfluss- und Energiesimulation zur Abbildung variabler Betriebsstrukturen der Nichteisen- Schmelz- und Druckgussindustrie

möglich. Allerdings erlaubt auch die vereinfachte Form des Ofenmodells eine Bestimmung des kumu- 7 References lierten Gasverbrauchs innerhalb des simulierten Zeit- [1] C. Belt. Current State of Aluminum Melting raums. Hierbei kommt es zu einer Abweichung von and Holding Furnaces in Industry. JOM 67 5 % gegenüber der komplexen Modellierung. (2015) 11, S. 2690–2695, 2015. Die Ergebnisse zeigen, dass eine Vereinfachung des [2] M. Bosse, E. Frost, M. Hazrat, J.-M. Rhiemei- thermischen Modells der Schmelzöfen ohne Einbu- er und H. Wolff. Ermittlung von branchenspe- ßen der Genauigkeit möglich ist. Allerdings sind zifischen Potentialen zum Einsatz von erneu- weitere Untersuchungen des Verhaltens unter Be- erbaren Energien in besonders energieintensi- trachtung verschiedener Versorgungssituationen von- ven Industriesektoren am Beispiel der Gieße- nöten. rei-Industrie. IfG Institut für Gießereitechnik, Ecofys Germany GmbH, Düsseldorf, 2013. 6 Ausblick [3] C. Herrmann, H. Pries und G. Hartmann. Die Erweiterung einer unternehmensspezifischen Energie- und ressourceneffiziente Produktion Simulation auf variable Betriebsstrukturen in der von Aluminium-Druckguss. Springer Vieweg, Nichteisen- Schmelz- und Durckgussindustrie stellt Berlin, 2013. eine simulationstechnische Herausforderung dar. [4] C. Schimansky. Energiepolitik. Mithilfe der beschriebenen Anpassungen und Erwei- http://www.bdguss.de/themen/energie/#.WLA terungen ist es möglich, das Materialfluss- und Ener- U5PJCMQM. Letzter Zugriff am 22.12.2017. giemodell einer zunächst werksspezifischen Simula- tion auf abweichende Betriebsstrukturen anzuwen- [5] P. Felder, U. Flückiger und T. Wisskopf. den. Gießereibetrieb - Pinch-Analyse Prozessanla- gen und Heizungsanlagen: Schlussbericht. In der nächsten Projektphase wird die Simulation EnergieSchweiz, Bern, 2014. durch reale Prozessdaten eines weiteren Werks mit einer abweichenden Betriebsstruktur validiert. Hier- [6] W. Stephan, K. Zitzmann, G. Pröbstle, und J. durch wird erstmals eine vergleichende Untersuchung Kapischke. Effiziente Energieverwendung in der Wirksamkeit innerbetrieblicher Verbesserungs- der Industrie. Bayerisches Landesamt für maßnahmen in unterschiedlichen Werksstrukturen Umweltschutz (LfU), Augsburg, 2005. ermöglicht. Als Folge können die simulativ ermittel- [7] K. Salonitis, B. Zeng, H. A. Mehrabi und M. ten Ergebnisse und Handlungsempfehlungen deutlich Jolly. The Challenges for Energy Efficient genauer an die industriellen Projekt-Partner angepasst Casting Processes. Procedia CIRP 40 (2016), werden. S. 24–29, 2016. [8] W. Schlüter, A. Ringleb und S. Hirschberg. ZFN01 - Energiepotentialanalyse des Schmelz- betriebes Werk Nürnberg. Hochschule Ans- bach, Ansbach, 2013. [9] A. Ringleb. Green Factory Bavaria: Smart Melting. http://greenfactorybavaria.de/ gf/cms/front_content.php?idcat=90. Letzter Zugriff am 22.12.2017. [10] W. Schlüter, M. Henninger, A. Buswell und J. Schmidt. Schwachstellenanalyse und Prozess- verbesserung in Nichteisen-Schmelz- und Druckgussbetrieben durch bidirektionale Kopplung eines Materialflussmodells mit einem Energiemodell. Herausgeber: S. Wenzel und T. Peter, kassel university press, Kassel, S. 19-28, 2017.

38 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Numerische Untersuchung einer Diffusor-Kontraktion und Beeinﬂussung des Strömungszustandes durch Wandkonturierung

Konstantin Zacharias1, Wolfgang Schlüter1 1Hochschule Ansbach, Fakultät Ingenieurwissenschaften

[email protected]

Die numerische Berechnung von abgelösten Strömungen mit positivem Druckgradienten, stellt heute noch eine Herausforderung für die Turbulenzmodelle dar. Der Strömungsabriss in einem Diffusor wird haupt- sächlich aufgrund der Druckzunahme verursacht und führt bei einem zu großen Ablösegebiet zu einer Ab- senkung der Performance. Zur Bestimmung des Strömungszustandes in Diffusor-Kontraktionen werden CFD-Simulationen mit dem k-ω-SST-Modell durchgeführt. Zunächst wird der Übergang des Zustandes, anliegende zu abgelöste Strömung, anhand einer 2D "‘Flow-Regime-Map"’ validiert. Der gleiche Über- gang wird anschließend für eine 3D Diffusor-Kontraktion, quadratisch zu rund, ermittelt. Mit der Kon- turierung der Diffusorwand wird die Performance eines Diffusors, der sich im Bereich der leicht abgelösten Strömung beﬁndet, verbessert und die Ablöseblase verkleinert.

1 Einleitung wurden numerisch Diffusoren mit einer abgelösten Strömung untersucht. Im ersten Workshop [1] diente das Experiment von Obi [2] und Buice [3], ein Der Diffusor ist ein zentrales Bauteil bei technischen asymmetrischer Diffusor mit einem hohen Aspect- Anwendungen mit Innenströmungen und wird in der Ratio, als 2D-Testfall. Es wurden unterschiedliche industriellen Praxis zur Druckrückgewinnung oder Turbulenzmodelle untersucht, von denen das k-ω- zur Anpassung unterschiedlicher Querschnitte einge- SST-Modell bei den linearen Modellen das beste setzt. Durch die divergente Geometrie des Diffusors Ergebnis lieferte. Im zweiten Workshop [4] wurden wird die Strömung verzögert und der Druck nimmt zu, zwei 3D-Diffusoren mit einem kleinen Aspect-Ratio d.h. kinetische Energie wird in Druckenergie umge- und einer starken Strömungsablösung untersucht. wandelt. Eine zu schnelle Querschnittserweiterung Das Experiment wurde von Cherry [5] unter Ver- und ein daraus resultierender steiler Druckanstieg wendung der Magnetic-Resonance-Velocimetry kann zur Ablösung des Fluids an der Wand führen. Technik durchgeführt. Mit dieser Methode konnte Die abgelöste Strömung "‘blockiert"’ den Fluid- eine Datenbasis einer hochaufgelösten 3D-Strömung transport und führt schließlich zu einem geringeren bereitgestellt werden. Alle RANS-Turbulenzmodelle Druckrückgewinn, schlechteren Wirkungsgrad und scheiterten an der Berechnung der Position und Größe gegebenenfalls zu Instationaritäten. der Ablöseblase. Eine Ausnahme bildete das speziell CFD-Simulationen haben sich in der Auslegung und entwickelte ANSYS EARSM Modell. Mit den Large- Optimierung von strömungstechnischen Bauteilen Eddy-Simulationen (LES) und den LES-Verwandten etabliert. Trotz der intensiven Turbulenzforschung Modellen konnte eine gute Übereinstimmung zum und den daraus resultierenden optimierten Turbu- Experiment erzielt werden. In dieser Arbeit wird das lenzmodellen ist eine korrekte Berechnung von k-ω-SST-Modell zur numerischen Berechnung der abgelösten Strömung unter Einwirkung des posi- Diffusorströmungen verwendet. Bei der Auswertung tiven Druckgradienten schwierig. Während zwei der 3D-Strömungen werden nur Diffusoren betra- Workshops der "‘European Research Community on chtet, bei denen die Ablösung gerade einsetzt. Flow, Turbulence and Combustion"’ (ERCOFTAC)

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 39 Numerische Untersuchung einer Diusor-Kontraktion und Beeinussung des Strömungszustandes durch Wandkonturierung

Das Ziel der vorliegenden Arbeit ist es, den Strö- Ablösegebiet von einer Diffusorwand zur anderen mungszustand in einer 3D Diffusor-Kontraktion zu wandert. Dies war kein schlagartiger Umschlag, bestimmen. Hierfür soll eine "‘Flow-Regime-Map"’ sondern die Intervalle erstreckten sich unterschiedlich erstellt werden mit der der Strömungszustand der von Minuten bis hin zu Stunden. Eine Vorhersage, Diffuser-Kontraktion analytisch abgeschätzt werden wann und an welcher Wand die Ablösung stattfand, kann. Zusätzlich soll numerisch der Effekt der war nicht möglich. Wandkonturierung auf den Strömungszustand und die Die Strömungszustände die sich oberhalb der Linie Diffusor-Performance untersucht werden. b-b befinden werden in dieser Arbeit nicht berück- sichtigt, da diese ein hohes Querschnittsverhältnis besitzen und in der technischen Anwendung von 1.1 Strömungszustand im 2D Diffusor untergeordneter Rolle sind. Die Performance eines Diffusors lässt sich an Hand Die Diffusor-Performance und der Strömungszustand des Wirkungsgrades η oder des dimensionslosen in einem 2D Diffusor sind schon seit längerer Zeit Druckbeiwerts (pressure recovery coefficent) cp Gegenstand von experimentellen Untersuchungen beurteilen [6]. Der Druckbeiwert wird über die statis- [6] [7] [8]. Der Strömungszustand im Diffusor wird che Druckdifferenz und dem dynamischen Druck am nach der Art der Ablösung beschrieben. Die unter- Einlass gebildet. schiedlichen Strömungszustände sind in Abbildung p − p 1 in Abhängigkeit ihrer geometrischen Parameter c = 2 1 (1) p 1 ρ 2 dargestellt. Die Einteilung erfolgte nach experi- 2 u1 mentellen Untersuchungen am rechteckigen Diffusor Diffusoren mit anliegender Strömung und leicht be- für das Medium Wasser [9] und wurden anschließend ginnender Ablösung besitzen die größte technische für das Medium Luft bestätigt. Relevanz. Der höchste Druckrückgewinn wird in einer leicht abgelösten Diffusorströmung erreicht. Anliegende Strömung (No Appreciable Stall) Dieses Strömungsgebiet liegt unterhalb der Linie a-a und ist charakterisiert durch die stationäre und an der Wandkontur anliegende Strömung. Diffusoren 2 CFD-Simulationen mit anliegender Strömung besitzen ein kleines Quer- schnittsflächenverhältnis w2 und damit ein kleinen w1 Die numerischen Simulationen werden mit der kom- Öffnungswinkel θ. merziellen CFD-Software StarCCM+ durchgeführt. Das Strömungsmedium ist Wasser mit einer Dichte Beginnende Ablösung (Appreciable Stall) ρ=1000 kg/m3 und einer dynamischen Viskosität von Im Zwischenbereich der Linien a-a und a’-a’ beginnt μ=0.001 Pas. Für alle Simulationen ist ein konstanter die Strömung an vereinzelten Stellen abzulösen. Massenstrom vonm ˙ =1.111 kg/s eingestellt. Dies geschieht zunächst in den Ecken, da dort die Impulsverlustdicke größer ist als z.B. im Zentrum der Diffusorwand [5]. Die Strömung folgt noch 2.1 Geometrie und Simulationseinstel- überwiegend der Kontur und es entsteht keine oder lungen nur eine geringe Rückströmung. Die geometrischen Maße des rechteckigen 2D Instationäre Ablösung (Large Transitory Stall) Diffusors und der 3D Diffusor-Kontraktion sind in Die instationäre Diffusorströmung befindet sich Abbildung 2 dargestellt. Bei der Diffusor-Kontraktion zwischen den Linien a’-a’ und b-b in Abbildung 1. wird der rechteckige Querschnitt am Inlet zu einem Die Strömung in diesem Bereich ist unregelmäßig runden Querschnitt überführt. mit starken Fluktuationen. Im Diffusor werden Ablösegebiete gebildet und heraus befördert, was Die numerischen Simulationen werden mit dem zu starken Druckfluktuationen führt. Die Position k-ω-SST-Modell ohne Wandfunktionen durchge- der instationären Strömungsablösung variiert über führt. Das unstrukturierte Polyedernetz ist bis in den die gesamte Geometrie. Ashjaee und Johnston [7] wandnahen Bereich aufgelöst, sodass ein y+-Wert untersuchten Diffusoren in diesem "‘Large Tran- von y+<1 erreicht wird. Um die Unabhängigkeit sitory Stall Regime"’ und beobachteten, dass das der Simulationsergebnisse von der Vernetzung

40 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Abbildung 1: Einteilung des Strömungszustandes für ein geradlinigen rechteckigen 2D Diffusor in der "‘Flow-Regime-Map"’ nach [9]

sicherzustellen wird eine Netzstudie durchgeführt 3 Simulationsergebnisse und die Elementgröße für alle untersuchten Geome- trien verwendet. Die Diffusor-Performance und der 3.1 2D Flow-Regime-Map Strömungszustand korrelieren sehr stark mit dem Geschwindigkeitsprofil (Grenzschichtdicke) [6]. Alle Simulationen werden daher mit einem voll ausge- Die numerischen Untersuchungen zum Strömungszu- bildeten Inlet-Geschwindigkeitsprofil durchgeführt, stand finden zunächst an rechteckigen 2D-Diffusoren welches über ein zusätzliches Modell berechnet statt. Dabei werden alle Geometriegrößen, die in Ab- und dem Simulationsmodel als Randbedingung bildung 2 aufgeführt sind, konstant gehalten und nur aufgeprägt wird. der Einströmquerschnitt w1 variiert. Die fünf untersuchten Diffusorgeometrien sind in Tabelle 1 aufgelistet und in die Flow-Regime-Map in Abbildung 1 eingetragen.

2D Diffusor ABCDE w1 [mm] 10 12 13 14 15 Ablösegebiet [%] >2.5 >2.5 2.5 0.67 0

Tabelle 1: Untersuchte 2D Diffusoren

Die Simulationsergebnisse zeigen eine gute Übere- instimmung mit der experimentell ermittelten Flow- Regime-Map. Die Diffusoren A und B liegen im Bere- ich der instationären Diffusorströmung und weisen ein großes Ablösegebiet auf. Diese wurden nicht weiter ausgewertet, da die 2-Gleichungs-Turbulenz-Modelle nicht für diesen Bereich geeignet sind [4]. Die Diffu- soren C und D beﬁnden sich im Bereich der beginnen- Abbildung 2: Geometrie des rechteckigen 2D Diffusors den Ablösung. Die Strömung folgt überwiegend der (oben) und der Diffusor-Kontraktion (unten) Diffusorkontur und das Ablösegebiet nimmt nur einen kleinen Anteil des Gesamtvolumens ein. Die Strö- mung des Diffusors E folgt vollständig der Kontur und weist keine Ablösung auf. Die experimentell ermit-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 41 Numerische Untersuchung einer Diusor-Kontraktion und Beeinussung des Strömungszustandes durch Wandkonturierung

telte Linie a-a wird somit gut über CFD-Simulationen kommt Härtel zu dem Ergebnis, dass für den Diffu- wiedergegeben. sor C die Glockenform die ideale Geometrie ist. Här- tel verwendete jedoch ein vereinfachtes numerisches Verfahren zur Berechnung der Diffusorströmung. Es 3.2 Wandkonturierung des 2D Diffusors ist davon auszugehen, dass die numerische Berech- nung mit dem k-ω-SST-Modell genauere Ergebnisse Im Folgenden wird der Einﬂuss der Wandkon- liefert. turierung auf den Strömungszustand und den Druck- beiwert cp im rechteckigen 2D Diffusor numerisch untersucht. Abbildung 3 zeigt zwei mögliche Kontur- 0.71 formen. Ausgehend von einem geradlinigen Diffusor cp Ablösebereich 2.5 wird der Punkt P in y-Richtung verschoben. Dabei 0.70 entsteht eine Glockenform wenn der Punkt in positive y-Richtung verschoben wird und eine Trompetenform 0.69 2.0 bei einer Verschiebung in negativer Richtung. 0.68

cp 1.5

0.67

1.0 Ablösebereich [%] 0.66

0.5 0.65 Trompetenform Glockenform

-0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 Position y [mm] Abbildung 3: Schematische Darstellung der Wandkon- turierung Abbildung 4: Darstellung des Druckbeiwerts cp und Die Abbildungen 4 und 5 zeigen die Auswirkung der prozentualen Größe des Ablösegebietes bei unterschiedlicher Wandkonturierung des Diffusors D der Konturierung auf den Druckbeiwert cp und auf die Größe des Ablösegebiets. Die Wandkonturierung des Diffusors D hat nur einen geringen Einﬂuss auf den Druckbeiwert cp und die Größe des Ablösege- biets (Abb. 4). Bei einer Verschiebung des Punk- tes P in negative y-Richtung steigt der Druckbeiw- 4.0 ert cp geringfügig an und das Ablösegebiet vergrößert cp 0.74 Ablösebereich sich. Wird der Punkt P in positive y-Richtung ver- 3.5

schoben, sodass eine Glockenform entsteht, wird das 0.72 Ablösegebiet zunächst etwas verkleinert und steigt 3.0 0.70 anschließend stark an. Die Konturierung der Wand 2.5 des Diffusors C hat einen größeren Effekt auf das cp 0.68 2.0 Ablösegebiet und auf den Druckbeiwert cp. Bei einer Ablösebereich [%]

Glockenform wird der Ablösebereich unmittelbar ver- 0.66 1.5 größert und der Druckbeiwert cp verschlechtert sich. 0.64 Für die Strömungsbedingungen im Diffusor C ist die Trompetenform Glockenform 1.0 Trompetenform die ideale Konturierung (Abb. 5). -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 Bei einer Verschiebung des Punktes P um 0.5 mm Position y [mm] kann das Ablösegebiet um 1.5% verkleinert werden und der Druckbeiwert auf cp = 0.73 gesteigert wer- Abbildung 5: Darstellung des Druckbeiwerts cp und den. In beiden Fällen war es nicht möglich einen der prozentualen Größe des Ablösegebietes bei unter- Diffusor, der sich im abgelösten Strömungsbereich schiedlicher Wandkonturierung des Diffusors C beﬁndet, durch Konturierung der Wand in den Bereich der anliegenden Strömung zu verschieben. Dies deckt sich auch mit den numerischen Simulationen von Här- Um eine Aussage treffen zu können, ab welchem tel [10], der wandkonturierte 2D Diffusoren auf Ba- Flächenverhältnis welche Konturform zu bevorzugen sis des Grenzschichtkonzeptes untersuchte. Jedoch ist, ist eine größere Datenbasis notwendig.

42 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 3.3 3D Diffusor-Kontraktion

Zur numerischen Untersuchung des Strömungszu- standes in der 3D Diffusor-Kontraktion werden zunächst die Einströmquerschnitte (w1) aus der 2D Simulation kombiniert zu einem rechteckigen Ein- strömquerschnitte. Anschließend werden weitere quadratische Einströmquerschnitte untersucht. Alle untersuchten Geometrien sind in der Tabelle 2 mit der Größe des Ablösegebiets aufgelistet. Bei einer zu starken Strömungsablösung wird das Ablösegebiet nicht weiter untersucht. Für die Kombination der Abbildung 6: Konturplot der Axialgeschwindigkeit für un- Diffusor-Kontraktion wird der Diffusor A und D mit terschiedliche Querschnittsﬂächen der Diffusor-Kontraktion dem Diffusor E gewählt. Der 2D Diffusor E liegt im DE und FF Gebiet der anliegenden Strömung und bei den 2D Dif- fusoren D und A reißt die Strömung von der Wand ab. Da bei der Kontraktion vom rechteckigen Proﬁl auf chen den Diffusoren FF und GG. In Abbildung 7 ist den runden Querschnitt die Ecken in Strömungsrich- diese Linie qualitativ in die Diffusor Flow-Regime- tung verschwinden, wird ein Strömungsabriss bei Map eingetragen. Die Linie ak-ak gilt es für weitere / höheren Querschnittsverhältnissen (w2/w1) erwartet. Querschnittsverhältnisse (w2 w1) zu bestätigen und Die CFD-Simulationen zeigen bei beiden Diffusor- für weitere N/w1 fortzuführen. Mit dieser Flow- Kontraktionen ein großes Ablösegebiet. Ausgehend Regime-Map kann dann der Strömungszustand in von der quadratischen Diffusor-Kontraktion EE wird einer Diffusor-Kontraktion von einem quadratischen der Einströmquerschnitt vergrößert bis eine Geome- auf einen runden Querschnitt analytisch abgeschätzt trie mit anliegender Strömung erreicht wird. werden.

Diff.-Kontraktion AE DE EE FF GG w1 [mm] 10 14 15 17 18 h [mm] 15 15 15 17 18 Ablösegebiet [%] >2.5 >2.5 >2.5 1.5 0

Tabelle 2: Untersuchte Diffusor-Kontraktionen

Abbildung 6 zeigt den Vergleich der Diffusor- Kontraktion DE und FF als Konturplot der Ax- ialgeschwindigkeit für drei Querschnitte. Die breitere Linie kennzeichnet die Axialströmungs- Abbildung 7: Flow-Regime-Map mit Erweiterung der quadratisch zu runden Diffusor-Kontraktion geschwindigkeit von u = 0 m/s und der Abstand der Konturlinien beträgt 0.5 m/s . In beiden Fällen reißt die Strömung bereits am Diffusoreintritt (x=0) ab. Der Strömungsabriss wird in den Ecken initiiert bevor es zum Übergang auf den kreisförmigen Querschnitt 4 Zusammenfassung und Aus- kommt. Von der Initiierung breitet sich die Ablöse- blase an den Diffusorwänden weiter aus und legt blick sich stromab wieder an die Diffusorwände an. Bei der Kontraktion FF ﬁndet das Wiederanlegen bere- Das Ziel der Arbeit war es, numerisch den Strö- its zwischen der Position x=15 und x=60 statt. In mungszustand in Diffusor-Kontraktionen zu under untersuchten Diffusor-Kontraktion GG bleibt die tersuchen und den Einﬂuss der Wandkonturierung Strömung an der Kontur anliegen. Für die quadratis- auf den Druckbeiwert cp und das Ablösegebiet zu che Diffusor-Kontraktion liegt somit die Linie ak- ermitteln. Hierfür wurden numerisch fünf geradlin- ak, an der ein Strömungsabriss initiiert wird, zwis- ige, rechteckige 2D Diffusoren untersucht und der

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 43 Numerische Untersuchung einer Diusor-Kontraktion und Beeinussung des Strömungszustandes durch Wandkonturierung

Strömungszustand mit der "‘Flow-Regime-Map"’ Flow in an Asymmetric Plane Diffuser, Ninth verglichen. Der Übergang von dem anliegenden Symposium on Turbulent Shear Flows, 1993 Strömungszustand zur leicht abgelösten Strömung konnte mit dem k-ω-SST-Modell validiert wer- [3] C. Buice, J.K. Eaton Experimental investigation den. Anschließend wurden die 2D Diffusoren of flow through an asymmetric plane diffuser, zu rechteckigen/quadratischen Einlaufquerschnit- Center for Turbulence Research, 1995 ten kombiniert und der Strömungszustand in der [4] European Research Community on Flow, Turbu- Diffusor-Kontraktion untersucht. Es ist zunächst lence and Combustion, 13th ERCOFTAC Work- erwartet worden, dass aufgrund der Kontraktion, shop on Refined Turbulence Modelling, Report, rechteckig/quadratisch auf rund, die Strömung erst 2008 bei höheren Querschnittsverhältnissen (w2/w1) abreist. Die Simulationsergebnisse zeigten, dass [5] E. Cherry, C. Elkins, J. Eaton, Geometric sen- genau der entgegengesetzte Fall auftritt. Der sitivity of three-dimensional sparated flows, In- Strömungsabriss wird bereits in den Ecken am Dif- ternational Journal of Heat and Fluid Flow, 29, fusoreintritt initiiert bevor die Ecken weiter stromab 803-811, 2008 in das runde Profil überführt werden. Um eine anliegende Strömung in der Diffusor-Kontraktion zu [6] L.R. Reneau, J.P. Johnston, S.J Kline, Perfor- erhalten, muss im Vergleich zum 2D ein wesentlich mance and Design of Straight, Two-Dimensional Diffusers, Journal of Basic Engineering, 89, 141- kleineres Querschnittsverhältnis (w2/w1) gewählt 150, 1967 werden. Es konnte eine Linie ak-ak für eine Diffusor- Kontraktion ermittelt werden, die den Übergang von [7] J. Ashjaee, J.P. Johnston, Straight-Walled, Two- der anliegenden zur abgelösten Strömung definiert. Dimensional Diffusers Transitory Stall and Peak Diese Linie gilt es in weiteren Simulationen zu Pressure Recovery, Journal of Fluid Engineer- bestätigen und zu vervollständigen. ing, 102, 275-282, 1980

Der Einﬂuss der Wandkonturierung wurde an [8] Robert D. Blevins, Applied Fluid Dynamics zwei 2D Diffusoren numerisch untersucht. Ein Dif- Handbook, Van Nostrand Reinhold, 1984 fusor der sich bereits im abgelösten Bereich beﬁndet kann durch die Konturierung der Wände nicht in [9] R.W. Fox, S.J. Kline, Flow Regimes in Curved der Bereich der anliegenden Strömung verschoben Subsonic Diffusers, Journal of Basic Engineer- werden. Der Diffusor D, der bereits im Bereich ing, 84, 303-316, 1962 des optimalen Druckbeiwerts cp liegt, konnte durch [10] A.P. Härtl, Optimierung von Diffusoren durch die Wandkonturierung nicht wesentlich verbessert Konturierung der Wände auf der Basis des werden. Der geradlinige Diffusor C wies im Vergleich Grenzschichtkonzeptes, VDI-Verlag, Disserta- zum Diffusor D ein größeres Ablösegebiet auf. Durch tion Ruhr-Universität Bochum, 1989 die Konturierung zur Trompetenform konnte das Ablösegebiet verkleinert und der Druckbeiwert cp verbessert werden. Diese Erkenntnis ist in weiteren CFD-Simulationen auf die Diffusor-Kontraktion zu übertragen.

References

[1] European Research Community on Flow, Turbu- lence and Combustion, 8th ERCOFTAC Work- shop on Reﬁned Turbulence Modelling, Report, 1999

[2] S. Obi, K. Aoki, S. Masuda, Experimental and Computational Study of Turbulenz Separating

44 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Simulationsbasierte Bestimmung optimaler Betriebsparameter von Biogasanlagen

David Wagner1, Wolfgang Schlüter1 1Hochschule für angewandte Wissenschaften Ansbach [email protected]

Um den Einsatz fossiler Brennstoffe zur Energiegewinnung und deren Auswirkung auf die Umwelt reduzieren zu können, kommen verstärkt erneuerbare Energien zum Einsatz [1]. Eine Möglichkeit der Ener- giegewinnung aus landwirtschaftlichen Abfällen stellt die Biogasproduktion dar. Dabei werden durch bak- terielle Fermentation Substrate unterschiedlicher Herkunft in Methan und Kohlendioxid gespalten. Dieser Prozess unterliegt starken Schwankungen hinsichtlich der Methanausbeute [2]. Eine sinnvolle Optimierung lässt sich aufgrund der Vielzahl der möglichen Betriebsparameter nur über Modellierung und Simulation erreichen. Obwohl eine Vielzahl an Fermentationsmodellen in der Literatur veröffentlicht sind [3, 4, 5] unterscheiden sich diese stark in puncto Vorhersagekraft, Komplexität und Anwendbarkeit. Für die Beschrei- bung des kompletten Biogasreaktors werden stets dynamische Modelle hergeleitet, welche aus mehreren gekoppelten Differentialgleichungen bestehen. Eine Parameterreduktion der Modelle auf ein Minimum ist anzustreben, um die stabile Lösbarkeit des gesamten Systems in einem angemessenen zeitlichen Rahmen zu ermöglichen. Es muss daher ein Kompromiss zwischen Genauigkeit und Simpliﬁzierung gefunden werden. Eine Möglichkeit die Komplexität von Modellen und damit die Parameterungenauigkeit zu reduzieren bietet die Sensitivitätsanalyse [6]. Nachfolgend werden zwei Modelle der anaeroben Methanproduktion unterschiedlicher Komplexität hinsichtlich ihrer Parametersensitivität, Betriebsgrenzen und Schätzbarkeit verglichen. Im Falle fehlender Sensitivitäten wird eine Parameterreduktion vorgenommen. Es lassen sich mit diesem Vorgehen bereits durch Simulationsstudien Modelle vergleichen und hinsichtlich ihrer Ge- nauigkeit und Vorhersagekraft beurteilen und somit Empfehlungen für die Abbildung des Realprozesses treffen.

1 Einleitung strate (physikochemisch) 2. Hydrolyse: Kohlenhydrate, Eiweiße und Fette Während fossile Brennstoffe einer weltweiten Ver- werden gespalten knappung unterworfen sind [7], hängen Biogasanla- gen lediglich von einem kontinuierlichen Zustrom von 3. Acidogenese: Produktion organischer Säuren landwirtschaftlichen Abfällen ab. Diese Abfälle kön- 4. Acetogenese: Produktion von Essigsäure nen tierischen (Gülle) oder pﬂanzlichen Ursprungs (Gräser, Maissilage etc.) sein. In Biogasanlagen wer- 5. Methanogenese: Produktion von Methan aus Es- den diese von verschiedenen mikrobiellen Konsorti- sigsäure sowie Wasserstoff und CO2 en unter Ausschluss von Sauerstoff in Methan umgesetzt. Eine Herausforderung innerhalb dieses Prozes- Obwohl verschiedene Szenarien, wie etwa das ses ist die Prozessführung, da zum einen die Zusam- Absterben der Biomasse, zu einem Ausfall der mensetzung der Substrate, als auch die Zustromrate Methanproduktion führen, ist die Kontrolle des Pro- (Dilution) starken mengenmäßigen, oft jahreszeitlich zessverhaltens entscheidend [9]. Ein stabiler Prozess bedingten, Schwankungen unterliegt. Der Prozess im ist nicht zuletzt aufgrund der großen Zeitspannen, Reaktor selbst gliedert sich in fünf sequentielle Schrit- in denen die Biogasanlage betrieben wird, von te [8] großer Bedeutung. Die leicht steuerbaren Parameter umfassen die Zusammensetzung und Menge des 1. Desintegration: Aufschluss der komplexen Sub- Zustroms. Eine hohe Produktivität wird aufgrund

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 45 Simulationsbasierte Bestimmung optimaler Betriebsparameter von Biogasanlagen

höherer Ausbeuten bevorzugt. Die Produktivität Für die Herleitung der kritischen Dilution wird die ist das Produkt aus Zustrom-, oder Dilutionsrate d symbolische Toolbox in Matlab verwendet und die und Biomassekonzentration x(t) im Gleichgewicht, analytische Lösung über den Befehl solve gefun- daher führt eine Erhöhung von d zu einer höheren den. Dasselbe Vorgehen wird für die Bestimmung der Produktivität. Dieser Effekt kehrt sich allerdings Gleichgewichtspunkte verwendet. Die Lösungen wer- ab der kritischen Dilution um. Je genauer kritische den über Simulationen, bei dem die Prozessvariablen Betriebspunkte bekannt sind, umso besser kann der variiert werden, bestätigt. Für die Sensitivitäten wird Prozess eingestellt werden. Eine Identifizierung und jeder Parameter um 25% einer vorgegebenenen Basis- Optimierung ist notwendig, um hohe Ausbeuten zu konfiguration (Tabelle 2) variiert und die Auswirkung erreichen [10]. Weiterhin ist ein stabiler und robuster auf die Produktkonzentration im stationären Zustand Betrieb vonnöten, um konstant hohe Umsatzraten zu als Kennzahl für den Einfluss auf den Modellausgang erzielen. verwendet.

Durch die Menge an möglichen Einﬂussgrößen, ist der Einsatz von Modellen ununmgänglich, mit 2.1 Modellgleichungen denen durch Simulation Optimierungen durchgeführt dx werden können. Aus diesem Grund wurden diverse Modell A beinhaltet für das Bakterienwachstum dt ei- Modelle hergeleitet, die die Methangärung möglichst ne Monodkinetik, sowie Ratenausdrücke erster Ord- ds genau abbilden. Das bekannteste ist das Anaerobic nung für die Substratänderung dt und Produktbildung Digestion Model 1 (ADM1). Dieses wurde im Rah- dp dt . Die genutzten Gleichungen sind im Folgenden ge- men einer Modellierungs-Initiative 2002 entwickelt zeigt. mit dem Ziel, ein generalisiertes Modell für die Be- schreibung der anaeroben Umsetzung zur Verfügung zu haben. Ein Nachteil ist die hohe Komplexität des 2.1.1 Modell A Modells, weitere werden in [11] beschrieben. Diese Nachteile erschweren die Einbindung in ein Prozess- dx modell ebenso wie die Anwendung des Modells auf = −d · x + r (1) dt x den realen Prozess. Aus diesen Gründen werden im ds Folgenden zwei vereinfachte Modelle herangezogen = d · (s − s)+r (2) dt f s und per Simulation miteinander verglichen. Modell dp A beruht auf drei Differenzialgleichungen und ist = −d · p + rp (3) in Dunn et al. 2003 dargestellt. Es beinhaltet die dt μmax · s Annahme, dass Essigsäure direkt vorliegt, welche μ = (4) k + s lediglich in Methan umgesetzt wird. Das detailliertere s Modell B beruht auf fünf Differentialgleichungen und rx = μ · x unterscheidet zwischen acetogener und methanogener −rx Phase [5]. Es enthält daher zwei Substratstufen und rs = Y / zwei Biomassekonzentrationen. Die Produktion von x s (5) Methan wird durch Essigsäure inhibiert ([12]) und rp =(k1 + k2 · μ) · x es wird eine Sterberate für die Mikroorganismen inkludiert. Beide Modelle werden hinsichtlich ihrer kritischen Betriebsgrenzen miteinander verglichen. Weiterhin wird aufgrund der Sensitivitäten, eine 2.1.2 Modell B Parameterreduktion vorgenommen. dx 1 = −d · x + r − k · x (6) dt 1 x d1 1 dx 2 Material & Methoden 2 = −d · x + r − k · x (7) dt 2 ax d2 2 ds = d · (s − s)+r − r (8) Alle hier gezeigten Simulationen werden mithilfe von dt f s ap Matlab in der Version 9.2 entwickelt. Dabei wird, falls da = d · (a − a)+r + r + r (9) nicht anders beschrieben, der solver ode45-verwendet. dt f as a am

46 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Simulationsbasierte Bestimmung optimaler Betriebsparameter von Biogasanlagen

dp = − · + Parameter, [Einheit] Wert Bedeutung d p rp (10) −1 dt μmax,max1 ,max2, [h ] 3e-1 max. Wachstumsraten μmax1 · s 3 μ = ks,sn, [kg/m ] 1e-1 1 + (11) kx1 s k , [kg/m3] 2.6e-1 Sättigungskonstanten μ · x1 max2 a [ / 3] μ2 = (12) kx2, kg m 3e-3 k + a 3 x2 km, [kg/m ] 2.08e-2 Michaeliskonstante 3 kim, [kg/m ] 5.9e-2 Inhibierungskonstante −1 kd1,d2, [h ] 1e-6 Sterbekonstante r = μ · x −1 x 1 1 k1,sx1, [h ] 3e-2 Bildungskonstante p 1 −r [−] = x k2, 0.08 Bildungskonstante p 2 rs −1 Yx/s knx1, [h ] 8e-2 Energieerhaltkonstante −1 1 vmax, [h ] 2.08e-2 max. Umsatzrate rap =(ksx1 + knx1 · s · ( )) · x1 [ / ] k + s Yx/s, kg kg 0.8 sn [ / ] = − · Yas, kg kg 0.83 ras Yas rap [ / ] Ausbeutekoefﬁzienten (13) Ya, kg kg 0.82 rax = μ2 · x2 Yma, [kg/kg] 0.26 −rax ra = Ya Tabelle 2: Biologische Parameter - Basiskonﬁguration a k r = v · x · ( ) · ( im ) p max 2 a + k a + k Parameter, [Einheit] Wert Bedeutung m im [ / 3] −rp s f , kg m 10 Substratkonz. Zustrom = 3 ram a f , [kg/m ] 0 Acetatkonz. Zustrom Yma d, [h−1] 2.1e-1 Zustromrate

Tabelle 3: Betriebsparameter - Basiskonﬁguration 2.2 Modellparameter 3 Ergebnisse & Diskussion

Die Prozessvariablen werden im gezeigten Rahmen für die Simulationen variiert (in Tabelle 1 dargestellt), 3.1 Modellvergleich kritische Dilution um Gleichgewichte bestimmen zu können und die Er- gebnisse der analytischen Betrachtung zu veriﬁzieren. Die kritische Dilution dcrit wird in der Literatur meist über die maximale Produktivität bestimmt [13]. Sie gibt an, ab welcher Zustromrate ein Auswaschen der Prozessvariable, [Einheit] Grenzen Bedeutung Zellen eintritt (Verdünnungseffekt). Dabei gilt, dass [ / 3] x, kg m 0 - 5e-1 Biomasse die Produktivität bis zu einem Maximalwert mit stei- [ / 3] s, kg m 0-20 Substrat gender Zustromrate ansteigt, ab d fällt sie hinge- [ / 3] crit p, kg m 0 Produkt gen rapide ab. Neben der numerischen Bestimmung lässt sich dcrit auch analytisch bestimmen, wenn die Tabelle 1: Für Simulation genutzte Prozessvariablen Gleichungssysteme dies erlauben. Sowohl bei Modell A als auch bei Modell B ist eine analytische Bestim- Die im Modell enthaltenen Parameter werden stan- mung von dcrit möglich. Die Herleitung ist im Folgen- dardmäßig auf die in Tabellen 2 und 3 genannten den für Modell A gezeigt und ergibt sich äquivalent Werte gesetzt. Tabelle 2 zeigt die unveränderlichen für Modell B. Im Unterschied zu Modell A ergeben biologischen Parameter, während die in Tabelle 3 sich für B zwei dcrit , jeweils ein Wert für eine Bakte- gezeigten Werte die Basis für Betriebsoptimierungen rienspezies. darstellen. Aus der Biomassebilanz ergibt sich im stationären Zu- stand: Sowohl die biologischen, als auch technischen Parameter werden in der Sensitivitätsanalyse um 25% variiert, um die Parameter zu ﬁnden, die für eine dx = 0 (14) Modellreduktion in Frage kommen. dt

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 47 Simulationsbasierte Bestimmung optimaler Betriebsparameter von Biogasanlagen

8 0 = −d · x + rx (15) Produktivität 1 1.2 Zusammen mit Gleichung 5 folgt: Glucose 6 Produktivität 2 1 Acetat = μ 0.8 d (16) 4 0.6 Eingesetzt in Gleichung 4 kann man direkt einen Aus-

Substrat [kg/m³] 0.4 druck für die Substratkonzentration herleiten und mit 2

dieser Information ergibt sich aus der Gleichung 2 im 0.2 Produktivität [kg/(m³h)] stationären Zustand folgende Gleichung: 0 0 0.05 0.1 0.15 0.2 0.25 · = · ( − d ks ) -1 x Yx/s s f (17) Dilutionsrate [h ] μmax − d Abbildung 2: Kritische Dilution Modell B Aus den vorliegenden Größen und den gegebenen Gleichungen lässt sich direkt die Produktivität P(d)= d · x (Gleichung 18) herleiten . Nicht zuletzt liegt das daran, dass die Methanogenen auf das von den Acetogenen gebildete Acetat zum · Wachsen angewiesen sind, welches, wie zuvor be- ( )= · · ( − d ks ) P d d Yx/s s f (18) reits beschrieben, nicht äquimolar aus Glucose gebil- μmax − d det wird. Die stationäre Biomassekonzentration liegt −1 daher bei den Methanogenen niedriger. Die Zustrom- Einsetzen der Werte liefert ein dcrit von 0,27 h . Be- stätigen lässt sich dieser Sachverhalt durch eine Rei- rate muss immer unter dcrit liegen, da es ansonsten zu hensimulation, in dem die Produktivitäten bei d von Instabilitäten im Prozess kommen kann. 0,1 bis 0,3 berechnet werden, wie in Abbildung 1 zu sehen ist. 3.2 Sensitivitätsanalyse & Modellreduk- 3 Substrat tion 2.5 Produktivität 1.8 1.6 Wie bereits eingangs erwähnt, hat ein komplexes Mo- 2 dell Vor- und Nachteile. Während der Vorteil darin 1.4 1.5 liegt, dass meist mehr Effekte mit einbezogen wer- 1.2 den und daher der Genauigkeitsgrad erhöht wird, be- 1 steht die Gefahr der Überbestimmung. Mithilfe der

Substrat [kg/m³] 1 Fisher-Information lässt sich erkennen, ob Parameter 0.5 0.8 Produktivität [kg/(m³h)] in Modellen nicht schätzbar sind bzw. eine zu hohe 0 0.6 Varianz vorliegt [14]. Dafür verwendet man die Sen- 0.1 0.15 0.2 0.25 sitivitäten der Parameter. Eine einfache Möglichkeit Dilutionsrate [h-1] die Sensitivität von Parametern zu bestimmen ist die ’one factor at a time’-Analyse. Dabei werden die Mo- Abbildung 1: Kritische Dilution Modell A delle simuliert und jeweils ein Parameter variiert und dessen Auswirkung auf den Modellausgang graphisch Im Modell B wird nicht das komplette Substrat in analysiert. Je sensitiver ein Parameter, desto höher ist Bakterienwachstum umgesetzt. Ein Teil des Substra- sein Einﬂuss auf den Modellausgang und desto ge- tes wird dafür genutzt die Bakterienpopulation ener- nauer lässt sich dieser bestimmen. Umgekehrt führen getisch aufrecht zu erhalten. Daher ist der Wert für niedrige Sensitivitäten zu hohen Ungenauigkeiten der dcrit geringer (siehe Abbildung 2). Während sich bei betroffenen Parameter. Die Asuwertung der durchge- den gegebenen Parametern ein Maximalwert für die führten Analyse ist für Modell A in Abbildung 3 und −1 Produktivität 1 bei dcrit = 0,26 h einstellt, liegt er für Modell B in Abbildung 4 gezeigt. Es ist ersicht- bei der Produktivität 2 mit 0,23 h−1 deutlich niedri- lich, dass in Modell A alle Parameter einen Einﬂuss ger. auf den Modellausgang zeigen, während in Modell B

48 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Simulationsbasierte Bestimmung optimaler Betriebsparameter von Biogasanlagen

40 0.05

] Modell B

% Modell k = 0 30 0.04 d

20 0.03

0.02 10 Produkt [kg/m³] rel. Produktabweichung [ 0.01 k k k s 0 d Y s 2 1 f ma x 0 Abbildung 3: Betrag der relativen Produktabweichung der 0 20406080100 einzelnen Parameter in Modell A Zeit [h] Abbildung 5: Dynamische Produktkonzentration in Modell die Sterbekonstanten der Bakterien keinerlei Einﬂuss B (Punkte) und dem reduzierten Modell B (gestrichelte Li- nie) haben. In der Literatur wird die Sterberate auch häu- ﬁg als vernachlässigbar eingestuft. Dies deckt sich mit den Ergebnissen der vorliegenden Sensitivitätsanaly- se. In Anbetracht der Größenordnung von k = 10−6 dell für die Simulation von Biogasreaktoren geeigne- d ter ist. Zwar bietet ein einfaches Modell sowohl di- 40 verse Berechnungsvorteile, die in der Dauer der Si-

] mulation (Berechnungszeit ist bei Modell B 14-fach % höher als bei Modell A) und der Stabilität der Lösung 30 liegen, jedoch ist ein komplexeres Modell notwendig, um Limitationen im Detail ausﬁndig zu machen. Nach 20 erfolgter Validierung kann ein geeignetes Fermenta- tionsmodell in ein generalisiertes Prozessmodell ein-

10 gebunden werden, welches physikochemische (Mas-

rel. Produktabweichung [ senübergang und Strömungsdynamik) als auch kinetische Phänomene koppelt. Damit wird es möglich k k k k Y k k k k Y k Y v Y s 0 d d1 d2 x1 im sn sx1 nx1 m x2 max f max1 max ma xs a as sein gezielte Vorhersagen für den realen Biogasbetrieb 2 zu treffen. Durch ein geeignetes Prozessmodell kann Abbildung 4: Betrag der relativen Produktabweichung der die Zustromrate optimal gewählt werden, Rührerge- einzelnen Parameter in Modell B schwindigkeiten können auf das Substrat angepasst und für die jeweiligen Substratzusammensetzungen h−1 für beide Spezies können die Parameter auf Null optimiert werden. Gleichzeitig werden Flaschenhälse gesetzt werden. In Abbildung 5 ist das Ergebnis einer erkannt, die in der Realanlage zu einer verminderten solchen Modellreduktion für 16 verschiedene Kon- Methanproduktion führen würden. Damit wird die Ba- sis für eine modellprädiktive Steuerung von Biogasan- zentrationsszenarien gezeigt, bei denen sowohl kd1 als lagen gelegt. auch kd2 auf Null gesetzt wurden. Es ist ersichtlich, dass der Modellausgang (Produktkonzentration) nicht durch die Zerfallsrate beeinﬂusst wird. Somit kann das Modell von 18 auf 16 Parameter reduziert werden, ohne Einbußen in der Modellgüte zu machen. Literatur

[1] N. L. Panwar, S. C. Kaushik, and Surendra Ko- 4 Zusammenfassung & Ausblick thari. Role of renewable energy sources in environmental protection: A review. Renewable and Bereits mit einfachen vergleichenden Methoden kön- Sustainable Energy Reviews, 15(3):1513–1524, nen Aussagen darüber getroffen werden, welches Mo- 2011.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 49 Simulationsbasierte Bestimmung optimaler Betriebsparameter von Biogasanlagen

[2] Peter Weiland. Biogas production: Current state Tank Fermenter Using Neural Networks. Bio- and perspectives. Applied Microbiology and Bio- process Engineering, 10(May 1993):109–113, technology, 85(4):849–860, 2010. 1994. [3] D. J. Batstone, J. Keller, R. B. Newell, and [14] Jorma J. Rissanen. Fisher information and sto- M. Newland. Modelling anaerobic degradation chastic complexity. IEEE Transactions on Infor- of complex wastewater. I: Model development. mation Theory, 42(1):40–47, 1996. Bioresource Technology, 75(1):67–74, 2000. [4] G. Kiely, G. Tayfur, C. Dolan, and K. Tanji. Phy- sical and mathematical modelling of anaerobic digestion of organic wastes. Water Research, 31(3):534–540, 1997. [5] R. Moletta, D. Verrier, and G. Albagnac. Dy- namic modelling of anaerobic digestion. Water Research, 20(4):427–434, 1986. [6] Andrea Saltelli, Marco Ratto, S Tarantola, and F Campolongo. Sensitivity analysis for chemical models. Chemical Reviews, 105(7):2811, 2005. [7] Shahriar Shaﬁee and Erkan Topal. When will fossil fuel reserves be diminished? Energy Poli- cy, 37(1):181–189, 2009. [8] Lise Appels, Jan Baeyens, Jan Degrève, and Raf Dewil. Principles and potential of the anaerobic digestion of waste-activated sludge. Progress in Energy and Combustion Science, 34(6):755– 781, 2008. [9] Henrik Bangsø Nielsen, Hinrich Uellendahl, and Birgitte Kiær Ahring. Regulation and optimization of the biogas process: Propionate as a key parameter. Biomass and Bioenergy, 31(11- 12):820–830, 2007. [10] Yadvika, Santosh, T. R. Sreekrishnan, Sangeeta Kohli, and Vineet Rana. Enhancement of biogas production from solid substrates using different techniques - A review. Bioresource Technology, 95(1):1–10, 2004. [11] F. Blumensaat and J. Keller. Modelling of two- stage anaerobic digestion using the IWA Anae- robic Digestion Model No. 1 (ADM1). Water Research, 39(1):171–183, 2005. [12] S. Fukuzaki, N. Nishio, M. Shobayashi, and S. Nagai. Inhibition of the fermentation of propionate to methane by hydrogen, acetate, and propionate. Applied and Environmental Micro- biology, 56(3):719–723, 1990. [13] A. Normandin, J. Thibault, and B. P.A Grand- jean. Optimizing Control o a Continuous Stirred

50 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 6WUDWHJLHQ]XU5HRUJDQLVDWLRQYRQ0LVFKVWDSHOQLQDXWRPDWLVFKHQ %ORFNOlJHUQ

0DUNXV)LWWLQJKRII +RFKVFKXOH+HLOEURQQ [email protected]

,QGLHVHP%HLWUDJVROOJH]HLJWZHUGHQZLHPLW+LOIHYHUVFKLHGHQHU6WUDWHJLHQGHU5HRUJDQLVDWLRQLQHLQHP DXWRPDWLVFKHQ.UDQODJHUIU3DSLHUUROOHQGLH/HLVWXQJHQEHHLQIOXVVWZHUGHQN|QQHQ,QVEHVRQGHUHZLUGHLQ %HZHUWXQJVYHUIDKUHQ YRUJHVWHOOW ZHOFKHV HLQH 3ULRULVLHUXQJ YRQ XP]XODJHUQGHQ 5ROOHQ DXV 0LVFKVWDSHOQ GXUFKIKUW=LHOLVWHVGHQ(IIHNWDXIGHQ'XUFKVDW]GHU.UDQDQODJHQ]XXQWHUVXFKHQZHQQ3DSLHUUROOHQPLW YHUJOHLFKZHLVHJHULQJHP8PODJHUDXIZDQGEHYRU]XJWXPJHODJHUWZHUGHQ'LHVHV9HUIDKUHQYHUVSULFKW9RU WHLOHZHQQGLH=HLWIHQVWHU]XU'XUFKIKUXQJHLQHUYROOVWlQGLJHQ5HRUJDQLVDWLRQQLFKWDXVUHLFKHQGJURVLQG

(LQOHLWXQJ GLH]XHLQHU(LQODJHUXQJYHUVFKLHGHQHU$UWLNHOLQHLQHQ 6WDSHO HLQHP VRJHQDQQWHQ 0LVFKVWDSHOQ ]ZLQJHQ %ORFNOlJHU VWHOOHQ HLQHUVHLWV GLH NRPSDNWHVWH /DJHU 6RIHUQ]XVSlWHUHQ=HLWSXQNWHQ±EVSZ,QIRUPDWLR IRUP EHL DQGHUHUVHLWV EHVFKUlQNWHQ =XJULIIVP|JOLFK QHQEHU.XQGHQDXIWUlJHEHNDQQWZHUGHQRGHUDXFK NHLWHQDXIGDV/DJHUJXWGDU>@,QHLQLJHQ%UDQ .DSD]LWlWGXUFK3KDVHQHUK|KWHU$XVODJHUXQJHQYHU FKHQ LVW DXIJUXQG GHU YRUWHLOKDIWHQ )OlFKHQ E]Z IJEDU JHZRUGHQ LVW NDQQ HLQH 5HRUJDQLVDWLRQ YRQ 5DXPQXW]XQJ EHL VWDSHOEDUHP /DJHUJXW XQG HLQHU 0LVFKVWDSHOQGXUFKJHIKUWZHUGHQ YROOVWlQGLJHQ$XWRPDWLVLHUEDUNHLWGLHVH)RUPGHU/D JHUXQJVHKUKlXILJ]XILQGHQ([HPSODULVFK]XQHQQHQ 5HRUJDQLVDWLRQ VLQGGLHSDSLHUXQGPHWDOOYHUDUEHLWHQGH,QGXVWULHELV 8QWHUGHU5HRUJDQLVDWLRQZHUGHQLP.RQWH[WGHU/D KLQ]XU6WDSHOXQJYRQ&RQWDLQHUQLQ+lIHQ*HUDGHEHL JHUYHUZDOWXQJ GLH hEHUSUIXQJ GHV /DJHUJXWV KLQ (LQVDW]IlOOHQPLWJHULQJHQ$UWLNHODQ]DKOHQN|QQHQDU VLFKWOLFKVHLQHVRSWLPDOHQ/DJHUSODW]HVXQGHLQHP|J WLNHO RGHU FKDUJHQUHLQH 6WDSHO JHELOGHWZHUGHQ,P OLFKHUZHLVHVLQQYROOH8PODJHUXQJGHV*XWHVYHUVWDQ PHUZHQQHVJHOLQJWJHPlHLQHP2UGQXQJVNULWHULXP GHQ>@6ROFKH8PODJHUXQJHQYHUXUVDFKHQ7UDQVSRUWH ZLH GHU $UWLNHO RGHU $XIWUDJVQXPPHU VRUWHQUHLQH XQGEHODVWHQGDPLWGLH)|UGHUPLWWHO]XVlW]OLFK*UXQG 6WDSHO]XELOGHQHQWIlOOWGHU1DFKWHLOKLQVLFKWOLFKGHU VlW]OLFKLVW]XKLQWHUIUDJHQREGLHSRVLWLYHQ(IIHNWHHL (LQVFKUlQNXQJHQ LQ GHQ =XJULIIVP|JOLFKNHLWHQ E]Z QHU5HRUJDQLVDWLRQEHUZLHJHQRGHUHYWOGLH*HVDPW GDV GDPLW YHUEXQGHQH ODVWLQILUVWRXW OLIR 3ULQ]LS OHLVWXQJGHVEHWUDFKWHWHQ6\VWHPVJDUUHGX]LHUHQ(L 'DQQ LVW HV IUGLH %HWUHLEHU GHU /lJHU XQHUKHEOLFK QHQhEHUEOLFNEHUGLH/LWHUDWXUGLH.RPSOH[LWlWGHU ZHOFKHV*XWLQQHUKDOEHLQHV6WDSHOV]XHUVWDXVJHODJHUW )UDJHVWHOOXQJ VDPW PDWKHPDWLVFKHU 0RGHOOH ]XU /| ZLUG 'XUFK9HUPHLGXQJ YRQ 8PODJHUXQJHQ NRPPW VXQJ+HXULVWLNHQXQGH[SHULPHQWHOOHUPLWWHOWH(UJHE HV]XHLQHUYHUJOHLFKVZHLVHKRKHQ/HLVWXQJVIlKLJNHLW QLVVHJHEHQ3D]RXUXQG&DUOR>@:HLWHUH$QVlW]HJH /HW]WHUHKlQJWGDQQLP:HVHQWOLFKHQYRQGHQNLQHPD EHQDXFK.RUWH:HKNLQJXQG1HXKlXVHU>@ WLVFKHQ (LJHQVFKDIWHQ GHU HLQJHVHW]WHQ )|UGHUPLWWHO GHQ'LPHQVLRQHQGHV/DJHUVXQGGHQ3RVLWLRQHQGHU %HZHUWXQJYRQ0LVFKVWDSHOQ (LQXQG$XVODJHUSOlW]HDE%HUHFKQXQJVYHUIDKUHQ]XU 'HUKLHUDQJHGDFKWH%HLWUDJEHIDVVWVLFKVSH]LHOOPLW %HVWLPPXQJGHV'XUFKVDW]HVELHWHWIUGLHVHQ)DOOGLH HLQHU%HZHUWXQJXQGGHU$XVZDKOYRQ6WDSHOQLQHL 9',5LFKWOLQLH%ODWWVRIHUQDXIÄ$UWLNHOXQG QHP DXWRPDWLVFKHQ %ORFNODJHU IU 3DSLHUUROOHQ GLH $XIWUDJVVWUXNWXUHQ /DJHUVWUDWHJLHQ 8PODJHUXQJHQ SULRULVLHUW HLQHU 5HRUJDQLVDWLRQ XQWHU]RJHQ ZHUGHQ .RPPLVVLRQLHUYRUJlQJHHWF³YHU]LFKWHWZLUG>@ VROOHQ(VZHUGHQPLW+LOIHGHU6LPXODWLRQGLH$XVZLU ,QGHUEHWULHEOLFKHQ3UD[LVOLHJWGHUJHVFKLOGHUWH,GHDO NXQJHQ ]ZHLHU 5HRUJDQLVDWLRQVVWUDWHJLHQ XQWHUVXFKW IDOOKlXILJQLFKWYRU9LHOPHKUWUHWHQLPG\QDPLVFKHQ =XPHLQHQZLUGEHUSUIWZLHVLFKGHU'XUFKVDW]LQ %HWULHEGHU%ORFNOlJHU6LWXDWLRQHQDXI]XP%HLVSLHO GHP/DJHUlQGHUWZHQQQLFKWYROOVWlQGLJJHIOOWH6WD DXIJUXQG YRQ 5HVWULNWLRQHQ LQ GHU 3URGXNWLRQ XQG QLFKW YRUKHUVHKEDUHP %HVWHOOYHUKDOWHQ YRQ .XQGHQ

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 51 Strategien zur Reorganisation von Mischstapeln in automatischen Blocklägern

SHOVRJHQDQQWH$QEUXFKVWDSHOVRUWHQUHLQ]XVDPPHQ 0DWHULDOIOXVVV\VWHPH )|UGHU XQG /DJHUWHFK JHVWHOOWXQGYHUGLFKWHWZHUGHQ=LHOGLHVHU6WUDWHJLHLVW QLNY|OOLJQHXEHDUEHLWHWH$XIODJH%HUOLQ HVP|JOLFKVWZHQLJHDUWLNHOUHLQH6WDSHO]XHU]HXJHQ +HLGHOEHUJ6SULQJHU9HUODJ6 =XPDQGHUHQZLUGGLH6WUDWHJLHXQWHUVXFKW0LVFKVWD >@ 3IRKO+DQV&KULVWLDQ /RJLVWLNV\VWHPH SHO DXI]XO|VHQ XQG ]X VRUWHQUHLQHQ 6WDSHOQ XP]XOD %HWULHEVZLUWVFKDIWOLFKH *UXQGODJHQ %HUOLQ JHUQ+LHU]XZHUGHQVlPWOLFKH0LVFKVWDSHOEHZHUWHW +HLGHOEHUJ6SULQJHU%HUOLQ+HLGHOEHUJ6 XQGGLH 6WDSHO PLW GHP JHULQJVWHQ8PODJHUDXIZDQG >@ 9',%ODWW'XUFKVDW]YRQDXWRPDWLVFKHQ ]XQlFKVWEHDUEHLWHW=XU9HUGHXWOLFKXQJGHU3UREOHPD /DJHUQ PLW PHKUIDFKWLHIHU /DJHUXQJ 9', WLNGLHQHQIROJHQGH%HLVSLHOHPLW6WDSHOQEHLGHQHQ 5LFKWOLQLH %HUOLQ%HXWK9HUODJ6 QXUHLQ=XJULIIYRQREHQP|JOLFKVHL >@ 9', :DUHKRXVH0DQDJHPHQW6\VWHPH LagergutArtikelnummer4711 9',5LFKWOLQLH %HUOLQ%HXWK9HUODJ*PE+ LagergutArtikelnummer4711 6 LagergutArtikelnummer4711 >@ 3D]RXU -HQQLIHU$ &DUOR +pFWRU - Ä:DUH LagergutArtikelnummer4711 KRXVHUHVKXIIOLQJ,QVLJKWVDQGRSWLPL]DWLRQ³ LagergutArtikelnummer4711 ,Q 7UDQVSRUWDWLRQ 5HVHDUFK 3DUW ( /RJLVWLFV DQG7UDQVSRUWDWLRQ5HYLHZ6± LagergutArtikelnummer4711 '2,MWUH 7DEHOOH6RUWHQUHLQHU6WDSHO >@ .RUWH 'DYLG :HKNLQJ .DUO+HLQ] Ä(IIL]L HQWH5HRUJDQLVDWLRQVPDQDKPHQLQPDQXHOOHQ LagergutArtikelnummer6430 .RPPLVVLRQLHUV\VWHPHQ ,Q /RJLVWLFV -RXU QDO 3URFHHGLQJV 9RO '2, LagergutArtikelnummer6430 KWWSG[GRLRUJOMB3URFBNRUWHBGHB LagergutArtikelnummer4711 B LagergutArtikelnummer4711 >@ 1HXKlXVHU'DQLHO:HKNLQJ.DUO+HLQ]Ä'HU LagergutArtikelnummer4711 /DJHURUJDQLVDWLRQVJUDG DOV 6WHXHUXQJVJU|H LagergutArtikelnummer4711 IU RSWLPDOH 5HRUJDQLVDWLRQV]\NOHQ LQ .RP 7DEHOOH0LVFKVWDSHOPLW]ZHL$UWLNHOQ8PODJH PLVVLRQLHUV\VWHPHQ³ ,Q /RJLVWLFV -RXUQDO UDXIZDQG 3URFHHGLQJV9RO

LagergutArtikelnummer4711 LagergutArtikelnummer4711 LagergutArtikelnummer4711 LagergutArtikelnummer4711 LagergutArtikelnummer6430 LagergutArtikelnummer6430 7DEHOOH0LVFKVWDSHOPLW]ZHL$UWLNHOQ8PODJH UDXIZDQG

5HIHUHQ]HQ >@ $UQROG'LHWHU,VHUPDQQ+HLQ].XKQ$[HO XD +DQGEXFK/RJLVWLN%HUOLQ+HL GHOEHUJ6SULQJHU%HUOLQ+HLGHOEHUJ6 >@ WHQ+RPSHO0LFKDHO6FKPLGW7KRUVWHQ1D JHO/DUV-QHPDQQ5HLQKDUGW +UVJ

52 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Alterssimulation anhand eines sensorgesteuerten Transportwagens

Prof. Dr.-Ing. Annett Großmann, Dipl.-Ing. Forough Lang Hochschule Heilbronn [email protected]

Diese Arbeit stellt die Ergebnisse eines Forschungsprojektes mit der Firma Blickle Räder+Rollen vor. Thema des Projektes war die Einbeziehung älterer Arbeitnehmer in die ergonomische Gestaltung der Mensch- Maschine-Schnittstelle eines handbetätigten Transportwagens. Es werden drei unterschiedliche Versionen dieses elektrisch angetriebenen Transportwagens miteinander verglichen, wobei die altersabhängigen Ein- schränkungen durch einen gerontologischen Alterssimulationsanzug (GERT) simuliert werden.

1 Aufgabe/Thema die Systemvarianten in der Realität nur mit unver- hältnismäßig hohem Aufwand gebildet werden kön- „In Anbetracht des steigenden Anteils älterer Arbeit- nen und gewinnt daher als Unterstützungswerkzeug nehmer sind die Unternehmen gefordert, mit dieser für die Planung, Steuerung und Optimierung von alternden Belegschaft produktiv und innovativ zu komplexen soziotechnischen Systemen ständig an sein, um im globalen Wettbewerb bestehen zu kön- Bedeutung“ ([4], S. 472). nen. […] Unternehmen [sind] dazu angehalten, durch eine alter(n)sgerechte Arbeitsorganisation und Ar- Ziel des diesem Bericht zugrundeliegenden For- beitszeitgestaltung entscheidend entgegenzuwirken, schungsprojektes war es, einen handbetätigten Trans- um die Leistungsfähigkeit älterer Beschäftigter zu portwagen unter Berücksichtigung der Vorgehenswei- erhalten […]. Zu eruieren ist, welchen Einfluss das se nach ISO 9241-210 (mit den notwenigen Phasen altersbedingt nachlassende Leistungsvermögen auf und Verifikationsschritten) zu gestalten, der dafür die Produkt- und Prozessgestaltung hat.“ ([3], S. 2) sorgt, dass ältere Arbeitnehmer bei der ergonomi- Dabei sind diese älteren Arbeitnehmer „nicht wie schen Gestaltung einbezogen und berücksichtigt vielfach angenommen weniger leistungsfähig als werden. „Als probates Mittel zum Nachempfingen jüngere Arbeitnehmer. Auch wenn die physischen körperlicher Leistungseinschränkungen älterer Men- Fähigkeiten einem Alterungsprozess unterliegen, so schen hat sich die Nutzung sogenannter Alterssimula- ist es immer ein individueller Prozess, der entschei- tionsanzüge etaliert. Diese bestehen zumeist aus ei- dend durch die Person selbst sowie eine ergonomi- nem Overall, verschiedenen Gewichten und Banda- sche Arbeitsplatzgestaltung positiv beeinflusst wer- gen sowie sinneseinschränkenden Brillen und Kopf- den kann. Unternehmen, die erkannt haben, dass der hörern. Mit Hilfe dieser Komponenten wird versucht, Alterungsprozess kein Abbau- sondern ein Umbau- dem Träger ein realistisches Bild von den Einschrän- prozess ist, haben in der Regel eine positivere Ein- kungen im Alter zu vermitteln.“ ([3], S. 3) Deshalb stellung gegenüber älteren Mitarbeitern.“ ([3], S. 36) erfolgte der Test des Ausgangsmodells des Trans- portwagens und der ergonomisch gestalteten Prototy- „Mit einer Simulation [z.B. des Alters] können Ar- pen mit und ohne den gerontologischen Alterssimula- beitsprozesse […] bereits vor der Umsetzung eines tionsanzug (GERT), der in Abbildung 3 zu sehen ist. bestimmten Systementwurfs mit Bezug auf arbeits- Hersteller dieses Anzuges ist die Firma Produkt + wissenschaftliche Kriterien bewertet, beurteilt und Projekt Wolfgang Moll (www.produktundprojekt.de). optimiert werden. Hierfür ist ein quantitatives Modell der Arbeitsprozesse notwendig. Ein wesentlicher Getestet wurde zunächst ein Transportwagen mit Mehrwert der Simulation liegt darin, dass der Mo- einem elektrischen Antriebssystem und Drehfahr- dellbenutzer nicht den im realen Arbeitssystem gel- schaltern. Dieser ist modular aufgebaut und eignet tenden Einschränkungen unterliegt. Primärer Einsatz- sich zum Anbau an unterschiedliche Transport- und bereich [der Alterssimulation] ist die Prognose von Trailersysteme verschiedener Wagenbauer. Durch Leistung, Belastung, Beanspruchung, Zuverlässigkeit Einbau des Antriebssystems ist der Kraftaufwand o.ä. in Abhängigkeit verschiedener Einflussgrößen. beim innerbetrieblichen Transport wesentlich gerin- Dies kann bereits in der Konzeptions- und Entwick- ger als beim manuellen Schieben. Insbesondere Be- lungsphase oder nachgelagert zur Optimierung eines lastungen der Bediener beim Beschleunigen und bereits in Benutzung befindlichen Systems stattfin- Verzögern der Transportfahrzeuge werden wesentlich den. Die Simulation bietet sich immer dann an, wenn verringert und somit die Ergonomie verbessert.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 53 Alterssimulation anhand eines sensorgesteuerten Transportwagens

Abbildung 1. Herkömmliche Lösung eines Transportwagens mit elektrischem Antriebssysten (V01) mit Dreh-Fahr- schaltern, hier mit einer Beladung von 1000 kg

Das herkömmliche Antriebssystem besteht aus folgenden Komponenten: 2 Anforderungen an ergonomische 1. Zwei Bockrollen mit zwei Elektromotoren Transportgeräte 2. Steuerbox resp. Steuerkonsole mit Batterie „Richtig angewandt, optimiert die Ergonomie die 3. Mensch-Maschine-Schnittstelle (Cockpit) Leistung und Effizienz des Arbeitssystems einschließ- lich der Arbeitenden ohne nachteilige Wirkungen für Alle Elemente sind modular aufgebaut und nachrüst- deren Gesundheit, Wohlbefinden oder Sicherheit.“ bar. Die Steuerung eines solchen Wagens erfolgt (EN ISO 6385: 2004, S. 13). bisher durch beidhändige Bedienung mittels Zug/Druck auf die beiden Haltegriffe und Betätigung Bei der Gestaltung von Arbeitssystemen – hier die des Fahrgebers. ergonomische Gestaltung des Transportwagens mit- elektrischem Antriebssystem V01 – sollte der Gestal- Im Falle des hier zu gestaltenden, handbetätigten- tungsprozess so weit wie möglich systematisiert ab- Transportwagens, welcher von der Fa. Blickle Rä- laufen. Gemäß EN ISO 6385: 2004, S. 6 bedeutet dies der+Rollen gestellt wurde, erfolgte folgendes Vorge- „im Gestaltungsprozess müssen die hauptsächlichen hen: Wechselwirkungen zwischen einer oder mehreren Personen und den Bestandteilen des Arbeitssystems 1) Anforderungen an ergonomische Transport- […] berücksichtigt werden.“ geräte formulieren, 2) Prototypen einer Version V02 mit Krafts- „Ziel einer ergonomischen Gestaltung von Arbeits- ensor-Lösung bauen und durch Alterssimula- systemen ist die Optimierung der Arbeitsbeanspru- tionstests mit dem Ausgangsmodell V01 chung, die Vermeidung beeinträchtigender Auswir- vergleichen, kungen und die Förderung erleichternder Auswirkun- 3) Gestaltungshinweise basierend auf den Tests gen. Eine nicht beeinträchtigte menschliche Leistung erarbeiten, wird gleichzeitig oft die Effektivität und Effizienz des 4) Prototypen einer optimierten Lösung Systems verbessern und so zur Erleichterung eines (ErgoMove 1000) bauen und durch Alters- weiteren wichtigen Ziels der ergonomischen Gestal- simulationstests mit der am Markt vorhan- tung von Arbeitssystemen beitragen.“ (EN ISO 6385: denen Lösung V01 sowie V02 vergleichen, 2004, S. 6). 5) Auswertung der Tests und Erarbeitung von Gestaltungshinweisen.

54 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Alterssimulation anhand eines sensorgesteuerten Transportwagens

Abbildung 2. Gestaltungsideen des ergonomischen Transportwagens mit Flexi-Griff in der Ansicht von vorne und von der Seite. [5] Fahrschaltern verfügt das Blickle ErgoMove 1000 3 Testversuche mit dem Alterssimulati- über einen Ergonomiegriff mit integrierter Kraftsen- sorik. Dieser erfasst die an ihm einwirkenden Kräfte onsanzug GERT des Bedieners in drei Dimensionen: vor / zurück, Es standen drei Versionen des elektrisch angetriebe- links / recht und Torsion. Beim Loslassen der Halte- nen Transportwagens (V01, V02 und ErgoMove griffe bremst der Wagen automatisch ab. 1000) der Fa. Blickle Räder+Rollen innerhalb des Projektes zur Verfügung, die jeweils mit und ohne 4 Auswertung und Ergebnisse Alterssimulationsanzug GERT unter Laborbedingun- gen getestet wurden. Testpersonen waren Studierende Für die Auswertung wurden die Ergebnisse der Tests des Studiengangs Technisches Logistikmanagement der verschiedenen Transportwagen bzw. Prototypen der Hochschule Heilbronn. Dabei stellt die Version anhand ausgewählter Eigenschaften miteinander V01 den am Markt verfügbaren Ausgangszustand mit verglichen und in Kategorien zusammengefasst. Die Dreh-Fahrschalter dar. Die Version V02 wurde an- Diagramme in den Abbildungen 12 bis 16 geben hand der Vorgaben zur ergonomischen Gestaltung als einen Überblick über die Ergebnisse. Dabei veran- Studie zu einer Kraftsensor-Lösung entwickelt und schaulichen die orangefarbenen Balken die Bewer- dann getestet. Die Version ErgoMove 1000 entstand tungen für die Transportwagen bzw. Prototypen V01, als vorläufige Endversion unter Berücksichtigung der V02 und ErgoMove 1000 ohne GERT und die blauen Anforderungen aus den Tests von V01 und V02. Das Balken die Bewertungen für Transportwagen mit ErgoMove 1000 der Fa. Blickle Räder+Rollen ist ein GERT. Auf der x-Achse werden die Eigenschaften in modulares Baukastensystem für bestehende Wagen- Punkten dargestellt. Dabei repräsentiert der Wert 0 systeme, bestehend aus zwei angetriebenen Bockrol- „Eigenschaft trifft gar nicht zu“, Wert 1 „Eigenschaft len, einem zentralen Cockpit mit integrierter Steue- trifft nicht zu“, Wert 2 „Eigenschaft trifft teilweise rung und Akkus. Im Vergleich zu herkömmlich am zu“, Wert 3 „Eigenschaft trifft zu“ und Wert 4 „Ei- Markt gängigen Antriebslösungen mit Dreh- genschaft trifft vollkommen zu“.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 55 Alterssimulation anhand eines sensorgesteuerten Transportwagens

Abbildung 3. Alterssimulati- onsanzug GERT Abbildung 4. Ausgangsmodel V01 Abbildung 5. Testumgebung Labor

Abbildung 7. Prototyp V02

Abbildung 8. 3D-Druck Griff Prototyp V02

Abbildung 6. Prototyp V02

Abbildung 9-11. Test Prototyp ErgoMove 1000 der Fa. Blickle Räder+Rollen mit Alterssimulationsanzug GERT

[6]

56 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Alterssimulation anhand eines sensorgesteuerten Transportwagens

Ergo Move 1000

V02

V01

Abbildung 12. Vergleich der drei Transportwagen (mit/ohne GERT) anhand der Eigenschaft „Die Höhe und AusrichtungAbbildung 12: dder Die Griffe Höhe sind und aus Ausrichtung ergonomischer dder GriffeSicht passabel“. sind aus ergonomischer Sicht passabel.

Ergo Move 1000

V02

V01

Abbildung 13. Vergleich der drei Transportwagen (mit/ohne GERT) anhand der Eigenschaft „Die Geschwindig- keitsregelungAbbildung 13: ist Die einfach“. Geschwindig-keitsregelung ist einfach.

Ergo Move 1000

V02

V01

Abbildung 14. Vergleich der drei Transportwagen (mit/ohne GERT) anhand der Eigenschaft „Das Ein- und Ab- schaltenAbbildung des 14Wagens: Das Ein- ist für und die Abschalten Anwender des problemlos“. Wagens ist für die Anwender problemlos

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 57 Alterssimulation anhand eines sensorgesteuerten Transportwagens

Ergo Move 1000

V02

V01

Abbildung 15. Vergleich der drei Transportwagen (mit/ohne GERT) anhand der Eigenschaft „Die FarbeAbbildung und Platzierung2 der Bedienelemente sind aus Sicht der Tester optimal“.

Ergo Move 1000

V02

V01

Abbildung 16. Vergleich der drei Transportwagen (mit/ohne GERT) anhand der Eigenschaft „Der Notausknopf ist für die Anwender schnell und gut erreichbar“. Die Ergebnisse zeigen, dass die Gestaltung des hand- gegenüber der herkömmlichen Lösung V01 und der betriebenen Transportwagens in nahezu allen Katego- Kraftsensor-Studie V02. Sowohl ohne Alterssimulati- rien alter(n)sgerechter ist und dass die Benutzer – mit onsanzug GERT und insbesondere mit GERT ist der oder ohne Alterssimulationsanzug GERT – mit der alter(n)sgerecht gestaltete Wagen ErgoMove 1000 Gestaltung und Bedienung des Transportwagens eindeutig die bessere Variante. ErgoMove 1000 zufriedener waren gegenüber der am Markt verfügbaren herkömmlichen Lösung mit Dreh- Fahrschalter V01 sowie dem Prototypen zur Krafts- 6 References ensor-Lösung V02. [1] DIN EN ISO 9241-210: 2004 Ergonomie der Mensch-System-Interaktion – Teil 210: Prozess zur 5 Zusammenfassung und Schlussfol- Gestaltung gebrauchstauglicher interaktiver Syste- me (ISO 9241-210:2010); Deutsche Fassung EN gerungen ISO 9241-210:2010. Die Aufgabe bestand darin, einen am Markt verfügba- [2] EN ISO 6385: 2014: Grundsätze der Ergonomie für ren Transportwagen mit elektrischem Antriebssystem die Gestaltung von Arbeitssystemen (ISO/DIS und Dreh-Fahrschaltern ergonomisch und al- 6385:2014); Deutsche Fassung prEN ISO ter(n)sgerecht zu gestalten. Im ersten Schritt wurden 6385:2014. Anforderungen an ergonomische Transportgeräte [3] Scherf, Chr. 2014: Entwicklung, Herstellung und formuliert, es wurden auf dieser Basis die Prototypen Evaluation des Modularen Alterssimulationsan- V02 und ErgoMove 1000 gebaut und mit Hilfe des zugseXtra (MAX); Universitätsverlag Chemnitz, 2014. Alterssimulationsanzuges getestet. Ziel der Gestal- tung war es, eine Alter(n)sgerechtheit zu realisieren. [4] Schlick, Chr., Bruder, R., Luzcak, H. 2010: Ar- beitswissenschaft, 3. Auflage, Springer: 2010. Dies konnte erreicht werden, wie die Tests ergeben haben. Die Ergebnisse der Tests zeigen dabei eine [5] Skizzen Großmann, A. (unveröffentlicht) 2016 deutliche Verbesserung der Version ErgoMove 1000 [6] Bilder Großmann, A.; Bozkurt, B.; 2017/2018

58 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

Jana Heimel1, Joachim Allhoff2, Martin Vural3 1Hochschule Heilbronn, Max-Planck-Str. 39, 74081 Heilbronn [email protected] 2Institut für angewandte Marktforschung (H-InfaM) an der Hochschule Heilbronn, Max-Planck-Str. 39, 74081 Heilbronn [email protected] 3Hochschule Heilbronn, Max-Planck-Str. 39, 74081 Heilbronn [email protected]

Der Beitrag behandelt die Konzeptionierung innovativer Lehr- und Lernformate im Gründungskontext, welche im Rahmen des vom Ministerium für Wissenschaft, Forschung und Kunst in Baden-Württemberg geförderten Projekts WILLE an der Fakultät für International Business entwickelt und pilotiert werden. Für die Weiterentwicklung steht die Integration von Ansätzen des forschungsbasierten Lernens sowie Blended Learning im Kontext der Unternehmensgründung im Fokus. Zunächst werden wesentliche Ergeb- nisse einer großﬂächig angelegten empirischen Studie an der Hochschule Heilbronn dargelegt, dann das theoretische Konzept (FUB-Modell) entwickelt, welches die drei Dimensionen forschungsbezogenes Ler- nen (Forschen), Unternehmensgründung (Start-ups, Inkubatoren) sowie Blended Learning (Lehre) integriert und anschließend in studentischen Projektgruppen pilotiert. Die Projektergebnisse werden schließlich technisch in einer IT-Lösung umgesetzt, welche auch über der Projektlaufzeit hinaus von Studierenden angewendet werden soll.

1 Einleitung zwischen Forschung, Lehre und Gründung. Die wenigsten wissen, wie man innovative Ideen oder Forschungsergebnisse wirtschaftlich verwerten kann. 1.1 Problemstellung Für die Realisierung einer lebendigen Gründerkul- tur muss das Miteinander methodischer Kompetenzen Forschung und Innovationen zählen neben Bildung sowie Fachwissen gefördert werden. zu den wichtigsten Säulen unseres gesellschaftlichen Die Gründungsquote von Hochschulabsolventen liegt Fortschritts und Wohlstands. Hochschulen als Ort bei unter einem Prozent und das obwohl mindestens der Wissenschaft tragen deshalb eine große Verant- jeder Dritte sich (sehr) gut vorstellen kann, ein wortung gegenüber der Gesellschaft. Zur Sicherung eigenes Unternehmen zu gründen. Dabei hat die An- unserer Wettbewerbsfähigkeit bilden neue innova- zahl der Studierenden ihr Allzeithoch erreicht. Mit tive Ideen und daraus entstehende marktfähige Pro- Blick auf eine beinahe Vollbeschäftigung in Deutsch- dukte und Dienstleistungen den Schlüssel für In- land ist die Lehre herausgefordert, neue Lernfor- novation. An Hochschulen wurde die rechtliche mate im Gründungskontext (weiter) zu entwickeln. Sicherung und wirtschaftliche Verwertung von Ideen Unternehmensgründungen sind ein wichtiger Beitrag lange Zeit ignoriert. Oft proﬁtierten auch andere für die Entwicklung innovativer Produkte und Dien- Akteure davon. Fast alle Hochschulen haben mit- stleistungen sowie für die wirtschaftliche Entwick- tlerweile Beratungsstellen eingerichtet und Fakultäten lung allgemein. Es mangelt folglich an einem der Wirtschaftswissenschaften haben das Thema Un- adäquaten Lehrmodell für die Förderung von Grün- ternehmensgründung in ihr Curriculum aufgenom- dungen. Darüber hinaus ist das forschungsbasierte men. Allerdings fehlt oft noch die Verknüpfung Lernen auch ein zentraler Bestandteil an Hochschulen

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 59 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

für angewandte Wissenschaften (für wissenschaftlich Württemberg bis 2019 geförderte Projekt beschäftigt fundierte Ausbildung, kreatives, kritisches und ver- sich mit der Entwicklung eines innovativen auf netztes Denken). Zwar hat die Wissenschaft diese Forschung basierten Lehr- und Lernmodells. Problematik seit geraumer Zeit erkannt und bringt hier Anknüpfend an die Eingangsüberlegungen möchte stetig neue Konzepte hervor, jedoch nicht vor dem das Projekt neue Erkenntnisse zur didaktisch praktis- Gründungskontext. Dieser bedarf der Vermittlung chen Umsetzung von Lehrveranstaltungen generieren, von Wissen nicht nur auf eine spezielle Art, sondern Lehr- und Lernmodelle weiterentwickeln und in die auch anderer Inhalte. Unser Teilprojekt von WILLE Lehre integrieren. Im Mittelpunkt stehen dabei die greift diese Problematik auf, indem die drei Dimen- Studierenden. Die Wissensvermittlung sollte optimal sionen forschungsbezogenes Lernen (Forschen), Un- auf die Bedürfnisse von Studierenden zugeschnitten ternehmensgründung (Start-ups, Inkubatoren) sowie sein. Ferner gilt es, Studierende in Ihrem Lernen best- Blended Learning (Lehre) integriert betrachtet wer- möglich zu unterstützen und das eigenständige Lernen den. zu ermöglichen. Das vorrangige Projektziel lässt sich in zwei Teilbereiche untergliedern: „Forschungs- bezogenes Lernen“ sowie „Problemorientiertes und 1.2 Zielsetzung projektorientiertes Lernen“.

Ziel des Projekts ist es, neue innovative Lehr- und Lernformate im Gründungskontext zu erproben und 2.2 Teilprojekt „Forschungsbezogenes weiterzuentwickeln. Für die didaktische Weiteren- Lernen“ twicklung steht die Integration von Ansätzen des forschungsbasierten Lernens sowie Blended Learn- Das Vorhaben wird an der Fakultät International ing im Fokus. Bei der Verzahnung von Forschung Business durchgeführt. Für das Gelingen baut das und Lehre werden durch den Einsatz forschungs- Vorhaben nicht nur auf die Inhalte, sondern auch basierter und innovativer Lehrmethoden Studierende auf die Kompetenzen und das Erfahrungswissen der zum selbstständigen Lernen motiviert, mit dem Ziel, Lehrenden aus den bereits bestehenden Vorlesungen das Potenzial und die Anzahl von Unternehmensgrün- auf. dungen im Studienbetrieb langfristig zu fördern. Im Im Teilprojekt „Forschungsbezogenes Lernen“ steht Vordergrund steht der Ausbau erfolgreicher Lehrfor- die engere Verbindung von Forschung und Lehre im mate für forschungsbasiertes Lernen sowie Blended Kontext der Unternehmensgründung im Vordergrund. Learning. Fachlich sollen diese auf ingenieur-, Das bereits im Studium angeeignete Wissen soll durch informations- und wirtschaftswissenschaftliche Stu- die Ausbildung von Urteilsfähigkeit mit Forschungs- diengänge zugeschnitten sein. Als Ergebnis soll fragestellungen erweitert werden. Dies soll die eine WILLE-App vorliegen, welche auf Game-based Studierende nicht nur auf die Abschlussarbeit besser und Blended Learning Tools aufbaut und der Wis- vorbereiten, sondern auch den hochschulinternen sensvermittlung, Sensibilisierung und Qualiﬁzierung „akademischen Fahrstuhl“ befördern. Studierende von Studenten für potenzielle Gründungsvorhaben di- sollen ein kritisch reﬂektierendes akademisches ent. Denken und Handeln annehmen. Die Heraus- forderungen liegen hier in der optimalen Gestal- tung von Lehrveranstaltungen und der Aktivierung 2 Projekt WILLE sowie Befähigung von Studierenden für eigenständige Forschungsvorhaben. 2.1 Projektzielsetzung und -struktur

Das WILLE-Projekt „Nah an Praxis und Forschung 3 Methodisches Vorgehen – innovative Lernmodelle an der Hochschule Heilbronn“ strebt mit neuen Lehrkonzepten einen Das methodische Vorgehen umfasst folgende sechs Beitrag zur Qualitätssteigerung der Lehre sowie Phasen (s. Abb. 1): In Phase 1 (Bestandsaufnahme) eine verbesserte Wissensvermittlung in einem in- erfolgte im Rahmen einer empirischen Erhebung mit- terdisziplinären Umfeld an. Das vom Ministerium tels einer Online-Umfrage unter allen Studierenden für Wissenschaft, Forschung und Kunst in Baden- der Hochschule Heilbronn die Bestandsaufnahme zu

60 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 den drei (FUB) Dimensionen. Im zweiten Schritt (Recherche und Mobilisierung) wurde in Unter- stützung mit studentischen Forschungsgruppen eine fundierte Recherche zum Thema Forschungsbasiertes Lernen, Blended Learning und Unternehmensgrün- dung durchgeführt. An-schließend wurden die Studierenden durch Teilnahme an forschungs- sowie gründungsbezogenen Workshops (u.a. Design Think- ing) für die Verprobungs-/Gründungsphase mobil- isiert. In der aktuellen Phase 3 (konzeptionelle En- twicklung) wird ein generisches forschungsbezogenes Lehr-/Lernmodell entwickelt. Ausgehend von ak- Abbildung 2: Das WILLE FUB-Modell tuellen Forschungsergebnissen soll dabei das Modell die drei Dimensionen Forschen, Unternehmensgrün- dung und Blended Learning integrieren. In Phase 4 der Hochschule Heilbronn (HHN) eine Bestandsauf- (Verprobung) soll das Modell zur Anwendung kom- nahme zu den drei FUB-Dimensionen Forschungs- men. Hierbei werden forschungsbasiertes Lernen bezogenes Lernen (Forschen), Unternehmensgrün- und Blended Learning-Ansätze an einem konkreten dung (Startups, Inkubatoren) sowie Blended Learn- Beispiel, der Gründung (bzw. Planung) eines Un- ing (Lehre). Die Online-Umfrage wurde im Juni/Juli ternehmens gemeinsam mit den WILLE-Probanden 2017 an allen vier Standorten der HHN durchge- angewandt. In Phase 5, der (technischen) Implemen- führt. Der Befragungslink wurde per E-Mail über tierung, wird das theoretische Modell in eine tech- den Studierenden-Verteiler an alle Studierenden ver- nische Applikation überführt. In der abschließenden sandt (N=8329 Gesamt (Stand: WS 2015/16), 836 Phase 6 (Evaluation) erfolgt die Bewertung des Um- Teilnehmende, Teilnahmequote: 10 %). setzungserfolgs. Der vorliegende Beitrag fokussiert

Studienmotivation

Zunächst wurden die Studierenden nach der in- trinsischen und extrinsischen Motivation für die Wahl eines Studiengangs gefragt. Intrinsische Motive umfassen Motive zur Selbstverwirklichung, interessante Berufstätigkeiten usw. Extrinsische Motive hingegen umfassen Motive bzgl. gehobener beruflicher Po- sition und Verdienstmöglichkeiten. Zudem standen Abbildung 1: Methodisches Vorgehen hierbei auch die Bedeutung des Wissenserwerbs bzgl. Selbständigkeit sowie die Arbeit in der angewandten auf die Darstellung der ersten drei Projektphasen. Zu- Forschung und Entwicklung bei der Entscheidung für dem wird ein Modell zur Diskussion gestellt, welches einen Studiengang im Fokus. Insbesondere intrin- die Themen Gründung, forschungsbasiertes Lernen sische Motive werden bei der Studiengangwahl als und Blended Learning integriert (s. Abb. 2). wichtig erachtet (s. Abb. 3), also „ . . . einen Beruf mit interessanten Inhalten auszuüben“ (Antwortoptionen wichtig/sehr wichtig zusammengefasst: 92 %), oder „ . . . eine Stelle zu bekommen, in der ich aufgehen 4 Entwicklung eines forschungs- kann“ (Antwortoptionen wichtig/sehr wichtig zusam- basierten Lernmodells mengefasst: 91 %). Aber auch extrinsische Motive spielen noch eine wichtige Rolle, d.h. Motive wie „ . . . immer eine Stelle zu finden“ (82 %), „eine gut 4.1 Empirie-basierte Bestandsaufnahme bezahlte Position zu bekommen“ (80 %) oder auch eine „ . . . angesehene berufliche Position zu erhalten“ In Phase 1 des WILLE-Projektes erfolgte im Rah- (77 %), siehe [1]. Deutlich geringer ausgeprägt ist die men einer Online-Umfrage unter allen Studierenden Motivation für Studierende, das notwendige Wissen

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 61 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

für eine Selbständigkeit zu erhalten (Antwortop- Management und Vertrieb mit 81 %, der Fakultät tionen wichtig/sehr wichtig zusammengefasst: 39 Wirtschaft und Verkehr (78 %) sowie der Fakultät %). Einen Einstieg in die angewandte Forschung International Business (71 %) hoch eingestuft. und Entwicklung zu bekommen ist für 28 % (sehr) Vergleichsweise niedrig hingegen werden die wichtig. Bei diesem Statement zeigen sich einige Fähigkeiten, „wissenschaftliche Methoden anzuwen- deutliche Unterschiede zwischen Studierenden in den“ (42 %) sowie „eine Geschäftsidee zu entwick- den verschiedenen Fakultäten. So ergibt sich für eln“ (31 %) von den Studierenden eingeschätzt. Studierende in der Fakultät Mechanik und Elektronik (n=77) eine Wichtigkeit von 76 % und bei der Studierenden der Fakultät Informatik (n=29) eine Wichtigkeit von 55 %. Bei Studierenden technischer Fächer besteht entsprechend eine höhere Bereitschaft, in der angewandten Forschung und Entwicklung zu arbeiten.

Abbildung 4: Selbsteingeschätzte Fähigkeiten

Einstellungen zum Studium

Abbildung 3: Studienmotivation Auch bei den Einstellungen zum Studium an der Hochschule Heilbronn standen einerseits die Forschungsorientierung und auch das Thema Un- ternehmensgründung/Selbständigkeit im Fokus. Hier Selbsteingeschätzte Fähigkeiten zeigt sich ein starkes Interesse an einem praktisch orientierten Studium. So wird bei dem Item „Ich ﬁnde Neben der Studienmotivation wurde in der Online- es wichtig, dass die Lehrenden an der Hochschule Umfrage nach der Selbsteinschätzung von stu- Heilbronn aus der Praxis kommen“ ein Zustim- dienrelevanten Fähigkeiten der Studierenden in mungswert von 88 % erreicht (Antwortoptionen den Themengebieten Unternehmensgründung und „stimme voll und ganz zu“ und „stimme zu“ zusam- Forschungsorientierung gefragt (mit einer Skala von mengefasst). Auch bei dem Statement „Im Studium 1 „In sehr hohem Maße“ bis 5 „Gar nicht“, s. Abb. 4). interessiere ich mich vor allem für praxisorientierte Über die Fähigkeiten, „sich selbst und seinen Ar- Projekte“ ergibt sich ein Zustimmungswert von 82 %. beitsprozess effektiv zu organisieren“ (Werte 1 „In Geringere Zustimmung, aber noch auf hohem Niveau sehr hohem Maße“ und 2 zusammengefasst, 70 %) von 70 % erreicht das Item „Ich ﬁnde es wichtig, sowie „fächerübergreifend zu denken“ (69 %), aber dass die Lehrenden an der Hochschule Heilbronn auch „wirtschaftlich zu denken und zu handeln“ (66 Studierende in wissenschaftliche Projekte einbinden“. %) sowie „analytisch zu denken“ (62 %) verfügen Auch die Zustimmung zur Aussage „Im Studium die Studierenden laut Selbsteinschätzung in hohem interessiere ich mich besonders für praxisbezogene Maße. Forschungsprojekte“ erreicht mit 65 % noch eine Die Fähigkeit, wirtschaftlich zu denken und zu han- hohe Zustimmung. deln wird insbesondere von Studierenden der Fakultät Im Gegensatz dazu wird dem Item „Ich wende gerne

62 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

wissenschaftliche Methoden zur Lösung praktischer Probleme an“ nur zu 34 % zugestimmt. Auch „Ich habe großes Interesse am wissenschaftlichen Arbeiten „erzielt nur eine Zustimmung von 34 %. Die geringsten Zustimmungswerte von 25 % erreicht das Statement „Ich lese gerne wissenschaftliche Texte“. Dabei zeigen sich nur geringe Zusammenhänge zwischen diesen Items und der Anzahl der Semester.

Abbildung 6: Beschäftigung mit Unternehmensgründung

somit auf 34 % beziffern. Dieses Potenzial ist innerhalb der verschiedenen Fakultäten unterschiedlich ausgeprägt (siehe Abb. 7 unten). Das größte Potenzial zeigt sich in der Fakultät International Business (37 %), die Fakultät Technik und Wirtschaft (19 %) sowie Abbildung 5: Einstellungen zum Studium die Fakultät Wirtschaft und Verkehr (16 %). Das geringste Potenzial zeigt sich in den Fakultäten Infor- matik (6 %) und Technische Prozesse (3 %). Zudem

Unternehmensgründung

Ein weiterer Themenkomplex in der empirischen Bestandsaufnahme war die Frage nach der Absicht einer Unternehmensgründung. Dazu wurde zunächst gefragt, ob sich Studierende der HHN mit den The- men Selbständigkeit und Gründung beschäftigt haben (s. Abb. 6). Etwa ein Viertel der Befragten gaben an, sich noch nie mit diesen Themen beschäftigt zu haben (24 %). Aber etwa die Hälfte gab an, sich zumindest ein wenig damit auseinandergesetzt zu haben (48 %). Eine regelmäßige Beschäftigung mit diesen Themen gaben 11 % und eine intensive Beschäftigung gaben 6 % an. Und 2 % der Befragten sind bereits selbständig. In einem weiteren Schritt wurden die Studierenden nach ihrer Gründungsab- Abbildung 7: Gründungsabsicht sicht gefragt. Hierbei geben 15 % der Befragten Studierenden an, sich sehr gut vorstellen zu können, ergeben sich einige interessante Zusammenhänge ein Unternehmen zu gründen und selbständig zu zwischen der Absicht, ein Unternehmen zu gründen arbeiten (s. Abb. 7). Dies stellt das Kernpotenzial sowie einigen Items aus den oben genannten The- für die Unternehmensgründung und Selbständigkeit menkomplexen zu Motivation zur Studiengangwahl dar. Weitere 19 % der Befragten geben an, sich dies (s. Abb. 3). So besteht zwischen der Motivation, zumindest eher vorstellen zu können. Das erweiterte das notwendige Wissen im Studiengang zu erhalten Potenzial für eine Unternehmensgründung lässt sich und der Absicht ein Unternehmen zu gründen eine

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 63 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

positive hohe Korrelation (Koeffizient nach Pearson) von .66 (Signifikanzniveau von .01). Auch die Ein- schätzung der eigenen Fähigkeit, eine Geschäftsidee zu entwickeln (s. Abb. 4) korreliert positiv mit der Selbsteinschätzung, eine Geschäftsidee entwickeln zu können (positive mittlere Korrelation nach Pearson von .36, Signifikanzniveau von .01).

Blended Learning

Als dritten Themenblock wurde in der Umfrage die Nutzung und Wichtigkeit von E-Learning-Plattformen ermittelt. 60 % der befragten Studierenden nutzen mindestens wöchentlich E-Learning-Plattformen wie z.B. Ilias für Lehrveranstaltungen. Auch hochschulexterne Online-Plattformen wie YouTube Abbildung 9: Wichtigkeit von E-Learning-Plattformen werden von 49 % der Studierenden mindestens wöchentlich genutzt (s. Abb. 8). dengruppe aus Bachelor-Studierenden soll bereits in der Frühphase ihres Studiums mit Qualiﬁzierung und Wissensvermittlung für den Gründergedanken sensibilisiert werden. In der Phase geht es zum einen darum, didaktische Lehrformate weiterzuentwickeln, um wissenschaftliches Arbeiten und zum zwei-ten darum betriebswirtschaftlichen Fragestellungen mit Blick auf potenzielle Gründungen für die Studieren- den konkret erfahrbar zu machen. In einem ersten Schritt wurden sie in das Forschungsprojekt instruiert, für das Thema sensibilisiert und schließlich mit konkreten Frage- /Problemstellungen die drei FUB-Dimensionen betreffend konfrontiert, die sie in der ersten Semester- hälfte zu lösen hatten. Jede Gruppe hat sich dabei auf eine Dimension ihrer Wahl spezialisiert. Im Abbildung 8: Nutzung von E-Learning-Plattformen Fokus stand die Dimension „Forschen“, bei der die Studierenden mittels einer fundierten Literatur- recherche Wissen in den drei Dimensionen erwerben Ausgeprägter als die Nutzungsfrequenz von E- sollten. Learning- bzw. Online-Plattformen wird aber deren Bei der Verzahnung von Forschung und Lehre Wichtigkeit eingestuft (s. Abb. 9). 67 % der Be- ist das übergeordnete Ziel, die Studierenden nach fragten geben an, das E-Learning-Plattformen wie Il- einem vorangegangenen Wissenserwerb und der ias für Lehrveranstaltungen wichtig oder sehr wichtig Ausbildung von Urteilsfähigkeit mit Forschungs- sind. Und immerhin noch 54 % geben an, dass fragestellungen zu konfrontieren, damit sich ein hochschulexterne Plattformen für Lehrveranstaltun- kritisch reﬂektierendes akademisches Denken bei gen (sehr) wichtig sind. den Studierenden ausbilden kann. Professor/innen und wiss. Mitarbeiter/innen leiten Studierende in der Beteiligungsrunde an. Durch die Projekt- bzw. 4.2 Recherche und Mobilisierung Teamarbeit erwerben Studierende in der Verzahnung von Forschung und Lehre ein ganzheitliches Wissen, Im Rahmen eines Semesterseminars, der Lernphase das die eigene wissenschaftliche Karriere befördert 1, wurde das FUB-Modell pilotiert. Hierfür wurden und somit Erfahrungen über Lehrbuchwissen hinaus drei studentische Gruppen formiert. Die Proban- möglich macht. Um dieses Ziel zu erreichen, müssen

64 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

Studierende, Mitarbeiter und Forscher Teil einer noch unbekanntem Wissen. Ausgangspunkt bei ganzheitlichen und abgestimmten Weiterentwick- beiden Prozessen sind Fragestellungen, die mit lungsstrategie sein. Handlungs- oder Erkenntnisproblematiken verbunden In Übereinstimmung mit den Studienergebnissen sind. Folglich zielen beide auf die Erweiterung der zeigte sich, dass Studierende großes Potenzial Handlungs-, Begründungs- oder Erklärungsfähigkeit bezüglich der Dimension Forschen haben. Aufgrund ab. Dabei unterscheiden sich beide Prozesse durch dieses Mankos wurde Studierenden zunächst einmal ihre Reichweite: Lernprozesse konzentrieren sich durch intensive Schulungsmaßnahmen die Durch- auf das Individuum und die Erweiterung ihrer führung eines Forschungsprozesses vermittelt. Dieses Handlungsfähigkeit. Hingegen konzentrieren sich iterative Vorgehen, welches im Sinne eines Trial und Forschungsprozesse auf die Erweiterung der kollek- Error Verfahrens exerziert wurde, siehe [5], wird tiven Handlungsfähigkeiten mittels verbreiterter auch im FUB-Modell aufgegriffen (siehe Abschn. Verfügbarkeit des Wissens für die Gesellschaft, siehe 4.3). In einem nächsten Schritt wurde gemeinsam [8]. mit den Studierenden ein ihren Vorstellungen ent- Im Gegensatz zur Forschung spielt das Thema sprechender WLLE-Lern-/Lehrraum aufgesetzt. Im Unternehmensgründung an Hochschulen nur eine un- WILLE-Raum können Lern- und Lehrkonzepte über tergeordnete Rolle und ist vom Ziel „Entrepreneurial das Inter-/Intranet in Verbindung mit ‚klassischen’ University“ weit entfernt, auch wenn bspw. die TU Lernmethoden und -medien optimal genutzt werden. München oder die Universität Mannheim sich sehr Allein das strukturelle Aufbaukonzept des Raumes bemühen, siehe [2], [7] und [10]. Insbesondere reicht wirkte sich stark auf die Lernbereitschaft und –moti- das bisherige Einbinden des Themas in die Curricula vation sowie aktive Teilnahme der Studierenden am nicht aus und ganze Programme zur akademischen Unterricht aus. Gründungsausbildung fehlen bzw. es besteht hier noch ein erheblicher Verbesserungsbedarf, siehe [10] Der WILLE-Raum wurde noch in Lernphase 1 und [14]. Und das, obwohl Lernen im Prozess der für Workshops zur Mobilisierung der Studierenden Unternehmensgründung das Fundament bildet und im Hinblick auf Unternehmensgründung genutzt. Die integraler Teil ist, siehe [11]. In seinem Model (s. Workshops dienten der Praktizierung von Kreativ- Abb. 10) unterteilt Rae [11] Entrepreneurial Learning itätstechniken wie bspw. Design Thinking, um in persönliche und soziale Emergenz, kooperative erforderliches Wissen sowie Ideen für potenzielle Unternehmung und kontextabhängiges Lernen. In Gründungsvorhaben zu vermitteln bzw. zusam- der persönlichen und sozialen Emergenz geht es vor menzutragen. In der anschließenden Lern-/Lehr- allem um die Entwicklung einer unternehmerischen und Orientierungsphase wird das FUB-Modell von Identität. Diese ist sehr stark von den bisherigen Lehrenden entwickelt und danach verprobt. Lebenserfahrungen sowie vom familiären Umfeld geprägt. Neben Bildung, beruﬂicher Entwick-lung und zwischenmenschlicher Beziehungen, beeinﬂusst 4.3 Das FUB-Modell die Entwicklung der Selbstwahrnehmung und die eigenen Ziele für die Zukunft, die Entwicklung der Die Schwierigkeit bei dieser Diskussion besteht darin, unternehmerischen Identität. Die Idee, die hinter ein geeignetes Konzept zu entwickeln, das sowohl dem Konzept kooperative Unternehmung steckt, ist, den Lehrenden als auch den Lernenden ausreichend dass durch kooperative Beziehungen mit anderen ein in den Themenkontext integriert. Letztlich geht es Lernprozess angestoßen wird. An diesem interaktiven aber um neue Lehrformate für forschungsbasiertes Austauschprozess können sich sowohl Mitarbeiter als Lernen im Gründungskontext. auch Kunden oder Investoren beteiligen. Ziel für den Unternehmensgründer ist eine gemeinsame Vision, Rückblickend kann gesagt werden, dass Lehrin- an die alle Beteiligten glauben und daran arbeiten halte an Hochschulen schon immer geprägt waren können. Das kontextabhängige Lernen zielt auf das von Forschungsergebnissen und der Teilhabe von Lernen innerhalb von Netzwerken (u.a. mit Stake- Studierenden an Forschungsaktivitäten. Beide holder etc.) ab. So können (ähnliche) persönliche Prozesse, das Forschen und das Lernen, haben Erfahrungen ausgetauscht und analysiert werden, aber viele Gemeinsamkeiten und sind miteinander ver- auch intuitives Handeln geübt und die Fähigkeit, neue gleichbar, siehe [6] und [9]. Für Forschende als Möglichkeiten zu erkennen und Neues zu kreieren, auch Studierende ist das Lernen der Schlüssel zu verbessert werden.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 65 schreitet immer weiter voran. Wannapiroon hat unter Berücksichtigung von forschungsbasiertem Lernen und Blended Learning ein Modell entwickelt (s. Abb. 12). Ziel ist es, mit diesem Modell, Studierende verstärkt kritisches und reﬂexives Denken, Problem- lösungsansätze sowie Forschungskompetenzen zu vermitteln.

Abbildung 10: Tiradic model of entrepreneurial learning [11]

Grundvoraussetzung für forschungsbasiertes und unternehmerisches Lernen ist die aktive und selbst- Abbildung 11: Typ Forschungsprozess [9] ständige Teilhabe der lernenden Person, siehe [11] und [13]. Aus diesem Grund folgt das Projekt dem Verständnis der subjektwissenschaftlichen Lerntheo- rie von [5].

Bei der Entwicklung eines didaktischen Designs greifen wir auf bestehende Modelle zurück und berücksichtigen neue Lehrmethoden mit Einsatz von E-Learning und Blended Learning. Für Lehre im Format der Forschung sind nicht im- Abbildung 12: Conceptual framework of the Research- mer Lehrforschungsprojekte oder eine großflächige based Blended Learning model [16] Einbindung der Studierenden in reale Forschungspro- jekte notwendig, siehe [9]. Forschungsbasierte Blended Learning wird im Modell in selbst bes- Lehre beginnt schon durch das Explizieren und timmtes E-Lernen, Live E-Lernen und Präsenzver- damit Nachvollziehbar-Machen von Handlungsprob- anstaltungen unterteilt. Neben dem Blended Learning lematiken, Fragestellungen und Erkenntnisinteressen sind noch forschungsbasiertes Lernen und ein Leit- sowie deren Zusammenhänge. Im Kontext von faden für Lehrende Bestandteil des Modells. Forschungsbasierter Lehre stellt Ludwig das für unser Projekt geeignete Format, nämlich den Typ „Forschungsprozess“, näher vor (s. Abb. 11). In 4.4 Verprobung diesem Typus finden Studierende nicht nur die Möglichkeit, sich mit ihren eigenen Lern- und In der zweiten Lehrphase wird der Fokus noch stärker Studieninteressen auseinander zu setzen und zu re- auf dem unternehmerischen Lernen liegen. Begleitet flektieren, sondern auch aktiv mit der Gestaltung des wird diese Phase durch Gastvorträge und Themen- Forschungs-prozesses zu beschäftigen. Beispielhaft workshops. In den Vorträgen und Workshops wer- bieten sich dafür abgeschlossene Forschungsprojekte den praxisrelevante Schlüsselqualifikationen vermit- oder gemeinsam in einer Lehrveranstaltung entwick- telt. Erfahrene Partner, wie z. B. die IHK oder die elte Lehrforschungsprojekte an. Die Aufgaben der Universität Mannheim, sollen dafür gewonnen wer- Lehrenden bei der forschungsbasierten Lehre besteht den. darin, die Ideen der Studierenden aufzugreifen, Der Einstieg in das unternehmerische Lernen wird die Machbarkeit der Forschungsfrage im Blick zu durch ein cloudbasiertes Start-up-Simulationsspiel er- behalten und die Studierenden im Forschungsprozess folgen. Studierende aus unterschiedlichen Fakultäten zu beraten und zu unterstützen, siehe [13]. Der (Technik, Wirtschaft und Informatik) werden in Grup- Einsatz von digitalen Medien in der Hochschullehre pen eingeteilt und müssen sich mit der Existenzgrün-

66 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

dung eines Unternehmens beschäftigen. Folgende den forschungsbasierten Lern- und Lehrmodelle wer- Lernziele lassen sich zusammenfassen [15]: den direkten und fortlaufenden Eingang in die Lehre ﬁnden. - Vermittlung von BWL-Grundlagen - Erkennen und Berücksichtigen von Rahmenbe- dingungen für wirtschaftlichen Erfolg in einem dynamischen Wettbewerbsumfeld References - Auswählen und Umsetzen von Strategien zur Er- reichung von Zielen [1] M. Albert, K. Hurrelmann, G. Henzel. Jugend - Evaluieren von Unternehmensdaten 2015. 17. Shell Jugendstudie. Fischer, Frankfurt, - Effektives Treffen von Entscheidungen im Team 2015.

Ab dem Sommersemester 2018 sollen Lehrende und [2] Bundesministerium für Wirtschaft und Energie Studierende gemeinsam an einem App-Game ar- (BMWi). Das ist Exist 2016. Druck- und Ver- beiten. Dabei sollen die Erfahrungen und Erkennt- lagshaus Zarbock, Frankfurt, 2016. nisse aus beiden Lehrphasen einﬂießen. Die neue App soll den Anforderungen der drei Hauptkate- [3] J. Gee. What video games have to teach us about gorien von Schwan entsprechen (Schwan fasste die learning and literacy. Palgrave Macmillan, Bas- 13 Prinzipien von Gee (2003) in drei Hauptkategorien ingstoke, 2003. zusammen)[12]. Die Hauptkategorien beschreiben was „gute“ Spiele kennzeichnen: [4] S. Golla, H. Bergmann. Unternehmertum an Hochschulen in Deutschland. Ergebnisse des - Kategorie 1: Lernenden Handlungsspielräume Global University Entrepreneurial Spirit Stu- eröffnen dents‘ Survey. St. Gallen/Fulda, 2016. - Kategorie 2: Prinzipien, die Kompetenzen zum Lösen von Problemen fördern [5] K. Holzkamp. Lernen. Subjektwissenschaftliche - Kategorie 3: Prinzipien, die das Verständnis Grundlegung. Campus, Frankfurt, New York, fördern 1993. [6] L. Huber. Warum Forschendes Lernen nötig und möglich ist. In: L. Huber, J. Hellmer 5 Fazit & F. Schneider (Hg.). Forschendes Lernen im Studium. Aktuelle Konzepte und Erfahrungen. Der vorliegende Beitrag zeigt, dass bei der Verzah- Universitätsverlag Weber, Bielefeld, 2009. nung von Forschung und Lehre durch den Einsatz [7] M. Kulicke. 15 Jahre EXIST „Existenzgrün- forschungsbasierter und innovativer Lehrmethoden dungen aus der Wissenschaft“. Entwicklung Studierende zum selbstständigen Lernen und Gründen des Förderprogramms von 1998 bis 2013. motiviert werden können und so das Potenzial an Un- Arbeitspapier der wissenschaftlichen Begleit- ternehmensgründungen im Studienbetrieb langfristig forschung zu „EXIST – Existensgründungen gesteigert werden kann. Das FUB-Modell liefert aus der Wissenschaft“. Fraunhofer-Institut für ein forschungsbasiertes Lern- und Lehrkonzept zur System- und Innovationsforschung, Karlsruhe, Förderung von Gründungsinitiativen an Hochschulen. 2014. Es gibt Lösungsvorschläge an die Hand, wie Lehrende Lernende unterstützen und dazu befähigen kön- [8] J. Ludwig. Forschungsbasierte Lehre als Lehre nen, eine eigene Gründungsidee zu entwickeln und im Format der Forschung. Brandenburger umzusetzen. Der Fokus liegt auf dem forschungs- Beiträge zur Hochschuldidaktik, Heft 3, p. 7-16, basierten Identiﬁkationsprozess von Handlungs- und 2011. Erkenntnisproblematiken. Ohne eine Motivation gibt es keinen Grund für den Lernenden seine Handlungs- [9] J. Ludwig. Lehre im Format der Forschung. fähigkeit zu erweitern. Sowohl die empirischen Stu- Brandenburger Beiträge zur Hochschuldidaktik, dienergebnisse als auch die Lernphase 1 zeigen, dass Heft 7, p. 7-19, 2014. es sogenannter Trigger bedarf, damit Lernende über- [10] N. Nieuwenhuizen, D. Groenewald, J. Davids, haupt auf die Idee kommen, zu gründen. Die erar- L. Janse van Rensburg, C. Schachtebeck. Best beiteten Erkenntnisse sowie die damit einhergehen-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 67 WILLE: wissenschaftliches Lehren und Lernen zur Förderung der Gründungskultur an Hochschulen

practice in entrepreneurship education. Problem and Perspectives in Management (open-access), Vol. 14 No. 3, p. 528-536, 2016. [11] D. Rae. Entrepreneurial learning: a narrative- based conceptual model. Journal of Small Busi- ness and Enterprise Development, Vol. 12 No. 3, p. 323-335, 2005. [12] S. Schwan. Game Based Learning – Comput- erspiele in der Hochschullehre. Veröffentlicht auf http://e-teaching.org, http://e-teaching. org/didaktik/konzeption/methoden/lernspiele/ game_based_learning/gamebasedlearning.pdf, 2006. [13] M. Sonntag, J. Rueß, C. Ebert, K. Friederici & W. Deicke. Forschendes Lernen im Seminar. Ein Leitfaden für Lehrende. Humboldt-Universität zu Berlin. http://researchgate.net/publication/ 308047837_Forschendes_Lernen_im_Seminar_ Ein_Leitfaden_fur_Lehrende (Abgerufen am 14.04.2017), 2016.

[14] C. Schultz, D. Mietzner. Gründungsausbil- dung an Hochschulen in Deutschland. Wis- senschaftliche Beiträge, Technische Hochschule Wildau, 18, p. 103-106, 2014. [15] TOPSIM-Startup. Kurzbeschreibung des On- lineplanspiels Topsim-Startup. TATA Interactive Systems GmbH, Tübingen. [16] P. Wannapiroon. Development Of Research- Based Blended Learning Model To Enhance Graduate Students’ Research Competency And Critical Thinking Skills. Procedia – Social and Behavioral Sciences, 136, p. 486-490, 2014.

68 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Dynamische Simulation von Mini-Fahrzeugen mit Modern C++, Boost-Odeint und Robot-Operating-System

Niclas Heining, Uwe Ingelﬁnger, Ansgar Meroth, Frank Tränkle1 Automotive Systems Engineering, Hochschule Heilbronn Max-Planck-Str. 39, D–74081 Heilbronn [email protected]

Mini-Auto-Drive (MAD) ist ein neues Miniplant im Maßstab 1:24 zur Entwicklung von Lokalisierungs-, Bahnplanungs-, Bahnregelungs- und Sicherheitsfunktionen für hoch- und vollautomatisiertes Fahren. Die Entwicklung der Funktionen erfolgt in Modern C++14 oder mit MATLAB/Simulink/Stateﬂow. Im Falle von C++ wird die Middleware MODBAS-Safe zur Implementierung von Echtzeit-Tasks, nachrichtenba- sierter Kommunikation und zur Überwachung des Systems hinsichtlich der funktionalen Sicherheit eingesetzt [1]. Die Simulations- und Experimentierumgebung von MAD basiert auf Robot-Operating-System (ROS) und der Game-Engine Unreal. Sie ermöglicht die Durchgängigkeit von Embedded-Software-Tests von Model-in-the-Loop über Software-in-the-Loop bis hin zum realen Fahrversuch [2]. Für diese Tests wird ein dynamisches, nichtlineares Einspurmodell inklusive Magic-Formula-Reifen- modell der verwendeten Mini-Z-Fahrzeuge entwickelt. Die Parameteridentiﬁkation des Magic-Formula- Modells erfolgt anhand stationärer Kreisfahrten bei niedrigen und hohen Geschwindigkeiten mithilfe von Least-Squares-Verfahren unter Verwendung linearer und nichtlinearer Regressionsmodelle. Weiterhin stellt dieser Beitrag eine neuartige Implementierung dieses Fahrdynamikmodells als ROS-Knoten unter Einsatz von Modern C++ und Boost-Odeint vor.

1 Einleitung mulierte Fahrzeuge gleichzeitig betrieben und in einer virtuellen 3D-Umgebung visualisiert werden, wodurch eine Realisierung komplexer Fahrsituationen in Mini-Auto-Drive ist ein neues Miniplant zur Entwick- Augmented-Reality ermöglicht wird. lung von Softwarefunktionen für hoch- und vollautomatisiertes Fahren vergleichbar mit LIU-Racetrack [3] und ORCA [4]. Softwarefunktionen fürs automa- Für die Simulation der Fahrzeuge und die Durchfüh- tisierte Fahren werden zunächst auf diesem Miniplant rung von Model-in-the-Loop- (MiL) und Software- in Betrieb genommen, bevor sie auf dem Versuchs- in-the-Loop-Tests (SiL) wird ein genaues, realitäts- träger Audi A3etron der Hochschule Heilbronn appli- nahes Fahrdynamikmodell benötigt. Dieses Modell ziert werden. Bei MAD kommen Fahrzeuge der Mini- wird in Closed-Loop mit den Softwarefunktionen des Z-Rennserie im Maßstab 1:24 im Gegensatz zum automatisierten Fahrens in der MAD-Experimentier- 1:43-Maßstab bei ORCA zum Einsatz. und Simulationsumgebung simuliert. In Abschnitt 3 wird dieses Fahrdynamikmodell auf Basis des Mo- Abschnitt 2 stellt die System- und Softwarearchitek- dells aus [4] hergeleitet. Entscheidend für die Modell- tur von MAD vor. Das System besteht aus einer konfi- güte ist die Parametrierung der Lenkwinkelkennlinie gurierbaren Fahrbahn, einer Computervision und ei- und Pacejkas Magic-Formula-Reifenmodell [5]. Zur nem Echtzeit-Linux-Rechner. Die Softwarearchitek- Parameteridentifikation werden die Position, der Gier- tur ermöglicht die Entwicklung von Funktionen ent- winkel, die Geschwindigkeit und der Schwimmwinkel weder mit MATLAB/Simulink/Stateflow oder in Mo- des Fahrzeuges durch die Computervision von MAD dern C++. Die Steuerung und Visualisierung der rea- erfasst. Die Schätzung der Parameter erfolgt mithil- len oder simulierten Fahrzeuge erfolgt mit Robot- fe von Least-Squares-Verfahren unter Verwendung li- Operating-System (ROS) und der Game-Engine Un- nearer und nichtlinearer Regressionsmodelle im Ab- real (siehe Abschnitt 6). Dabei können reale und si- schnitt 4.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 69 Dynamische Simulation von Mini-Fahrzeugen mit Modern C++, Boost-Odeint und Robot-Operating-System

Als weiteres wesentliches Ergebnis stellt Abschnitt 5 gation, Path-Planning, Path- und Speed-Control, Per- eine neuartige Implementierung des Fahrdynamikmo- ception und Localization. Alle Ebenen werden von dells als ROS-Knoten unter Einsatz von Modern C++ der Komponente Supervision überwacht, die Fehler- und Boost-Odeint vor. Das beschriebene Vorgehen reaktionen auslösen kann. Handelt es sich bei dem kann allgemein zur Implementierung und Simulati- Fahrzeug um ein reales Fahrzeug, greift die Fahr- on nichtlinearer, dynamischer Zustandsraummodelle software auf die Softwarekomponenten rc_node und in expliziter Form verwendet werden. vision_node zur Funkfernsteuerung und Compu- tervision zu. Im Falle eines simulierten Fahrzeuges werden diese beiden Softwarekomponenten durch die 2 Miniplant Komponente carsim_node ersetzt, die das Fahrdyna- mikmodell aus Abschnitt 3 simuliert und dessen Im- plementierung in Abschnitt 5 beschrieben wird. Die Fahrzeuge der Mini-Z-Rennserie fahren auf ei- Die Ebenen der Fahrsoftware können flexibel mit Mo- ner horizontalen, ebenen Fahrbahnfläche der Grö- dern C++ als ROS-Knoten oder mit MODBAS-Safe ße 3x2 m. Ein Linux-PC steuert die Fahrzeuge implementiert werden. Zur modellbasierten Entwick- über eine 2,4 GHz-Funkfernsteuerung. Die Online- lung der ROS-Knoten wird alternativ MATLAB/Si- Lokalisierung der Fahrzeuge erfolgt durch eine In- mulink/Stateflow verwendet. Wegen der einheitlichen frarot-Kamera, die in 3 m Höhe mittig über der Fahr- Schnittstellen ist eine flexible, rapide Entwicklung bahnfläche montiert ist. Zur Identifikation sind auf der verschiedener Algorithmen fürs automatisierte Fahren Fahrzeugkarosserie Infrarot-Marker geklebt. möglich. Einzelne Fahrzeuge können mit unterschiedlichen Algorithmen ausgestattet werden. Insbesondere Fahrsoftware durch die Überwachungsfunktionen von MODBAS- Safe und die Experimentierumgebungen von ROS und Modern C++ USB3 MATLAB/Simulink/ MATLAB/Simulink wird ein Performance-Vergleich Stateflow der Algorithmen ermöglicht. So können verschiedene carsim rc_node vision_node Algorithmen gegeneinander Rennen fahren, sowohl _node real als auch simulativ oder gemischt. MODBAS- ROS Unreal Safe

Linux RT-Preempt 2,4 GHz 3 Fahrdynamikmodell

Abbildung 1: MAD-System- und Softwarekomponenten Alle MAD-Fahrzeuge sind identisch aufgebaut mit Vorderachslenkung und Hinterachsantrieben. Das MAD unterstützt den simultanen Betrieb von rea- Fahrdynamikmodell basiert auf dem in [4] be- len und simulierten Fahrzeugen. Dies wird durch den schriebenen Einspurmodell für die Minifahrzeug- Einsatz von Softwarekomponenten ermöglicht, die Plattform ORCA, wobei ebenfalls das Magic- einheitliche Schnittstellen aufweisen. Das Betriebs- Formula-Reifenmodell [5] verwendet wird. In Ergän- system des Linux-PCs ist ein Ubuntu Linux und zung zu [4] werden Totzeiten eingeführt für die An- manuell installiertem Linux-Kernel mit RT-Preempt- steuerung der Lenkung und des Antriebsmotors. Patch. Als Mittelschicht-Plattformen für die Fahr- software werden Robot-Operating-System (ROS) und MODBAS-Safe [1] eingesetzt. MODBAS-Safe ver- 3.1 Einspurmodell wendet u. a. POSIX-Echtzeit-Funktionen. Reale und simulierte Fahrzeuge werden in einer 3D-Umgebung Dem Einspurmodell liegen folgende Modellannah- mit der Game-Engine Unreal online visualisiert. Die men zugrunde: System-Steuerung, die Kalibrierung von Softwarepa- rametern und die Aufzeichnung der Fahrzeugsignale • Das Fahrzeug wird als starrer Körper angenom- erfolgt mit der Experimentierumgebung ROS-rqt. men, dessen Schwerpunkt sich auf der Fahr- zeuglängsachse beﬁndet. Die Fahrsoftware jedes einzelnen Fahrzeuges, egal ob real oder simulativ, ist in einem Ebenenmodell struk- • Das Fahrzeug bewegt sich auf einer horizontalen turiert mit den Komponenten: Master-Control, Navi- Ebene.

70 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Dynamische Simulation von Mini-Fahrzeugen mit Modern C++, Boost-Odeint und Robot-Operating-System

α v f f Gleichung (1) ist der Impulserhaltungssatz in Längs- richtung, (2) und (3) transformieren die Fahrzeugge- δ schwindigkeit vom körperfesten ins ortsfeste Koor- F f dinatensystem, (5) deﬁniert die Gierwinkelgeschwin- v digkeit, (4) ist der Drallerhaltungssatz bzgl. des β Schwerpunktes, (6) ist der Impulserhaltungssatz in vc2 Querrichtung. Für den Lenkwinkel δ wird eine gera- v c1 denförmige Kennlinie in Abhängigkeit des zeitverzö- ω l f gerten Stellsignals u2 angenommen: δ( )=δ ( − )+δ F t mu2 t Tt b (7) r v αr r lr Die Querkräfte Ff und Fr des Vorder- und des Hin- terrads werden durch das Magic-Formula-Modell in s2 Frx Abschnitt 3.2 beschrieben.

s1 Die Längskraft Frx ergibt sich aus der Längsdyna- mik des Fahrzeuges, für welche eine totzeitbehaftete Abbildung 2: Einspurmodell PT1-Dynamik angenommen wird. Deren Parameter k, T und Tt werden durch Sprung- und Rampenantwor- ten im Fahrversuch identifiziert. Die Geschwindigkeit • Hub-, Wank- und Nickbewegungen werden ver- v des Fahrzeuges bei Geradeausfahrt wird demnach nachlässigt. r durch folgende Differentialgleichung beschrieben: • Die Räder beider Achsen sind zusammengefasst. 1 k v˙ (t)=− v (t)+ u (t − T ) (8) r T r T 1 t • Die Längsdynamik ist eine totzeitbehaftete PT1- Dynamik. Daraus ergibt sich die folgende Beziehung für die Längskraft Frx: x Der Zustandsvektor für das in Abbildung 2 dar- 1 k F (t)=mv˙ (t)=m − v (t)+ u (t − T ) (9) gestellte Ersatzschaltbild enthält folgende Elemente: rx r T c1 T 1 t Längsgeschwindigkeit x1 = vc1, kartesische, ortsfeste Koordinaten x2 = s1 und x3 = s2 des Schwerpunk- tes, Gierwinkel x4 = ψ, Gierwinkelgeschwindigkeit 3.2 Magic-Formula-Reifenmodell x5 = ω, Quergeschwindigkeit x6 = vc2. Das semiempirische Magic-Formula-Reifenmodell Die normierten Stellsignale u und u ∈ [−1;1] für 1 2 definiert die Reifenkräfte F , nichtlinear in Abhän- , f r Motor und Lenkung werden über die 2 4 GHz-Funk- gigkeit der in Abbildung 2 dargestellten Schräglauf- fernsteuerung an das Fahrzeug übertragen. Beide winkel α f ,r [5]: Stellsignale weisen eine Totzeit Tt auf. Ff ,r = D f ,r sin Cf ,r arctan B f ,r(1 − E f ,r)α f ,r In Abhängigkeit der wirkenden Reifenlängs- und (10) + α querkräfte wird das Fahrdynamikmodell als nichtli- E f ,r arctan B f ,r f ,r neares, dynamisches Zustandsraummodell in expliziter Form für Zeit t > 0 formuliert: Für die Parameteridentifikation des Reifenmodells in Abschnitt 4 werden verschwindende Biegefaktoren 1 E f ,r = 0 angenommen, wodurch sich diese Gleichun- x˙1 = v˙c1 = −Ff sinδ + Frx + mvc2ω (1) m gen vereinfachen zu: x˙2 = s˙1 = vc1 cosψ − vc2 sinψ (2) Ff ,r = D f ,r sin Cf ,r arctan B f ,rα f ,r (11) x˙3 = s˙2 = vc1 sinψ + vc2 cosψ (3) = ψ = ω x˙4 ˙ (4) Die Schräglaufwinkel α f ,r lassen sich nach Abbil- dung 2 wie folgt aus den Zustandsvariablen und dem = ω = 1 δ − x˙5 ˙ Ff l f cos Frlr (5) Lenkwinkel δ berechnen: J 1 + ψ = = δ + − ω vc2 l f ˙ x˙6 v˙c2 Ff cos Fr mvc1 (6) α f = −arctan + δ (12) m vc1

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 71 Dynamische Simulation von Mini-Fahrzeugen mit Modern C++, Boost-Odeint und Robot-Operating-System

− ψ vc2 lr ˙ Radius r Lenkwinkel δ Regression αr = −arctan (13) vc1 20 0.7 4 Modellparameter 10 0.35 ] ◦ [

0 0 [m] δ r Das Fahrdynamikmodell aus Abschnitt 3 ist allge- −10 −0.35 mein für Fahrzeuge mit Vorderachslenkung und Hin- terachsantrieb gültig. Durch die Parameteridentiﬁkati- −20 −0.7 on wird dieses Modell an die Fahrdynamik der Mini- −1 −0.5 0 0.5 1 Z-Fahrzeuge angepasst. u2

Abbildung 3: Ermittlung des Lenkwinkel-Parameter 4.1 Lenkwinkel

Zur Bestimmung der Parameter δm und δb der Lenk- wird der Lenkwinkel mithilfe der obigen Regressi- winkel-Kennlinie (7) werden stationäre Kreisfahrten on und Gleichung (16) berechnet. Aus den gewon- ohne Schlupf mit unterschiedlichen, konstanten Stell- nenen Informationen in Abbildung 3 werden durch ◦ signalen u2 bei einer niedrigen Geschwindigkeit von eine lineare Regression die Parameter δm = 21,58 , ◦ 0 5 m/s aufgezeichnet. und δb = 0,64 der Lenkwinkel-Kennlinie (7) ermit- δ Über die Online-Lokalisierung durch die Computer- telt. Die vorhandene Achsverschiebung um b resul- T tiert aus einem Linksdrall aufgrund des Lenkungs- vision wird die Fahrzeugposition (si1,si2) sowie der spiels des Mini-Z-Fahrzeuges. Gierwinkel ψi des Fahrzeuges mit einer Abtastzeit von 20 ms aufgezeichnet. Weiterhin berechnet die Online-Lokalisierung durch ein Erweitertes Kalman- 4.2 Magic-Formula-Parameter Filter die Geschwindigkeit vi und den Schwimmwin- kel β . Bei einer stationären Kreisfahrt mit konstan- i Zur Bestimmung der Parameter der Reifenkennlini- tem Stellsignal u erfüllt jeder Messpunkt i = 1,...,n 2 en (11) dienen ebenfalls stationäre Kreisfahrten. Je- die folgende Kreisgleichung mit noch unbekanntem doch werden jetzt der bekannte Lenkwinkel δ und die Kreisradius r und Kreismittelpunkt (s ,s )T : c1 c2 Geschwindigkeit v gleichzeitig verändert. Die Stell- 2 2 2 signale des Lenkwinkels sind dieselben wie zuvor, je- (si1 − sc1) +(si2 − sc2) = r ;i = 1,...,n (14) doch wird die Geschwindigkeit bis zu 2,75 m/s schritt- weise erhöht. Erneut erfolgt eine Messung der Ge- Durch Umstellung von (14) ergibt sich das folgende schwindigkeit v und des Schwimmwinkels β durch Regressionsmodell für r, sc1 und sc2: ⎡ ⎤ das Erweitere Kalman-Filter. sc1 Im Sonderfall stationärer Kreisfahrten gilt: δ˙ = 0,v˙ = − − · ⎣ ⎦ 2si1 2si2 1 sc2 0,ψ˙ = 0,ω˙ = ψ¨ = 0,β˙ = 0. Dies vereinfacht Glei- −r2 + s2 + s2 (15) c1 c2 chungen (5) und (6), sodass diese nach Ff und Fr unter = −( 2 + 2 ) = ,..., = β si1 si2 ;i 1 n Beachtung von vc1 vcos umgeformt werden kön- nen: Dieses überbestimmte lineare Gleichungssystem wird in MATLAB mit mldivide durch Least-Squares- = lr ψ β Ff ( + ) δ ˙ mvcos (17) Verfahren gelöst. Der Lenkwinkel δ berechnet sich l f lr cos bei langsamen stationären Kreisfahrten nach [6] dann l f Fr = ψ˙ mvcosβ (18) aus dem durch diese Regression ermittelten Kreisradi- l f + lr us r als: α α l2 Für die Schräglaufwinkel f und r gelten Gleichun- δ = ±arctan (16) 2 − 2 gen (12) und (13). r lr Für jede Kreisfahrt berechnet sich jeweils ein Mess- Das Stellsignal u2 der Lenkung wird stufenweise von wert für die Seitenkräfte Ff ,r mit dem dazugehörigen ±0,3 bis ±1,0 erhöht. Für jede einzelne Kreisfahrt Schräglaufwinkel α f ,r aus diesen Gleichungen. Aus

72 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Dynamische Simulation von Mini-Fahrzeugen mit Modern C++, Boost-Odeint und Robot-Operating-System

1 Parameter Wert Datenpunkte l f Vorderachse zu COG 49 mm 0.5 Regression lr Hinterachse zu COG 50 mm

[N] 0 l Radstand 99 mm f F m Masse 132 g −0.5 J Massenträgheitsmoment 192 · 10−6 kgm2

−1 Tt Totzeit der Stellsignale 40 ms −0.5 0 0.5 α T Zeitkonstante 800 ms f [rad] Längsdynamik 1 k Verstärkungsfaktor 4,5m/s Datenpunkte Längsdynamik 0.5 Regression Tabelle 2: Modellparameter des Mini-Z-Fahrzeuges

[N] 0 r F −0.5 5 Modell in Modern C++

−1 −0.5 0 0.5 In MAD ist der ROS-Knoten carsim_node zur Simu- lation der Fahrdynamik in C++14 unter Verwendung αr [rad] von Boost-Odeint implementiert (siehe Abbildung 1). Abbildung 4: Reifenkennlinie des Vorder- und Hinterrads Der folgende Codeausschnitt zeigt den wesentlichen Teil der C++-Klasse zur Simulation des Fahrdyna- mikmodells aus Abschnitt 3. Die Methode step liest insgesamt 50 Kreisfahrten mit jeweils verschiedenen die Eingangssignale ein, berechnet einen Simulations- Geschwindigkeiten und Lenkwinkeln ergeben sich die schritt mit Runge-Kutta 4. Ordnung und gibt die Aus- Datenpunkte nach Abbildung 4. gangssignale aus. Das Runge-Kutta-Verfahren von Boost-Odeint ruft unterlagert den C++-Funktor () Mithilfe des MATLAB-Befehls lsqnonlin erfolgt auf, der die rechte Seite des Fahrdynamikmodells (1)- eine nichtlineare Regression der Reifenkennlinien (6) implementiert. Diese Repräsentation eines zeit- (11) durch das Least-Squares-Verfahren mit der kontinuierlichen Zustandsraummodells in C++ erfolgt Levenberg-Marquardt-Methode. Die resultierenden auf vergleichbar hohem Abstraktionsniveau wie eine Reifenparameter sind in Tabelle 1 aufgeführt. entsprechende Modellierung in MATLAB/Simulink.

Vorderrad Wert Hinterrad Wert using StatesType = std :: array ; CarParameters const ∗ const p { B f 0,025 Br 0,0014 CarParameters ::p() }; float t { 0.0F }; Cf 114,3442 Cr 16,398 StatesType x { {} }; D 0,8136 D 135,9653 boost :: numeric :: odeint :: runge_kutta4 < f r StatesType> solver ;

Tabelle 1: Magic-Formula-Parameter void step (const InputsType& u, OutputsType& y) noexcept {... Die verbleibenden Parameter des Fahrdynamikmo- solver . do_step ( boost :: ref (∗ this ) , x, t , − dells sind in folgender Tabelle 2 zusammengefasst. p >Ta ) ; ... } Der Radstand l sowie die Abstände l f und lr des Schwerpunktes zu den jeweiligen Achsen werden void operator () (const StatesType& x, geometrisch vermessen. Die Masse m wird gewogen. StatesType& xd, const float t ) noexcept Das Massenträgheitsmoment J um die Gierachse im {... xd . at (0) = −Ff ∗ std :: sin( delta ) / p−>m Schwerpunkt wird an einem Schwingungsprüfstand +x.at(5)∗ x.at(4) der Hochschule Heilbronn gemessen. +(−x.at(0) + p−>k ∗ u) / p−>T ;

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 73 Dynamische Simulation von Mini-Fahrzeugen mit Modern C++, Boost-Odeint und Robot-Operating-System

xd.at(1) = x.at(0) ∗ std :: cos(x. at (3) ) Betrieb von simulierten und realen Fahrzeugen, womit − x.at(5) ∗ std :: sin (x. at (3) ) ; ein ﬂexibler Aufbau komplexer Fahrszenarien mög- ∗ xd.at(2) = x.at(0) std :: sin (x. at (3) ) lich ist. In Verbindung mit der objektorientierten Re- +x.at(5)∗ std :: cos(x. at (3) ) ; xd.at(3) = x.at(4); präsentation der einzelnen Fahrzeuge und der Fahr- xd . at (4) = ( Ff ∗ p−>lf ∗ std :: cos( delta ) zeugumgebung steht mit MAD und MODBAS-Safe − Fr ∗ p−>lr ) / p−>J ; [1] eine modellbasierte Softwareentwicklung für auto- xd . at (5) = ( Ff ∗ std :: cos( delta ) + Fr − p−>m ∗ x.at(0) ∗ x.at(4)) / p−>m ; matisiertes Fahren in Modern C++ [8] zur Verfügung. ... } Literatur

6 Visualisierung in 3D [1] Daniel Tuchscherer and Frank Tränkle. A Multi- Platform Modern C++ Framework for Safety- Eine der Zielsetzungen des Projekts besteht in der Vi- Critical Embedded Software. To appear in em- sualisierung in 3D. Diese geht über die Visualisierung bedded world Conference 2018. mit MATLAB oder ROS deutlich hinaus, denn sie er- [2] Ansgar M. Meroth, Frank Tränkle, Bastian F. möglicht es dem Betrachter, sich virtuell in eines oder Richter, Marco Wagner, Michael Neher, and Jo- mehrere der Fahrzeuge zu setzen, über ihnen mitzu- chen Luling. Functional Safety and Development fliegen oder an jedem beliebigen Punkt in der Szene Process Capability for Intelligent Transportation eine Kamera zu fixieren. Zudem erlaubt sie die Ein- Systems. IEEE Intelligent Transportation Systems blendung von Berechnungsdaten, z. B. Trajektorien in Magazine, 7(4):12–23, 2015. einer für die Betrachter ästhetisch hochwertigen Wei- se. Schließlich kann das gesamte visualisierte Modell [3] Marcus Almén. LIU Racetrack. http: in eine virtuelle Welt eingebettet werden. Die Visuali- //www.isy.liu.se/edu/projekt/tsrt10/ sierung erfüllt damit pädagogische Zwecke, z. B. auf 2016/racetrack/index.html, 2016. Zugriff Messen. Unreal ist eine Game-Engine, die bereits seit am 18. Nov. 2017. 1998 auf dem Markt ist. Sie wurde für Ego-Shooter- Spiele entwickelt und liegt derzeit in Version 4.18 vor. [4] Alexander Liniger, Alexander Domahidi, and Im Zusammenhang mit der Visualisierung von Ver- Manfred Morari. Optimization-Based Autono- kehrssituationen wird sie bereits an anderer Stelle ein- mous Racing of 1:43 Scale RC Cars. Optimal gesetzt (z. B. bei [7]). Die Engine unterstützt u. a. ei- Control Applications and Methods, 36(5):628– ne C++-Schnittstelle unter Windows und Linux. Um 647, 2015. live auf die Daten der Fahrzeuge (Position und Orien- [5] Hans B. Pacejka. Tire and Vehicle Dynamics. El- tierung) sowie Trajektoriendaten zugreifen zu können, sevier, 2012. wurde innerhalb eines Masterkurses ein ROS-Knoten implementiert, der direkt die Engine steuert. Aufgrund [6] Bardini R. Schramm D., Hiller M. Modellbildung des Publisher-Subscriber-Mechanismus von ROS ist und Simulation der Dynamik von Kraftfahrzeu- es nun möglich, mehrere Anzeigen parallel aus ver- gen. Springer Vieweg, 2 edition, 2013. schiedenen Blickwinkeln zu betreiben, auf denen Fea- [7] M. Tschentscher, B. Pruß, and D. Horn. A simu- tures der Szene ein- oder ausgeblendet werden kön- lated car-park environment for the evaluation of nen. video-based on-site parking guidance systems. In 2017 IEEE Intelligent Vehicles Symposium (IV), pages 1571–1576, June 2017. 7 Zusammenfassung [8] Daniel Tuchscherer, Alexander Weibert, and Frank Tränkle. Modern C++ as a Modeling Lan- Das Fahrdynamikmodell mit den identifizieren Para- guage for Automated Driving and Human-Robot metern weist eine hohe Genauigkeit auf, sodass wie- Collaboration. In Proceedings of the ACM/IEEE derholbare MiL- und SiL-Tests der Softwarefunktio- 19th International Conference on Model Driven nen fürs automatisierte Fahren eine hohe Aussage- Engineering Languages and Systems, pages 136– kraft haben. Die Softwarearchitektur von Mini-Auto- 142. ACM, 2016. Drive (MAD) ermöglicht weiterhin einen simultanen

74 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Towards State of the Art in open-set Face Identification

Oliver Huettner1, Carsten Lanquillon2, Sigurd Schacht Heilbronn University of Applied Sciences, Business Information Systems [email protected] 2 [email protected]

Face recognition methods have been existed since decades while there are still many challenges that have to be mastered. The standard benchmark database for unconstrained face verification (1:1 matching), namely LFW provides an overview of the best performing methods, which have reached almost perfect recognition results. However, open-set face identification (1:N with unknown subjects) turned out being a great challenge for today’s methods. Our work provides an overview of methods that have been established since the Face in Video Evaluation (FIVE) report which was carried out in 2015. We found only few algorithms that consider open-set face identification, all of them seem to not be able handling critical real-world scenarios like detecting criminal suspects as that requires a small False Alarm Rate. The provided methods consider a high False Alarm Rate and / or deliver insufficient results regarding the accuracy. A comparison is possible only in a limited way, that’s why we propose for future work an establishment of a new standard benchmark database.

1 Introduction The results of this work are especially addressed to practitioners who want to enable face recognition in Face (or facial) recognition systems have been im- real scenarios with the right approach. portant to research as well as practitioners for several decades. Early approaches to localize and recognize faces in images date back more than 25 years [1]. How- 2 Research Challenges & Criteria ever, there are still max open challenges to master. 2.1 Research Challenges Face recognition based on frontal views has improved significantly within the last decades, but views from Face recognition in uncontrolled environments meets different angles as well as aging or other factors that different challenges that have to be mastered. Accord- influence a person’s looks can be arduous and error- ing to [3] one of the greatest challenges is illumination prone [2]. In this paper, we focus on face recognition variation. It affects the rate of identifying significantly for uncontrolled environments like it is often needed in by influencing attributes such as color and shape. The practical implementations. article names several approaches to alleviate this problem. A current method (Multi-Scale Retinex) for re-il- Based on a literature review on the state of the art in luminating the images reaches a high success for rec- this field, we provide an overview of approaches ognizing faces, but cannot handle real-time-processing which are suitable for face recognition in uncontrolled and sufficient color enhancement [4]. environments. Additionally to illumination variation, [5] declares oc- The introduction will be followed by research chal- clusion as a great challenge in real world applications. lenges and criteria revealing which requirements exist Further challenges are: age, hair, facial expression, for face recognition in uncontrolled environments. A gender, ethnic origin [6], image resolution, pose [7]. classification of the approaches identified will point out those approaches that meet these requirements to a During our research we found that the LFW Database certain extent. The results of the classification will be is a standard benchmark for face verification (match- shown in a concept matrix to provide a good overview. ing of two given faces 1:1) and covers each of these 1 Finally, a critical assessment of the approaches and a challenges at least partially [8]. The LFW Homepage proposal for future work conclude this paper. features a list where all documented results of tested approaches are revealed. It shows that the accuracy in face verification already has reached top performance. To date the list includes ten published approaches that

1 http://vis-www.cs.umass.edu/lfw/

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 75 Towards State of the Art in open-set Face Identification

reach an accuracy better than 0.95 while FaceNet [9] been found. If neither is allocated, i.e., the similarity is the best performing approach with an accuracy of measurement was not explicitly revealed. 0.9963. Performance Further investigation let us come across a study named Regarding performance information, we considered FIVE (Face In Video Evaluation) [10] which revealed accuracy and false alarm rate (FAR). In some litera- the actual challenge in face recognition for practical ture, the FAR was not revealed. Without the FAR the usage: open-set (including unknown identities) face accuracy is not meaningful, that’s why we have left it identification (1:N allocating) in an uncontrolled envi- off in that case. ronment featuring non-cooperative subjects. The study shows that submitted prototypes can’t provide high ac- 3 Classification of Methods curacy within these constraints. Figure 1 shows the results of the classification. It is We then focused on looking for approaches that con- remarkable that none of the methods follows a pure sider an open-set face identification in their work. We structural approach, but there are many holistic ap- limited our search to literature that is not older than proaches. 2015 as we assume the FIVE study covers state of the art of the year it was undertaken.

2.2 Criteria The following criteria are the basis for the classification of algorithms.

Approach An algorithm can either be holistic, structural or hybrid [11]. The holistic approach identifies a face due to its whole representation while the structural approach locates relevant regions within the face. A hybrid approach uses both inputs.

Database This Criterion reveals which database (under open-set Figure 1. Classification of Methods evaluation) was used for evaluating the algorithm(s). Besides open available databases there also could Even though LFW recommends following the given have been used own (publicly unavailable) images or verification evaluation protocol, the provided methods videos for evaluating. Within the classified methods (which chose LFW for evaluation) test it with an open- there always have been used open available dataset identification evaluation protocol. We can’t declare bases. which database fits best to real world applications and therefore practical usage. But we want to reveal the Used Algorithm number of images and individual subjects that are in- A face recognition method is often based on existing cluded. LFW contains 13,233 images from 5,749 peo- algorithms that enhance the existing solution. Usually ple as a whole from whom 1,680 people provide two these algorithms are named within the literature. This or more images. The CMU Multi-PIE Face database2 category shall reveal which commonly known algo- contains more than 750,000 images from 337 people. rithms have been used. 3 The MegaFace (Challenge 1) database provides more than one million images from 690,572 people and Similarity Measure therefore is the database with the greatest amount of The similarity of two classes can be acquired by dif- people and images out of the methods we classified. ferent measurement methods, e.g. Chi Square, Borda The UCCS dataset contains more than 70,000 images Count etc. [12]. Within the classified methods, only cosine similarity and an unnamed own approach have of (hand cropped) face regions with more than 4,000

2 http://www.cs.cmu.edu/afs/cs/project/PIE/MultiPie/Multi- 3 http://megaface.cs.washington.edu Pie/Home.html

76 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Towards State of the Art in open-set Face Identification

people [13]. This dataset is the only one out of these The Multi-class Fukunuga Koontz Discriminant Anal- that mainly includes images of non-cooperative sub- ysis (FDKA) approach has an accuracy between 0.693 jects and therefore features the greatest challenge. and 0.733 (at a FAR of 0.001) depending on the joined algorithm [17]. The best result is given with UDP. Most of the given methods used convolutional neural networks (CNN) [13]–[16]. Four methods included The method with the highest documented accuracy is Linear Discriminant Analysis (LDA) [13], [16], [17] DeepID3 [14]. The FAR is at 0.01 which is like we ear- and three methods considered Principal Component lier found too high for some real-world applications Analysis (PCA) within their approach [13], [14], [16]. with practical usage. Hence it may not be the best Others are Joint Bayesian [14], Unsupervised Discri- choice and should be tested further. minant Projection (UDP), Locality Preserving Projec- Open-Set Sparse Representation and Collaborative tions (LPP) [17], Extreme Value Machine (EVM) [13], Representation Classification (OSSR + CRC) is pro- [16] and Local Binary Pattern (LBP) [13]. CNNs as posed by [19]. There is no exact accuracy at a given well as PCA and LDA has existed for more than 20 FAR revealed. The authors only provide a graphical years. The broad usage of these algorithms reveals that overview showing the accuracy depending on the per- they can still perform very well and are often the base centage of used images in gallery. With rising number for a successful approach. The challenging task of face of used images the accuracy gets better. At 100% identification in an open-set evaluation seems to be (which makes it a closed-set identification) the accu- mastered in a more or less sufficient way by these al- racy is about 94%. With only 10% used images the gorithms. It may also represent that there are too few mean accuracy is about 71%. The FAR is not men- alternatives that have better performance. tioned in their work. The cosine similarity measurement seems to be the The performance of the four compared methods of standard measurement method when it comes to open- [13], namely Baseline, LqfNet, UCCS and CVSSP is set face identification. Caused by missing alternatives represented in a graphical overview. The FAR is not within the given methods we can’t show up if other revealed, only an absolute number of false identifica- measurements would yield better results. tions on x-axis is given. The FAR cannot be calculated When it comes to accuracy it is inconclusive which as they have not determined the amount of unknown method performs best as the considered False Alarm people. Hence the results are not comparable to other Rates (FAR) differ. A FAR of 0.01 means, one out of methods as long as the number of unknown identities 100 unknown persons is erroneously assigned to a is unclear. known person. Needless to say, if the FAR is higher, the accuracy usually rises, if the FAR is lower, the ac- 4 Conclusion curacy decreases. In [16] an example with a surveil- We analyzed the state of the art in face recognition for lance system reveals the critical aspect of a low FAR: scenarios that require the evaluation task in form of If the gallery contains criminal suspects and a surveil- open-set face identification. The 2015 FIVE reports al- lance of a public place detects 100 persons a minute, ready revealed a huge gap in performance of face one false alarm would occur per minute. recognition algorithms that are confronted with open- Depending on the intended use of the system it is es- set identification and additionally non-cooperating sential to determine the FAR and if necessary (due to subjects. Our findings underline their results, revealing missing documented results with the determined FAR) that current methods for face recognition cannot han- test the method. dle open-set identification with a sufficient perfor- The SphereFace method [15] is the only one that con- mance regarding critical scenarios like detecting crim- siders a very small FAR with a false alarm in one out inal suspects. Sufficient accuracy can only be achieved of one million unknown persons. At the same time, it at a high False Alarm Rate which leads to huge costs provides sufficient accuracy compared to the other (e.g. hours of work by arresting wrong persons) and methods. The worst results are delivered by the three inacceptable distress of non-criminal people. methods of [16] at a high FAR (0.01). All these meth- Furthermore, within our work we could not fully com- ods are based on the VGG face network which uses pare the provided methods. As the recommendation of CNN [18] and then are enhanced by EVM, LDA or an approach needs to be founded on comparison using simply cosine similarity for measurement. consistent measurements, they have to be tested at the

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 77 Towards State of the Art in open-set Face Identification

same False Alarm Rate and in best case on the same pp. 286–300, 2017. dataset. However, while none of the methods with the [7] S. P. Mudunuri and S. Biswas, “Low given results is suitable for critical real world applica- Resolution Face Recognition Across tions we find that this may not have first prioritization. Variations in Pose and Illumination,” IEEE The literature search was done on IEEE. SpringerLink, Trans. Pattern Anal. Mach. Intell., vol. 38, no. 5, pp. 1034–1040, 2016. Google Scholar and Emerald Insight. We searched in title or (when provided) metadata. We didn’t search [8] F. Moya Rueda, R. Grzeszick, and G. A. Fink, full-text and may have missed some works with signif- “Neuron pruning for compressing deep icant findings. However, other works also confirm the networks using maxout architectures,” Lect. lack of methods for open-set face identification [10], Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes [16]. Bioinformatics), vol. 10496 LNCS, pp. 177– For future work, we suggest establishing a standard 188, 2017. benchmark database for open-set face identification [9] F. Schroff, D. Kalenichenko, and J. Philbin, with non-cooperative subjects as the next generation of “FaceNet: A unified embedding for face LFW. If a standard benchmark is given, a fair compar- recognition and clustering,” Proc. IEEE ison of existing algorithms will lead to transparent per- Comput. Soc. Conf. Comput. Vis. Pattern formance. Hopefully this will provide faster research Recognit., vol. 07–12–June, pp. 815–823, results as researchers can focus on the best performing 2015. algorithms to enhance or outperform them. [10] P. Grother, G. Quinn, M. Ngan, Information Access Division, and Information Technology 5 References Laboratory, “Face In Video Evaluation (FIVE) Face Recognition of Non-Cooperative [1] M. a. Turk and A. P. Pentland, “Face Subjects,” Natl. Inst. Stand. Technol., 2017. Recognition Using Eigenfaces,” Journal of Cognitive Neuroscience, vol. 3, no. 1. pp. 72– [11] W. Zhao, R. Chellappa, P. J. Phillips, and a 86, 1991. Rosenfeld, “Face recognition: A literature survey,” Acm Comput. Surv., vol. 35, no. 4, [2] K. S. Devi, “GBU Based Face Recognition pp. 399–458, 2003. Techniques : A Review,” pp. 4–7, 2017. [12] J. Ruiz-Del-Solar, R. Verschae, and M. [3] K. S. Prado, N. T. Roman, V. F. Silva, J. L. Correa, “Recognition of faces in Bernardes, L. A. Digiampietri, E. M. Ortega, unconstrained environments: A comparative C. A. M. Lima, L. M. V. Cura, and M. M. study,” EURASIP J. Adv. Signal Process., vol. Antunes, “Automatic facial recognition: A 2009, no. iv, 2009. systematic review on the problem of light variation,” Lect. Notes Comput. Sci. [13] M. Günther, P. Hu, C. Herrmann, C. H. Chan, (including Subser. Lect. Notes Artif. Intell. M. Jiang, S. Yang, A. R. Dhamija, D. Lect. Notes Bioinformatics), vol. 9732, pp. Ramanan, J. Beyerer, J. Kittler, M. Al 211–221, 2016. Jazaery, M. I. Nouyed, G. Guo, C. Stankiewicz, and T. E. Boult, “Unconstrained [4] A. A. S. Gunawan and H. Setiadi, “Handling Face Detection and Open-Set Face illumination variation in face recognition Recognition Challenge,” 2017. using multiscale retinex,” 2016 Int. Conf. Adv. Comput. Sci. Inf. Syst. ICACSIS 2016, [14] Y. Sun, D. Liang, X. Wang, and X. Tang, pp. 470–475, 2017. “DeepID3: Face Recognition with Very Deep Neural Networks,” pp. 2–6, 2015. [5] A. S. Huwedi and H. M. Selem, “Face Recognition using Regularized Linear [15] W. Liu, Y. Wen, Z. Yu, M. Li, B. Raj, and L. Discriminant Analysis under Occlusions and Song, “SphereFace: Deep Hypersphere Illumination Variations,” Proc. 2016 4th Int Embedding for Face Recognition,” pp. 6738– Conf Control Eng. Inf. Technol. (CEIT- 6746, 2017. 2016), no. December 2016, 2016. [16] M. Gunther, S. Cruz, E. M. Rudd, and T. E. [6] C. Guzel Turhan and H. S. Bilge, “Class-wise Boult, “Toward Open-Set Face Recognition,” two-dimensional PCA method for face IEEE Comput. Soc. Conf. Comput. Vis. recognition,” IET Comput. Vis., vol. 11, no. 4, Pattern Recognit. Work., vol. 2017–July, pp.

78 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Towards State of the Art in open-set Face Identification

573–582, 2017. [17] F. Juefei-Xu and M. Savvides, “Multi-class Fukunaga Koontz discriminant analysis for enhanced face recognition,” Pattern Recognit., vol. 52, pp. 186–205, 2016. [18] O. M. Parkhi, A. Vedaldi, and A. Zisserman, “Deep Face Recognition,” Procedings Br. Mach. Vis. Conf. 2015, no. Section 3, p. 41.1- 41.12, 2015. [19] A. Moeini, K. Faez, H. Moeini, and A. M. Safai, “Open-set face recognition across look- alike faces in real-world scenarios,” Image Vis. Comput., vol. 57, pp. 1–14, 2017.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 79 80 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Mechanische CAD-Simulationsverfahren; Anlagen-Engineering mit DMU

Prof. Dr. W. Kalliwoda Hochschule Heilbronn [email protected]

Der Beitrag beinhaltet einen anwendungsorientierten Überblick zu ausgewählten CAD-Simulations- verfahren, die auch in der Lehre Anwendung finden können.

1 Einleitung Die realistische Darstellung eines komplexen Produk- tes im Rechner, wie z. B. der von Großanlagen in der chemischen Industrie, wird als „Digital Mock Up“ - wörtlich übersetzt „Nachbildung“ - bezeichnet. Seit einigen Jahren entwickeln Hersteller ihre An- lagensysteme und deren Komponenten mit Hilfe von Gewerke übergreifender 3D-CAD-Software, beispielsweise mit dem Programmsystem CATIA V5. Die dabei entstehenden CAD-Modelle werden als virtuelles Produkt bezeichnet. Das virtuelle Produkt kann mithilfe von Simulationswerkzeugen in vielerlei Hinsicht visualisiert und analysiert werden [1].

2. DMU im Apparatebau 2.1 Montagesimulation

Applikation: CATIA V5-DMU Fitting

Die Anwendung ermöglicht eine Definition und Si- Abbildung 1. Wärmetauscher im Zusammenbau (o.) und mulation von Montage- und Demontageprozessen. in seine Einzelteile zerlegt (u.) Damit kann in der Entwicklungsphase eines Produkts

die Passgenauigkeit der Komponenten zueinander geprüft werden, um Aussagen zur Funktionsfähigkeit 2.2 Kinematiksimulation zu treffen. Gleichzeitig lässt sich mit der Methode Applikation: CATIA V5-DMU Kinematik eine Kollisionsanalyse erstellen um unerwünschte Bauteildurchdringungen zu visualisieren. Die Anwendung ermöglicht eine Definition und Si- mulation mechanisch bewegter Massen. Durch die Bewegungssimulation können mögliche Bauteilkolli- sionen analysiert und im laufenden Konstruktions-

prozess behoben werden, um auftretende Störfälle im Betrieb zu vermeiden und die Anlagensicherheit zu gewährleisten.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 81 Mechanische CAD-Simulationsverfahren; Anlagen-Engineering mit DMU

4. Simulation ressourcengerechter Fertigung

Applikation: SolidWorks Sustainability

Umweltverträglichkeit steht für Hersteller immer mehr im Fokus bei der Entwicklung und Herstellung von Maschinen und Anlagen. Ziel der umweltgerech- ten Produktentwicklung ist es, in der Entwicklungs- phase des rechnergestützten Konstruierens eine Um- weltverträglichkeitsprüfung in Echtzeit unter Zuhilfe- nahme einer umfassenden Lebenszyklusdatenbank durchzuführen. Die Suche nach alternativen Werkstoffen und den daraus resultierenden Angaben zur Umweltauswir-

kung, wie z.B. der CO2 Emission und des Energie- verbrauchs werden in Abhängigkeit des Herstellver-

fahrens und den Einflussgrößen bei der Produktnut- Abbildung 2. Rührwerksreaktor zung berechnet und protokolliert.

Für das im Folgenden dargestellte Lüfterrad eines

Axialventilators wurde der Laufradwerkstoff von PA6 3. Simulation der Bauteilfestigkeit auf POM geändert. Die Einsatzzeit des Laufrads ist auf 5 Jahre und die tat. Betriebszeit auf 1 Jahr festge- Applikation: (CATIA V5) Generative Structure Ana- legt. lysis [2]

Die Finite-Elemente-Methode (FEM) hat sich zu einem Standardverfahren der numerischen Simulation entwickelt. Anspruchsvolle und aufwändige Berech- nungen die vor Jahren noch mit dem Großrechner durchgeführt wurden, sind heute mit einem gut aus- gestatteten PC möglich. Die Methode beinhaltet die Erstellung eines Simulationsmodells (Pre- Processing), die Durchführung der Berechnung und die Auswertung und Darstellung der Ergebnisse (Post Processing). Die Plausibilität von berechneter Span- nung und Verformung wird durch elementaren Fes- tigkeitsnachweis an einem Beispiel aus der Statik nachgewiesen. Abbildung 4. Lüfter-Gebläse mit substituiertem Laufrad- werkstoff: CO2 Reduzierung von 34%, Energieverbrauch: -28%

Literaturquellen [1] O. Abeln: Die CAX-Techniken in der industriellen Praxis, Carl Hanser Verlag

[2] W. Koehldorfer: CATIA V5 Volumenmodellie- rung, Carl Hanser Verlag Abbildung 3. Stützträger unter Streckenlast

82 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Predictive Convolutional Autoencoding: Anomalieerkennung für eine automatisierte bildgestützte Qualitätsprüfung

Carsten Lanquillon1, Jerome Tagliaferri, Marina Früh, Jananika Ragunathan, Inna Nenja 1Hochschule Heilbronn, Business Information Systems

[email protected]

Um eine bildgestützte Qualitätsprüfung stärker zu automatisieren, werden Fehler als Anomalien durch einen Predictive Convolutional Autoencoder erkannt. Der Autoencoder stellt ein Modell der Normalität dar, das ausschließlich auf fehlerfreien Bildern erlernt wird. Während fehlerfreie Bilder sehr gut repro- duziert werden können, bekommt der Autoencoder Probleme, sobald Anomalien vorliegen. Fehler werden als somit als Abweichungen zwischen den Originalbildern und deren Rekonstruktionen erkannt. Die Funk- tionsweise dieses Ansatzes der Anomalieerkennung wird anhand von zwei Datensätzen demonstriert.

1 Einleitung möglich, bekannte Fehlerfälle zur Optimierung der Entscheidungsfindung zu verwenden [13]. Die automatisierte Qualitätsprüfung mit Hilfe von Ein Nachteil der meisten bekannten Ansätze zur Bildern [1] hat bereits eine lange Historie [2–6]. Aus automatisierten Qualitätsprüfung ist die meist sehr Sicht des maschinellen Lernens lässt sich die Qual- aufwendige manuelle Merkmalserzeugung aus den itätsprüfung als überwachtes Klassifikationsproblem Rohdaten der Bilder als Eingabe für die maschinellen mit einer IO-Klasse und einer oder mehreren Fehlerk- Lernverfahren. Dies begrenzt den möglichen Grad lassen auffassen [7–11], oder aber als Anomalieerken- der Automatisierung erheblich. Eine Abhilfe stellen nung mit zumeist unüberwachten Lernverfahren [6]. Deep-Learning-Verfahren dar, die eigenständig eine Dabei gilt die IO-Klasse als „normal“ und die NIO- geeignete Repräsentation erlernen können. Bei der Klasse als Anomalie, die es als Abweichung von der Bildverarbeitung zeichnen sich dabei insbesondere zu spezifizierenden bzw. zu erlernenden Normalität Convolutional Neural Networks (CNNs) aus, die zu erkennen gilt [12]. eine translationsinvariante Erkennung von Mustern bei begrenztem Parametersuchraum ermöglichen [14]. CNNs kommen in der bildgestützten Qualitätsprüfung bislang überwiegend in Form überwachter Klassifika- 2 State-of-the-Art tion zum Einsatz [15–19].

Mit hinreichend vielen positiven und negativen Lernbeispielen sind überwachte Lernverfahren den unüberwachten hinsichtlich der Erkennungsleistung 3 Vorgehensweise auf Grund der zusätzlichen Information durch die Kennzeichnung bekannter Klassen überlegen [5]. Die Idee der automatischen Merkmalserzeugung wird hier in Form eines Convolutional Autoencoders Bei der Qualitätsprüfung liegt meist eine sehr schiefe (CAEs) als unüberwachtes oder vielmehr selbst- Klassenverteilung vor. Auch können einige Fehler- überwachtes Verfahren aufgegriffen und als predictive arten während der Lernphase noch unbekannt sein Autoencoder [13] zur Fehlererkennung erweitert. und erst in der Anwendungsphase erstmalig auftreten. Daher ist die Qualitätsprüfung mit unüberwachter Ein CAE kann durch die automatische Extraktion rel- Anomalieerkennung sinnvoll. Dabei ist es dennoch evanter Merkmale Bilder kompakt darstellen (Kom-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 83 Predictive Convolutional Autoencoding: Anomalieerkennung für eine automatisierte bildgestützte Qualitätsprüfung

Abbildung 1: Architektur des Convolutional Autoencoder

pression) und rekonstruieren (Dekompression) wie in Mit Ausnahme der letzten Schicht wird stets eine Abbildung 1 dargestellt. Das unüberwachte bzw. eher Rectified-Linear-Unit (ReLU) als Aktivierungsfunk- selbst-überwachte Lernverfahren basiert dabei nur auf tion verwendet [22]. In der letzten Schicht, in der das Bildern, die keine Fehler enthalten und versucht die Originalbild rekonstruiert wird, kommt die sigmoid- Normalität möglichst gut zu rekonstruieren. Aktivierungsfunktion zum Einsatz. Es wird angenommen, dass in der späteren Anwen- Nach den beiden Convolutional-Blöcken folgen zwei dung ein fehlerfreies Bild besser und genauer rekon- vollständig verbundene Neuronen-Schichten (Fully- struiert werden kann als ein Bild mit Fehlern. Im Ide- Connected-Schichten), die durch eine Dropout- alfall fehlt der fehlerhafte Bildausschnitt beim rekon- "Schicht" mit einer Quote von 50% getrennt sind. struierten Bild komplett und führt folglich zu einer Die letzte Fully-Connected-Schicht mit sigmoid- größeren Abweichung der Rekonstruktion vom Orig- Aktivierungsfunktion enthält für die Rekonstruktion inalbild. Mit bekannten Fehlerfällen kann deshalb in der Originalbilder genau ein Neuron für jedes Pixel. einem zweiten überwachten Schritt die Klassifikation Die erste Fully-Connected-Schicht enhält dagegen nur in fehlerfrei und fehlerhaft erfolgen, indem ein opti- 50% der durch die Bildgröße vorgegebenen Neuro- maler Schwellwert für die Güte der Bildrekonstruk- nenanzahl und erzwingt zusammen mit der letzten tion definiert als Summe der quadrierten punktweisen Dropout-"Schicht" eine Kompression der Original- Abweichungen der Rekonstruktion vom Originalbild bilder. bestimmt wird. Durch den letzten Schritt wird der Als Loss-Funktion wird der mittlere quadratische klassische CAE zum predictive CAE. Fehler (mean squared error) verwendet, der die Ab- weichungen zwischen den Originalbildern und ihren Rekonstruktionen zweckmäßig berechnet. Optimiert wird nach der Methode ADADELTA mit adaptiver 4 Architektur Lernrate [23] mit Mini-Batches der Größe 32. Eine für die jeweilige Aufgabenstellung in Abhängigkeit Beim Aufbau eines geeigneten neuronalen Netzes gibt der Größe und Art der Bilder angemesene Anzahl an es unzählige Gestaltungs- und Wahlmöglichkeiten Epochen wird interaktiv festgelegt. und gilt daher immer noch als Kunst. Die Architek- tur unseres Convolutional Autoencoders (CAE) orientiert sich stark am VGGNet [17] und ist mit seinen 5 Evaluierung verschiedenen Schichten in Abbildung 1 dargestellt. Es werden insgesamt vier 2D-Convolutional- Die Überprüfung des Ansatzes zur Erkennung von Schichten mit Filtern der Größe 3x3 kombiniert. In Anomalien mit Convolutional Autoencoding mit der den ersten beiden Convolutional-Schichten werden je oben beschriebenen Architektur erfolgt basierend auf acht Filtern eingesetzt und in der dritten und vierten zwei Datensätzen. Zum einen wird eine erweiterte Schicht je 16 Filter. Nach jeweils zwei Convolutional- Version der MNIST-Datenbank für handgeschriebene Schichten wird eine 2D-Max-Pooling-Schicht mit Ziffern verwendet [24] und zum anderen kommt der nicht überlappenden 2x2-Pooling-Fenstern [20] und vierte Datensatz für die Erkennung von Defekten in eine Dropout-"Schicht" mit einer Quote von 25% zur Bildern des Heidelberg Collaboratory for Image Pro- Regularisierung des Netzes eingesetzt [21]. cessing (HCI) zum Einsatz [25].

84 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Predictive Convolutional Autoencoding: Anomalieerkennung für eine automatisierte bildgestützte Qualitätsprüfung

5.1 Erweiterte MNIST-Datenbank

Die bekannte MNIST-Datenbank enthält normierte graustufen Bilder mit 28x28 Pixeln von handgeschrieben Ziffern und entsprechende Klassenlabel für die reguläre Klassiﬁkationsaufgabe. Wir verwenden die 60,000 Bilder der Trainingsmenge ohne Klassenlabel, um das CAE-Normalitätsmodell zu erlernen. 50 Epochen genügen bereits, dass die Originalziffern gut rekonstruiert werden können. Dies Abbildung 3: Originale mit Anomalien (obere Zeile) und wurde anhand der vorher nicht verwendeten Testdaten deren Rekonstruktionen (untere Zeile) nach einer Lern- überprüft. phase mit 50 Epochen. Der CAE hat wie vermutet Schwierigkeiten bei der Rekonstruktion von Anomalien. Um die Fähigkeit des CAE zur Anomalieerkennung Mit Ausnahme des Überlappungsbereichs bei der zweiten zu überprüfen, werden jedoch Bilder mit Anomalien Anomalie von rechts und der daraus resultierenden starken benötigt. Dazu haben wir Ziffern mit Anomalien wie Ähnlichkeit zu einer 8 sind die Anomalien kaum noch in Abbildung 2 dargestellt künstlich erzeugt und die erkennbar. Testdaten damit ergänzt.

In unserem Szenario verwenden wir zum Erlernen des CAE-Normaliätsmodells ausschießlich die 493 Bilder aus den Trainingsdaten ohne Anomalien. Zur effektiv- eren Nutzung der begrenzten Ressourcen, wurden die Bilder auf 128x128 Pixel skaliert. Abbildung 4 zeigt zwei Bilder des HCI-Datensatzes 4 mit Anomalien. Abbildung 2: Ziffern mit Anomalien (rot umrandet).

Abbildung 3 zeigt die ursprünglichen Ziffern mit Anomalien und deren Rekonstruktion durch den CAE nach einer Lernphase mit 50 Epochen. Bei einer Lern- phase mit 200 Epochen kann die Qualität der Rekon- struktion der normalen Ziffern weiter erhöht werden bei etwa vergleichbarer gewünschter Schwäche bei Ziffern mit Anomalien. Abbildung 4: HCI-Datensatz 4: Bilder mit Anomalien. Eine genauere Analyse der Rekonstruktionsgüte zeigt, dass die Summen der quadrierten punktweisen Dif- In einem Testlauf mit nur 12 Bildern und 500 Epochen ferenzen zwischen Originalen und Rekonstruktionen zeigt sich, dass der CAE prinzipiell die aufgrund der bei den normalen Ziffern sämtlich im Interval [0;1] Textur deutlich komplexeren Bilder zufriendenstel- liegen (Mittelwert 0.02 ± 0.07). Bei den Ziffern lend rekonstruieren kann und etwaige Bildausschnitte mit Anomalien sind die entsprechenden Summen um mit Anomalien dabei auch entfernt wie in Abbildung 5 mehr als Faktor 103 größer und somit leicht als zu erkennen. Anomalien identiﬁzierbar.

5.2 HCI-Datensatz 4

Das Heidelberg Collaboratory for Image Processing (HCI) stellt verschiedene Datensätze bereit, die zur Anomalieerkennung verwendet werden können. Der ausgewählte Datensatz 4 besteht für Training und Test Abbildung 5: Original mit Anomalie (links) und dessen jeweils aus 575 Graustufenbilder mit 512x512 Pixeln. Rekonstruktion (rechts) nach einem Testlauf mit 12 Bildern Sowohl Trainingsdaten als auch Testdaten enthalten und 500 Epochen. Bilder mit Anomalien.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 85 Predictive Convolutional Autoencoding: Anomalieerkennung für eine automatisierte bildgestützte Qualitätsprüfung

Abbildung 6: Originale des HCI-Datensatzes 4 zum Teil mit Anomalien (obere Zeile) und deren Rekonstruktionen (untere Zeile) nach einer Lernphase mit 200 Epochen. Der CAE hat wie vermutet Schwierigkeiten bei der Rekonstruktion von Anomalien. Allerdings ist die Rekonstruktion der Originale im Detail nicht zufriedenstellend.

Abschließend wird ein CAE-Normalitätsmodell mit Weiterführende Untersuchungen sollen zeigen, ob mit allen 493 Trainingsdaten ohne Anomalien mit 200 einer verfeinerten Architektur insbesondere mit mehr Epochen erstellt. Mit diesem wurden Bilder mit und Filtern und mit einer weiteren Erhöhung der Lern- ohne Anomalien aus den Testdaten rekonstruiert. Das dauer auch in diesen Anwendungsfällen zufriedenstel- Ergebnis ist beispielhaft anhand von vier Bildern in lende Ergebnisse erzielt werden können. Abbildung 6 dargestellt. Bildausschnitte mit Anoma- lien sind nach der Rekonstruktion wie erhofft nicht mehr erkennbar. References Allerdings ist die Qualität der Rekonstruktionen nicht zufriedenstellend. Die komplexe Textur in den [1] J. Beyerer, F. Puente Leon, and C. Frese. Au- Bildern wird nicht genau genug rekonstruiert, so tomatische Sichtprüfung: Grundlagen, Meth- dass die Abweichung zwischen Originalen und deren oden und Praxis der Bildgewinnung und Bil- Rekonstruktionen auch ohne vorliegende Anomalien dauswertung. Springer Vieweg, Berlin, Heidel- sehr groß ist. Dies führt zu erheblichen Problemen bei berg, 2. edition, 2016. der automatischen Anomalieerkennung über die Sum- [2] R. T. Chin. Automated visual inspection: 1981 men der quadrierten punktweisen Abweichungen. to 1987. Computer Vision, Graphics, and Image Processing, 41(3):346–381, 1988. [3] T. S. Newman and A. K. Jain. A survey of au- 6 Fazit tomated visual inspection. Computer Vision and Image Understanding, 61(2):231–262, 1995. Es wurde exemplarisch gezeigt, dass eine Automa- [4] E. N. Malamas, E. Petrakis, M. Zervakis, L. Pe- tisierung der Qualitätsprüfung durch Anomalieerken- tit, and J.-D. Legat. A survey on industrial vi- nung mit Convolutional Autoencoding möglich ist. sion systems, applications and tools. Image and Vision Computing, 21:171–188, 02 2003. Erwartungsgemäß unterscheiden sich die Ergebnisse je nach Anwendungsfall und der Beschaffenheit der [5] Y. Li and P. Gu. Free-form surface inspection vorliegenden Bilder. Die Rekonstruktion von Bildern techniques state of the art review. Computer- mit komplexen Texturen ist besonders problematisch. Aided Design, 36:1395–1417, 11 2004.

86 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Predictive Convolutional Autoencoding: Anomalieerkennung für eine automatisierte bildgestützte Qualitätsprüfung

[6] X. Xie. A review of recent advances in sur- [16] D. Soukup and R. Huber-Mörk. Convolutional face defect detection using texture analysis tech- neural networks for steel surface defect detec- niques. ELCVIA Electronic Letters on Computer tion from photometric stereo images. In Intelli- Vision and Image Analysis, 7(3), 2008. gent Systems and Computer Vision (ISVC), pages 668–677, 2014. [7] D. Pham and E. J. Bayro-Corrochano. Neu- ral classifiers for automated visual inspection. [17] K. Simonyan and A. Zisserman. Very deep con- In Proceedings of The Institution of Mechanical volutional networks for large-scale image recog- Engineers Part D-journal of Automobile Engi- nition. In Proceedings of the International Con- neering, volume 208, pages 83–89, 06 1994. ference on Learning Representations (ICLR), 2015. [8] C. Sanby and L. Norton-Wayne. Machine vision inspection of lace using a neural network. In [18] D Weimer, A. Yoga Benggolo, and M. Fre- Proceedings Symposium on Electronic Imaging: itag. Context-aware deep convolutional neural Science & Technology (SPIE), volume 2423, networks for industrial inspection. In Proceed- pages 314–322, 1995. ings Australasian Conference on Artificial Intel- [9] N. Guglielmi, R. Guerrieri, and G. Baccarani. ligence, Canberra, Australia, 12 2015. Neural networks techniques for the optical in- [19] D. Weimer, B. Scholz-Reiter, and M. Shpitalni. spection of machined parts. In Cornelius T. Design of deep convolutional neural network ar- Leondes, editor, Computer Aided and Inte- chitectures for automated feature extraction in grated Manufacturing Systems, volume 2, pages industrial inspection. CIRP Annals, 65(1):417– 77–106. World Scientific Publishing Company, 420, 2016. 2003. [20] I. Goodfellow, Y. Bengio, and A. Courville. [10] A. Kumar. Neural network based detection of Deep learning. The MIT Press, Cambridge, local textile defects. Pattern Recognition, 36(7): Massachusetts ; London, England, 2016. 1645–1659, 2003. [21] N. Srivastava, G. Hinton, A. Krizhevsky, [11] A. Tellaeche and B. Robles. 3d machine vision I. Sutskever, and R. Salakhutdinov. Dropout: and artificial neural networks for quality inspec- A simple way to prevent neural networks from tion in mass production pieces. In 2010 IEEE overfitting. J. Mach. Learn. Res., 15(1):1929– 15th Conference on Emerging Technologies Fac- 1958, January 2014. tory Automation (ETFA 2010), pages 1–4, Sept 2010. [22] A. Krizhevsky, I. Sutskever, and G. E. Hinton. Imagenet classification with deep convolutional [12] V. Chandola, A. Banerjee, and V. Kumar. neural networks. In Advances in Neural Infor- Anomaly detection: A survey. ACM Comput. mation Processing Systems, 2012. Surv., 41(3):1–58, Jul 2009. [13] M. A. Gluck and C. E. Myers. Hippocampal [23] M. D. Zeiler. ADADELTA: An Adaptive Learn- mediation of stimulus representation: A coming Rate Method. Computing Research Reposi- putational theory. Hippocampus, 3(4):491–516, tory, 2012. 1993. [24] Y. LeCun and C. Cortes. MNIST handwrit- [14] Y. LeCun and Y. Bengio. Convolutional net- ten digit database. 2010. URL http://yann. works for images, speech, and time-series. In lecun.com/exdb/mnist/. M.A. Arbib, editor, The handbook of brain the- [25] T. Hahn and M. Wieler. Weakly Supervised ory and neural networks, pages 255–258. MIT Learning for Industrial Optical Inspection. Press, Cambridge, MA, 1995. https://hciweb.iwr.uni-heidelberg. [15] J. Masci, U. Meier, D. C. Ciresan, J. Schmid- de/node/3616, Heidelberg Collaboratory for huber, and G. Fricout. Steel defect classifica- Image Processing, 2007. tion with max-pooling convolutional neural networks. In International Joint Conference on Neural Networks (IJCNN), pages 1–6. IEEE, 2012.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 87 88 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Einbindung von Labormodellen mit industriepraktischen Fragestellungen in der Hochschullehre

Tobias Loose1, Thomas Pospiech1 1Hochschule Heilbronn, Max-Planck-Straße 39, 74081 Heilbronn [email protected], [email protected]

Dieser Beitrag zeigt eine Reihe von industriepraktischen Anwendungen, wie sie in einer praxisorientierten Hochschullehre als Labormodelle eingebunden werden können. Hierbei werden sowohl kleine, physische Modelle als auch Simulationsmodelle exemplarisch mit industriepraktischen Fragestellungen gezeigt, z. B. Schwingungsdämpfung von Regalbediengeräten, schwappfreies Positionieren von Flüssigkeiten bei Ab- füllanlagen. Die Anwendung unterschiedlicher Methoden der Regelungstechnik werden ebenso gezeigt, wie z. B. Zustandsregelung, Entwürfe von Reglern mit klassischen Methoden wie die Auslegung mit dem Bode-Diagramm, Sollwertanpassung. Ein Vergleich der Methoden aus den unterschiedlichen Anwendun- gen lässt sich damit ebenso gut demonstrieren.

1 Einleitung In Lehrbüchern ist die theoretische Modellbildung naturgemäß die einzige Möglichkeit, um die Rege- Anspruchsvolle mathematisch-technische Fachgebie- lungstechnik zu beschreiben, siehe Abbildung 1 un- te wie Regelungstechnik begegnen Studierende aber ten und [2, 10, 11]. Damit können und werden in der auch erfahrene Ingenieure mit einem gewissen Re- heuristisches spekt. Durch die Verknüpfung vieler Disziplinen zu Modell einer funktionierenden Anlage wird die Regelungs- reale Ziel- physisches Regler- Industrie- technik daher auch gerne als Königsdisziplin gese- vorgabe Modell entwurf hen, siehe auch [2, 10, 11]. Um Studierenden darin anlage den Weg zu ebnen, eignen sich physische Modelle, theoretisches Modell um theoretische Erkenntnisse in der Praxis anzuwenden. In diesem Beitrag sind eine Reihe industrieprak- Abbildung 1: Modellbildung für den Entwurf von Reglern tischer Fragestellungen und Fallbeispiele gezeigt, die mit kleinen physischen Modellen nachgebildet wer- Industriepraxis Anlagen regelungstechnisch ausgelegt den, z.B. Schwingungsreduzierung von Regalbedien- und in Betrieb genommen. Bei „einfachen Standard-“ geräten, schwappfreies Positionieren von Flüssigkei- Industrieanlagen hat sich teilweise ein heuristisch- ten. Dabei werden theoretische Modellbildungen mit pragmatischer Reglerentwurf vor Ort an der Anla- physischen Modellen verknüpft inkl. dem darauf aufge etabliert, z. B. in Anlehnung an Verfahren nach bauenden Reglerentwurf. Es werden also industrie- Ziegler-Nichols, siehe [10]. Dem liegt aber ein heuri- praktische Anlagen als Labormodelle nachgebaut. stisches Modellverständnis zu Grunde, basierend auf theoretischen Erkenntnissen, siehe Abbildung 1 oben. Aufgrund der teilweisen abstrakt-komplexen mathe- 2 Varianten der Modellbildung matischen Beschreibung bei der theoretischen Mo- dellbildung kann mitunter die praxisnahe Anschauung Die theoretische Modellbildung ist essentiell, um ein verloren gehen. Um dem entgegen zu wirken, lassen Verständnis für die Realität aufzubauen. Daher ist in sich in der Hochschullehre physische Modelle einbin- der klassischen Hochschullehre die theoretische Mo- den, siehe Abbildung 1 Mitte und z. B. [12]. In die- dellbildung ein fester Bestandteil, um damit verschie- sem Beitrag werden physische Modelle mit Anwen- dene Entwurfsverfahren von Reglern zu behandeln. dungsbezug zur Industriepraxis als weitere Ergänzung

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 89 Einbindung von Labormodellen mit industriepraktischen Fragestellungen in der Hochschullehre

in der Hochschullehre gezeigt. Damit können Studie- sungsmodell in Abbildung 5. Hierbei haben sich meh- rende einen ersten Bezug zu industriellen Anwendun- rere regelungstechnischen Methoden etabliert, um die gen und typischen Fragestellungen herstellen, z. B. Schwingung zu reduzieren, z. B. Vorgabe bestimm- wie Schwingungen bei Regalbediengeräten reduziert ter Eingangssignale, Zustandsregler, Aufschaltungen, werden können. Lernerfahrungen und Anwendungen ausführlich in [5] beschrieben. Daneben gibt es weite- aus Sicht von Studierenden sind exemplarisch in [15] re Industriepraxis-Methoden, die die Regelstrecke op- beschrieben. timieren, z. B. zusätzlicher Antrieb an der Mastspitze, der sich an einer weiteren Schiene abstützt.

3 Physische Modelle mit Bezug Last,

zur Industriepraxis Masse mL Hubwagen Die Schwingungsdämpfung einer Krananlage ist ein typisches Beispiel für eine sehr anschauliche rege-

lungstechnische Anwendung, siehe Abbildung 2. Die Mast theoretische Modellbildung und der Entwurf eines y Zustandsreglers ist ausführlich in [2] gezeigt. Als x Fahrwerk, Masse mF physisches Modell lässt sich eine Krananlage gut in z der Hochschullehre als Laborübung integrieren, z. B. Schiene als Modellbau Anlage wie in Abbildung 3 oder als R R LEGO MINDSTORMS wie in [8] gezeigt. Abbildung 4: Prinzip eines Regalbediengerätes [5] y x Katze z Schiene φ Seil Masse

Biege-elastischer Mast Last, Energieführungskette Dehnungsmessstreifen (DMS) Masse m L Fahrwerk

Abbildung 2: Prinzip eines Krans zur Positionierung der Katze in x bei gleichzeitiger Schwingungsdämpfung in ϕ Schiene Encoder Antriebswelle, dahinter Motor und Getriebe Katze Encoder Last Encoder Katzen-Position Schiene Abbildung 5: Physisches Modell eines Regalbedienge- räts [5]

Last Schwappfreies Positionieren von Flüssigkeiten kommt in der Lebensmittel- und Pharmaindustrie zum Einsatz, siehe Abbildung 6. Diese Aufgabenstel- lung lässt sich u. a. mit LEGOR MINDSTORMSR Abbildung 3: Physisches Modell eines Krans oder mit Modellbau-Fahrzeugen nachgestalten, siehe Abbildung 7. Regelungstechnische Lösungen Ein Regalbediengerät (RBG) ist ein weiteres Bei- sind in [1, 4, 9] beschrieben, z. B. Input-Shaper spiel für eine schwach gedämpfte Industrieanlage, sie- oder Beschleunigungsrückführung anhand eines he Prinzip in Abbildung 4 und als physisches Vorle- Schätzmodells.

90 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Einbindung von Labormodellen mit industriepraktischen Fragestellungen in der Hochschullehre

Abbildung 8: Vereinfachtes Modell eines Regalbediengerä- tes zur Positionierung des Fahrzeugs in xF bei gleichzeitiger Abbildung 6: Prinzip von Abfüllanlagen [9] Schwingungsdämpfung des Mastes in xL [5]

ax $ ! $ !! yS Flüssig- $! $ Ө !! keit &%& ! !& $ # xF Fahrzeug $ " ! „Ortsfeste“ Masse der Flüssigkeit # & Ө ! !& Abbildung 7: Prinzip eines physischen Labormodells für Abbildung 9: Modell einer schwappenden Flüssigkeit [9] das schwappfreie (yS = konst.) Positionieren xF

4 Theoretische Modellbildung

Die in Kapitel 3 gezeigten Anwendungen lassen sich pragmatisch mit der Übertragungsfunktion

K · ω2 Abbildung 10: Blockschaltbild eines Regalbediengerä- G(s)= 0 (1) 2 + · · ω · + ω2 tes [5] s 2 D 0 s 0

und dem Verstärkungsfaktor K, dem Dämpfungsgrad 5 Exemplarische Fragestellungen D sowie der Eigenkreisfrequenz des ungedämpften und Lösungsansätze Systems ω0 beschreiben. Die Parameteridentiﬁkation kann nun durch Bei den in Kapitel 3 vorgestellten Industrieanwen- dungen handelt es sich jeweils um stabile, schwach • physikalische Grundgesetze und Materialeigen- gedämpfte Regelstrecken, die grundlegend durch ein schaften (anhand Ersatzmodellen wie in Abbil- Verzögerungsglied 2. Ordnung beschrieben werden dung 8 und 9) oder können, siehe Gleichung 1. Das regelungstechnische Ziel dieser Anlagen ist eine einfache Realisierung einer Positionsregelung bei gleichzeitiger Schwin- • Anregung des physischen Modells und anhand gungsreduzierung der Anwendung. Lösungsansätze der Sensor-Messwerte (siehe z.B. Abbildung 12) sind u. a.

• ermittelt werden. Beide Varianten eignen sich hervor- spezielle Eingangssignale wie Input-Shaper oder ragend als Vergleich für die Implementierung in einer angepasste Rampenzeiten an die Eigenfrequenz, Laborübung. siehe [3, 4, 5, 9, 13, 16], Darauf aufbauend lassen sich neben den physischen • klassischer PID-Regler, z. B. zunächst jeweils Modellen auch Simulationsmodelle als Laborübung als Eingrößenregelung der Positionierung bzw. entwerfen, siehe beispielhaft Abbildung 10. Schwingungsreduzierung und dann die Kombi-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 91 Einbindung von Labormodellen mit industriepraktischen Fragestellungen in der Hochschullehre

nation von beiden als Stellgrößen-Aufschaltung hand eines Labormodells gut gezeigt werden. In Ab- bei der Positionsregelung, siehe [5, 9, 10], bildung 12 oben ist das Schwingungsverhalten mit einem Dehnungsmessstreifen (DMS) aufgenommen • Rückführung von Zuständen, z. B. die Rückfüh- und unten die gleiche Schwingung durch den Motor- rung der Beschleunigung, siehe [9], strom. Es ist deutlich zu erkennen, dass die Messwer- • Zustandsregelung, siehe [2, 5]. te für regelungstechnische Aufgaben kaum zu gebrau- chen sind. Es lassen sich allenfalls Anlagenparame- Beispielhaft ist mit einem Labormodell das Ergebnis ter wie die Eigenfrequenz oder mit Abstrichen auch zur schwappfreien Positionierung in Abbildung 11 ge- der Dämpfungsgrad ablesen. In diesem Beispiel ist die zeigt. Dabei konnte die Auslenkung der Flüssigkeit Reibung im Getriebe zu groß, um verlässliche Ergeb- deutlich reduziert werden, siehe [9]. nisse zu erhalten. DMS Signal [Ω] 20

0 ï -5 ï

-10 ï Zeit [s] -15 ï -20 Strom [A] 012345678910

Abbildung 11: Ergebnisse mit einem Input Schaper [9]

Im o. g. regelungstechnischen Ziel der Anlagen wur- ï de bereits die einfache Realisierung erwähnt. Da- ï mit verbunden ist eine typische Fragestellungen aus ï Zeit [s] ï der Industriepraxis mit möglichst kostengünstigen Ausrüstungen eine ausreichende Regelgüte zu erzie- Abbildung 12: Sensormesswerte len. Gerne wird dabei das Weglassen von Senso- ren diskutiert, z. B. das Weglassen von Sensoren, die beim Regalbediengerät die Mastschwingungen mes- Mit den hier dargestellten Industrieanwendungen lassen, wie Beschleunigungssensoren oder Dehnungs- sen sich somit sehr anschaulich die Praxisbezüge in messstreifen. Natürlich gibt es auch hier regelungs- der Regelungstechnik im Rahmen der Hochschulleh- technische Lösungen, z. B. Messwertschätzung durch re zeigen. Darüber hinaus lassen sich wichtige Er- Beobachter oder modellbasierte Messwert-Schätzung, kenntnisse zur Bewertung von Lösungen bei Indu- siehe [2, 9, 10]. Allerdings müssen hierbei Ungenau- strieanlagen schlussfolgern, wie z. B. die Gewinnung igkeiten, Komplexität oder teilweise sicherheitskriti- von Informationen durch die Strommessung oder die sche Aspekte in Kauf genommen bzw. berücksichtigt speziﬁschen Vor- und Nachteile von Zustandsregelun- werden. Daher wird in der Industriepraxis immer wiegen bei Industrieanwendungen gegenüber klassischen der gerne über alternative Messwerterfassung mit be- PID-Reglern, siehe auch [5, 7, 15]. reits vorhandenen Sensoren diskutiert. Ein Beispiel dafür ist mit der Strommessung des Elektromotors Rückschlüsse auf das Anlagenverhalten zu ziehen. Im Falle des Regalbediengerätes ist das also durch den 6 Zusammenfassung Strom des Fahrwerkmotors die Mastschwingungen zu bestimmen. Allerdings ist das auch in realen Industrie- In diesem Beitrag ist ein didaktisches Konzept als Er- anlagen oftmals schwierig, weil durch Reibungsein- gänzung für die Hochschullehre beschrieben, bei dem ﬂüsse die Messung zu ungenau wird. Das kann an- regelungstechnische Industrieanwendungen als physi-

92 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Einbindung von Labormodellen mit industriepraktischen Fragestellungen in der Hochschullehre

sche Labormodelle integriert werden. Damit werden [8] T. Loose. Projektierung mechatronischer An- typische Fragestellungen der Industrieanwendungen lagen in der Hochschullehre am Beispiel von aufgegriffen und gelöst, z. B. die Schwingungsredu- Labormodellen. In: Proc., Workshop 2017 zierung bei der Positionierung von Regalbediengerä- ASIM/GI-Fachgruppen (Commerell, W.; Pawlet- ten oder von Flüssigkeiten in Abfüllanlagen. Die spe- ta, T., Hg.), S. 162–167. ARGESIM Verlag Wi- ziﬁschen Vor- und Nachteile der einzelnen Lösungs- en, Hochschule Ulm. 2017. methoden lassen sich dabei schön anschaulich demonstrieren und durch (mathematische und / oder com- [9] T. Loose, Th. Pospiech. Benchmark- putergestützte) Modellbildung belegen. Die Labormo- Untersuchung zur Regelung schwach ge- delle eignen sich als Demonstratoren in Vorlesun- dämpfter Systeme bei industriepraktischen gen, aber auch als eigenständige Laborarbeit für Stu- Anwendungen. In: Proc., 27. Workshop dierende, z. B. mit LEGOR MINDSTORMSR , siehe Computational Intelligence (Hoffmann, F.; auch [8, 15]. Hüllermeier, E., Mikut, R., Hg.), S. 175–194. Universitätsverlag Karlsruhe. 2017. [10] H. Lutz, W. Wendt. Taschenbuch der Regelungs- Literatur technik. Europa-Lehrmittel. 2014. [11] W. Oppelt. Kleines Handbuch technischer Regel- [1] F. Dodge. The New Dynamic Behavior of Liquids vorgänge. Weinheim / Bergstr.: Verlag Chemie. in Moving Containers. Research Institute San 1972. Antonio, Texas. 2000. [12] T. Pospiech. Ball in Balance. [2] O. Föllinger. Regelungstechnik. VDE Verlag. https://youtu.be/Wkb6QSBykZwv. 2017. 2016. [13] R. Ibrahim. Liquid Sloshing Dynamics. Univer- [3] P. Hubinský, T. Pospiech. Input Shaping for sity Press, Cambridge. 2005. Slosh-Free Moving Containers with Liquid. In- ternational Journal of Mechanics and Control, [14] D. Schröder. Elektrische Antriebe – Regelung Vol. 09, No. 02. S. 27-34. 2008. von Antriebssystemen. Springer Vieweg. 2015.

[4] P. Hubinský, T. Pospiech. Slosh-free Positioning [15] C. Siegle, Th. Pospiech, T. Loose. Rege- of Containers with Liquids and Flexible Con- lungstechnische Projektierung und Realisie- veyor Belt. Journal of Electrical Engineering rung mechatronischer Systeme am Beispiel von Vol. 61, No. 2. S. 65-74. 2010. Hochschul-Laboranlagen. In: Proc., Workshop [5] T. Loose. Benchmark-Anwendung zur Schwin- 2018 ASIM/GI-Fachgruppen (Loose, T., Hg.), gungsanalyse und -dämpfung von Regalbedien- Hochschule Heilbronn. 2018. geräten am Beispiel eines Labormodells. In: [16] W. Singhose, L. Pao. A comparison of input sha- Proc., 25. Workshop Computational Intelligence ping and time-optimal ﬂexible-body control. In: (Hoffmann, F.; Hüllermeier, E., Hg.), S. 127– Control Engineering Practice, Volume 5, Issue 144. Universitätsverlag Karlsruhe. 2015. 4, S. 459-467. 1997. [6] T. Loose. Projektierung mechatronischer An- lagen als Laborarbeit in der Hochschullehre am Beispiel LEGOR MINDSTORMSR . In: Proc., 2. IFToMM D-A-CH Konferenz,S.1–8 (Tagungsband auf CD-ROM). Universität Inns- bruck. 2016. [7] T. Loose: Reglerentwurf mit klassischen und Computational Intelligence Methoden in der Hochschullehre am Beispiel von Modellen. In: Proc., 26. Workshop Computational Intelligence (Hoffmann, F.; Hüllermeier, E.; Mikut, R., Hg.), S. 261–280. Universitätsverlag Karlsruhe. 2016.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 93 94 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Lernerfahrung bei der Realisierung eines autonomen Transportfahrzeugs als Regelungstechnik-Laborarbeit

Christoph Obasohan1, Thomas Pospiech1, Tobias Loose1 1Hochschule Heilbronn, Max-Planck-Straße 39, 74081 Heilbronn [email protected], [email protected], [email protected]

Die Regelungstechnik ist eine sehr anwendungsorientierte ingenieurwissenschaftliche Disziplin, weil letztendlich eine funktionierende, automatisierungstechnische Anlage als Ergebnis herauskommen muss. Da- her bietet es sich in der Hochschullehre an, auch komplexe, regelungstechnische Zusammenhänge anhand von Labormodellen in der Praxis umzusetzen. Dadurch haben Studierende die Möglichkeit theoretische Grundlagen in einer praktischen Anwendung zu beobachten und anzuwenden. Dieser Beitrag zeigt, welche Lernerfahrungen durch relativ einfache Labormodelle erzielt werden können. Zum Einsatz kommt dabei LEGOR MINDSTORMSR . Die Erkenntnisse aus Sicht von Studierenden wird hier anhand eines autonomen Transportfahrzeugs gezeigt.

1 Einleitung und Realisierung wurde mit einem Tiefpassfilter geglättet, um die Re- gelung zu verbessern. Der Farbsensor wird für die La- geposition des Fahrzeugs zu einer Fahrbahn genutzt. Regelungstechnische Laborarbeiten bieten sich her- Dabei ist eine geeignete Sensorposition gewählt wor- vorragend an, um Vorlesungsinhalte zu vertiefen. Da- den, um z. B. äußere Störeinwirkungen zu reduzie- zu wurde ein Konzept entwickelt, wie mit relativ ein- ren oder möglichst große Messwertauflösungen und fachen Ausrüstungen ein Labor als Ergänzung zur -bereiche zu erhalten, welche die Regelung positiv be- Hochschullehre aufgebaut werden kann, siehe [4, 5, einflusst. Das Ziel dieser exemplarischen Laborarbeit 6]. In diesem Kurzbeitrag wird die Lenkungs- und Ge- ist es, eine hohe Spurtreue bei geregelter Geschwin- schwindigkeitsregelung eines autonomen Transport- digkeit zu erreichen. Dazu ist beispielsweise ein ge- systems als Beispiel einer Laborarbeit aus Sicht von schwindigkeitsabhängiger P-Anteil zur weitestgehen- Studierenden beschrieben, siehe Abbildung 1. Da- den Vermeidung „extremer“ Lenkungsbewegungen eingesetzt. Diese Idee ist aus der Automobilbranche Farbsensor X,V entnommen, z.B. als aktive Lenkung bekannt (ge- Motor A Motor B schwindigkeitsabhängiger Lenkwinkeleinschlag). Im Encoder Rahmen der Laborarbeit lassen sich die Ergebnisse derartige Lösungen schön anschaulich demonstrieren.

Abbildung 1: Schematischer Modellaufbau eines Fahrzeug 2 Lernerfahrung

bei lassen sich mit relativ einfachen Modellausrü- Durch derartige Laborarbeiten sind Studierende „ge- stungen regelungstechnische Fragestellungen sinnvoll zwungen“ Theoriegrundlagen aus Vorlesungen und beantworten. Das Modell des Fahrzeugs besteht aus Literatur praktisch anzuwenden. Damit steigt die Be- zwei Elektromotoren A und B mit integrierten En- reitschaft und die Motivation Bücher und Beiträge codern und einem Farbsensor. Fahrzeugwinkel sowie zu dem Thema zu lesen, wie beispielsweise [1, 2, Geschwindigkeit werden über die zwei Motoren be- 3, 4, 7, 8]. Darüber hinaus lernen sie mit praxisna- einﬂusst, siehe Abbildung 2. Das digitale Sensorsignal hen Problemstellungen umzugehen, z. B. Einwirkung

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 95 Lernerfahrung bei der Realisierung eines autonomen Transportfahrzeugs als Regelungstechnik-Laborarbeit

werden können. Der Transfer auf industriepraktische Lenkung Lösungen und Anwendungen ist ebenso skizziert.

Literatur

[1] P. Beater. Regelungstechnik mit Papier und Blei- #

, +,-./ Geschwindigkeit stift. Norderstedt: Books on Demand. 2011. #$#%& 012

'(() )$ 03 (( '(( 45 ! ) * '((!" [2] O. Föllinger. Regelungstechnik. Berlin, Offen- #$6 bach: VDE Verlag. 2016. 7-/, [3] H. Jaschek, H. Voos. Grundkurs der Regelungs- !" #$6 7-/,% technik. München: Oldenbourg. 2010. [4] T. Loose: Reglerentwurf mit klassischen und Abbildung 2: Beispielhafte Regelung der Lenkung und Ge- Computational Intelligence Methoden in der schwindigkeit Hochschullehre am Beispiel von Modellen. In: Proc., 26. Workshop Computational Intelligence (Hoffmann, F.; Hüllermeier, E.; Mikut, R., Hg.), von Störeinﬂüssen aus der Umgebung, Verbesserung S. 261–280. Universitätsverlag Karlsruhe. 2016. der Regelung durch das Filtern von Signalen oder die Optimierung der Konstruktion. Das eigenständige [5] T. Loose. Projektierung mechatronischer An- Erarbeiten einer Lösung und die damit verbundenen lagen in der Hochschullehre am Beispiel von Herausforderungen einer ingenieurwissenschaftlichen Labormodellen. In: Proc., Workshop 2017 Arbeit werden mit derartigen Laborarbeiten praxis- ASIM/GI-Fachgruppen (Commerell, W.; Pawlet- nah erlebt, trotz relativ einfacher Laborausstattung mit ta, T., Hg.), S. 162–167. ARGESIM Verlag Wi- R R LEGO MINDSTORMS . Sicherlich gibt es zu deren, Hochschule Ulm. 2017. artigen Aufgaben bereits einige Lösungen, siehe Inter- netrecherche z. B. mit den Suchwörtern „smooth line [6] T. Loose, Th. Pospiech. Einbindung von Labor- follower“. In einer derartigen Laborarbeit geht es aber modellen mit industriepraktischen Fragestellun- auch darum, eigene, neue und bessere Lösungswege gen in der Hochschullehre. In: Proc., Workshop zu ﬁnden. Das ist eine sehr praxisrelevante Fragestel- 2018 ASIM/GI-Fachgruppen (Loose, T., Hg.), lung für Ingenieure, weil oftmals bereits existierende, Hochschule Heilbronn. 2018. sehr gute Lösungen weiter optimiert werden müssen, [7] H. Lutz, W. Wendt. Taschenbuch der Rege- siehe z. B. die kontinuierlichen Verbesserungen von lungstechnik. Haan-Gruiten: Europa-Lehrmittel. Automobilen. Ebenso lässt sich die Erkenntnis aus 2014. der Laborarbeit mühelos auf andere Anwendungen übertragen. Ein Beispiel hierfür ist die Frequenzan- [8] G. Schulz, K. Graf. Regelungstechnik 1.De passung einer Schwinganker-Förderanlage. Nach ei- Gruyter Oldenbourg. 2015. ner Optimierung der Regelstrecke durch Reduzierung von Massenträgheiten, wurde die Fördergeschwindig- keit gesteigert. Die gesamte Regelung und damit die Versorgung einer Roboterzelle konnte damit verbessert werden.

3 Zusammenfassung

Dieser Beitrag zeigt an einem Beispiel wie mit relativ einfachen Labormodellen praxisnahe, regelungstechnische Projekte mit in die Hochschullehre einbezogen

96 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Das Zentrum für Maschinelles Lernen (ZML) an der Hochschule Heilbronn

Alexandra Reichenbach1,2*, Wendelin Schramm1,2*, Nicolaj Stache1,3* 1Zentrum für Maschinelles Lernen, Hochschule Heilbronn 2Fakultät für Informatik, Hochschule Heilbronn 3Fakultät für Mechanik und Elektronik, Hochschule Heilbronn *A.R., W.S. und N.S. haben in gleichen Teilen zu dieser Arbeit beigetragen [email protected]

Maschinelles Lernen (ML) ist nicht nur ein Zukunftsthema in der angewandten Forschung, es ist auch ein großes Thema in der Hochschul-Ausbildung. Die Problematik gliedert sich in drei Facetten auf: 1. Es gibt nicht genug qualifizierten Nachwuchs für die eigene Forschung. Es sei denn die Hochschule bildet die jungen Fachkräfte selbst zielgerichtet aus. 2. Es besteht ein großes Interesse der regionalen Industrie an ML-Verfahren und damit einhergehend ein ungenutztes Potenzial für Wissenschaftstransfer und Auftragsforschung. 3. In verschiedenen Fachgebieten wie Automobilindustrie, Medizin und Informatik werden zwar unterschiedliche Fragestellungen bearbeitet, es werden jedoch ähnliche, häufig sogar dieselben Methoden eingesetzt. Dies führte zur Gründung eines interdisziplinären Lehr- und Forschungszentrums für Maschinelles Lernen (ZML) an der Hochschule Heilbronn (HHN). Seit dem 1. November 2017 wird das ZML vom Bundesministerium für Bildung und Forschung (BMBF) für zwei Jahre gefördert. Das Zentrum wird sich im Rahmen dieses Artikels mit seiner Zielsetzung sowie seinen Kollaborations- und Ausbildungsangeboten vorstellen. Des weiteren werden die aktuellen Forschungsschwerpunkte mit ihren spezifischen Herausforderungen bezüglich maschineller Lernverfahren diskutiert.

# 1.1 Interdisziplinäre Ausbildung des wissenschaftlich qualifizierten Künstliche Intelligenz (KI) und Maschinelles Lernen Nachwuchses (ML) sind ein Thema, das praktisch alle Branchen Problem: Den an ML interessierten und aktiven umfaßt. Während für Firmen wie Apple, Google oder Professorinnen und Professoren mangelt es an Microsoft – Firmen die seit Jahren auf den großen geeignetem Nachwuchs. Es fehlt weniger an wissenschaftlichen Fachtagungen wie der „NIPS“ im Interessierten, sondern an den adäquaten Programmkomittee vertreten sind – diese Techniken Kenntnissen. Der Übergang vom Masterstudium in längst zur Kernkompetenz gehören, wird das Thema eine wissenschaftliche Tätigkeit oder in die inzwischen für viele anderen Firmen zu einem der Industrieentwicklung gelingt zu selten nahtlos. wichtigsten aktuellen Themen bezüglich ihrer IT- Ziel: Das wichtigste Ziel ist die Ausbildung von Infrastruktur. Damit ist ein Bedarf an Spezialisten wissenschaftlich qualifiziertem Nachwuchs. Mehr vorhanden, der aus dem aktuellen akademischen Studierende sollen den nahtlosen Übergang vom Umfeld nicht mehr gedeckt werden kann. Denn die Masterstudium in die wissenschaftliche Forschung Arbeit in diesem Umfeld verlangt nach oder in die Entwicklungsabteilungen der Industrie hochqualifiziertem Personal, welches in dem sich meistern. schnell entwickelnden Themenkomplex ständig auf dem neusten Stand bleiben muß. Diese 1.2 Plattform für interdisziplinäre Steuerung Problemstellung verlangt danach, dass Academia und der vorhandenen Ressourcen schaffen Industrie sparten- und fächerübergreifend an einem Problem: Unkoordinierte Lehre und Forschung Strang ziehen. führen zu unnötigen Doppelveranstaltungen und -

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 97

beschaffungen, aber auch zu Lücken in Wissen und SLK-Kliniken, neurologische Patientendatenbanken Ausstattung. Know-How zerfasert und wichtige oder Fahrzeugdaten für das automatisierte Fahren, Techniken werden nicht von einer kritischen Masse sollen robust, im Falle von Gesundheitsdaten auch an Mitarbeitenden beherrscht. Mangelnde datenschutzkonform, d.h. ausreichend Kommunikation führt zu Informationsverlust und pseudonymisiert und/oder anonymisiert, zur unkoordinierten Alleingängen. Verfügung stehen. Es sollen eigene Datenerhebungen Ziel: Das ZML soll der Koordination der an der durchgeführt werden, um die Datenbasis Hochschule eingesetzten Technologien und dem auszuweiten. interdisziplinären Austausch dienen. 1.5 Anwendungsnahe Forschung und 1.3 Entwicklung eines generischen Toolkits für Wissenschaftstransfer Maschinelles Lernen Problem: Der hohe Bedarf an qualifizierten ML- Problem: Alle Fachgebiete beschäftigen sich mit den Fachkräften in der Wirtschaft ist bisher ungestillt. gleichen oder ähnlichen Problemen und erfinden doch Fachkräfte können ohne Einschalten von ständig das Rad neu. Headhuntern praktisch nicht mehr gewonnen werden. Ziel: Die Hardware und Softwareausstattung der Ziel: Das ZML ist u.a. durch den interdisziplinär HHN soll typische Problemstellungen des ML besetzten Beirat (Abb. 1) eng mit regionaler Industrie fachübergreifend lösen helfen. Dazu wird ein in der sehr wirtschaftsstarken Region Heilbronn- generisches Toolkit entwickelt, das sich auf Franken – der „Region der Weltmarktführer“ verzahnt vielfältige Klassen von Problemen aus beispielsweise und unterstützt die Industrie durch angewandte Ingenieurswissenschaften, Medizin und Informatik Forschung und Wissenschaftstransfer. anwenden lässt. 1.6 Gesamtkonzept des ZML 1.4 Konsolidieren und Ausweitung der Das ZML bildet einen physischen Anlaufpunkt bestehenden Datenbasen (Labor) für die Ausbildung und Forschung im Problem: ML benötigt nicht nur viele Daten, sondern Bereich ML an der Hochschule. Heilbronn. Das auch immer wieder neue Daten für wichtige Lern- Zentrum wird initial von den Fakultäten für oder Arbeitsschritte. Hierzu zählen z.B. die Informatik und für Mechanik und Elektronik Vorverarbeitung von Daten für ML, Daten- unterstützt, diese betreiben das ZML gemeinsam mit Transformation, Entwicklung und Untersuchung von dem Ziel die Lehre mit Forschungsinhalten Methoden zur Daten-Augmentierung für lernende anzureichern und forschungsrelevante Kenntnisse und Verfahren etc. Fertigkeiten (Abb. 1) den Masterstudierenden zu Ziel: Bereits heute zur Verfügung stehende vermitteln. Ein aus Wissenschaftlern und Datenquellen, wie z. B. klinisches Krebsregister der Industrievertretern gemeinsam besetzter Beirat

Abbildung 1. Konzept des ZML. Die Qualifizierungsmaßnahmen sind in fünf Schlüsselqualifikationen untergliedert und orientieren sich am Bedarf der Wirtschaft sowie an den ML-basierten Forschungsprojekten der HHN. Der mit Wissenschaftlern und Industrievertretern besetzte Beirat stellt den hohen Praxisbezug in Lehre und Forschung sicher.

98 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

fördert den wechselseitigen Wissenschaftstransfer in x Modell-Validierung: Hierzu werden aus den dem er über die Ausbildung und Forschung an der vorhandenen Daten Trainingsdaten, Validi- HHN informiert und in diesem Gremium der Bedarf erungsdaten und Testdaten abgespalten. der Wirtschaft gegengekoppelt wird (Abb. 1). Drei initial benannte Forschungsprojekte definieren den x Modell-Visualisierung: Entscheidungsgrenzen Qualifizierungsbedarf forschungsnah. Die und Datenmerkmale visuell darstellen, damit Zentrumsausstattung wird fakultätsübergreifend Lernverfahren von den Trainingsdaten abgestimmt. ausreichend abstrahieren und auch auf unbekannten Datensätzen eine nachvollziehbare Entschei- ! dung treffen können. Das ZML vermittelt fünf Schlüsselqualifikationen Das ZML beschränkt sich nicht auf das Verwenden (Abb. 1): fertiger oder frei verfügbarer Datenbanken, sondern 1. Werkzeuge: wie Datenbanksysteme, Software erhebt auch selbst Daten und speist diese in Lehre und Softwarebibliotheken (z.B. TensorFlow, und Forschung mit ein. Hierfür steht beispielsweise scikit-learn), Programmiersprachen (z.B. Python) das Testfeld Autonomes Fahren BW zur Verfügung. 2. Datenmanagement: Vorbehandlung und Prüfung von Daten zur Eignung auf ML # # Fakultätsübergreifend sollen wichtige Lerninhalte 3. Maschinelle Lernverfahren: die eigentlichen abgestimmt werden und ML-Veranstaltungen sollen Algorithmen des ML für Studierende aller Fachrichtungen geöffnet werden. 4. Validierung und Visualisierung: Prüfen, Erklä- Das ZML etabliert zusätzliche praktisch ausgerichtete ren, Darstellen und Interpretieren von automa- Veranstaltungen, die fakultätsübergreifend für tisch generierten Ergebnissen Masterstudierende geöffnet sind. Hochschulintern 5. Praktische Anwendung: praktische Be- wird es ein neues ML-Basisseminar und eine herrschung aller zuvor genannten Methoden mit forschungsnahe ZML-Projektarbeit geben Einbezug des ZML Toolkits (zusammen 16 ECTS). Für Studierende, aber auch im Rahmen des Studiums Generale und für die Das ZML führt in Abstimmung mit dem Beirat interessierte Öffentlichkeit, gibt es eine ML- Standard-Werkzeuge für ML ein, die sich in Ringvorlesung mit dem Ziel die Bedeutung des ML anwendungsnaher Forschung und Industrie (z. B. vor dem gesellschaftlichen Kontext zu beleuchten. Alphabet (vormals Google), …) etabliert haben und Die Technologien und Einsatzzwecke des ML noch nicht angemessen in der Lehre an der berühren Fragen des Datenschutzes und der Ethik und Hochschule vertreten sind. Als wichtiges Werkzeug haben das Potenzial, gravierende gesellschaftliche kommt die Programmiersprache Python inkl. speziel- Veränderungen zu bewirken; beispielsweise durch ler Bibliotheken für Datenverarbeitung und ML wie den Ersatz von Arbeitsplätzen in Industrie 4.0 scikit-learn, pandas, TensorFlow, etc. zum Einsatz. Umgebungen. Mit diesen Werkzeugen entwickelt das ZML ein generisches Toolkit, welches auch die Anbindung von Um die Industrie einzubinden und Studierenden einen Sensorik und Datenverarbeitungsroutinen umfasst. alternativen Zugang zu den fünf ML- Der ML-Fokus liegt auf: Schlüsselqualifikationen zu bieten, wird es eine einwöchige ML Winter-School geben, die im Sinne x Künstliche Neuronale Netzwerke: Deep Learn- eines Crashkurses Studierenden und ing, Convolutional Neural Networks Firmenmitarbeitern die wichtigsten Kenntnisse x andere überwachte Klassifikationsverfahren: vermitteln wird. Eine zusätzliche Summer-School im z.B. Support Vector Machine (SVM), Random Umfang von zusammen zwei Wochen mit zusätzlich Forest, Lineare Diskriminanzanalyse (LDA) zu lösenden Projektaufgaben gibt die Möglichkeit an einem ausgewählten Forschungsthema praktisch x unüberwachte Lernverfahren: z.B. Clustering, mitzuarbeiten (learning-by-doing). Hauptkomponentenanalyse (PCA), Unabhäng- igkeitsanalyse (ICA), Regressionsverfahren Das erfolgreiche Absolvieren von mindestens Ringvorlesung und beider Schools, alternativ aller

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 99

Masterveranstaltungen, soll mit einem Zertifikat Situation beim Menschen sowie der Extraktion der Maschinelles Lernen honoriert werden. Ziel des relevanten Faktoren aus den komplexen Umfelddaten. ZML ist es weiter, ein Konzept zu einem berufsbegleitend erwerbbaren anerkannten 4.2 Gesundheitsökonomische Modellierung (W. Hochschulabschluss zu entwickeln. Schramm) Bei lebenslangen Erkrankungen wie Diabetes, Generell produziert das ZML als Ergebnis der Asthma und zunehmend auch bei Krebs können praktischen Übungen und Seminare eine Vielzahl von medizinische Ergebnisse und die damit verbundenen Datensätzen, Lehrmaterialien, Tools in Form von Behandlungskosten im Rahmen von klinischen Programmcode, Video-Tutorials und vieles mehr. Studien nicht ausreichend lange beobachtet werden. Diese werden zukünftigen Studierenden, aber auch Für die gesundheitsökonomische Bewertung von anderen Wissenschaftlern und der Industrie zur Nutzen und damit verbundenen Kosten ist man auf Verfügung stehen. Damit haben die Studierenden, Simulationsmodelle angewiesen. Die zunehmende aber auch am ZML interessierte Industriemitarbeiter, Datenverfügbarkeit in der Medizin öffnet neue die Möglichkeit, außerhalb der Veranstaltungen den Möglichkeiten in der Bewertung von Lehrstoff selbständig zu lernen und zu rekapitulieren. Gesundheitstechnologien (engl. Health Technology Assessment - HTA). Seit 2012 besteht eine " vertraglich abgesicherte Kooperation mit dem Die initialen Forschungsschwerpunkte des ZML Tumorzentrum der SLK-Kliniken Heilbronn mit ergeben sich aus den Forschungsgebieten der drei Zugang zu Behandlungsdaten von mehr als 60.000 Gründungsmitglieder des Zentrums. Aufgrund des Patientenverläufen. Nach Klärung von integrativen Konzepts des ZML werden sich die Plausibilitätsfragen und der Repräsentativität dieses Forschungsfelder erweitern und es werden neue klinischen Registers konnte 2016 der Beleg geführt Themen aus der HHN und der Industrie werden, dass mit Methoden des Data Minings semi- hinzukommen. Im Folgenden werden die drei automatisch Erkrankungsmodelle für Brustkrebs aktuellen Forschungsschwerpunkte mit ihren erstellt werden können [3]. Hierfür ist derzeit noch spezifischen Herausforderungen vorgestellt. die Bedienung eines kompetenten Arztes notwendig, als nächstes Ziel soll die Modellerstellung mit Hilfe 4.1 Autonomes Fahren (N. Stache) von ML vollautomatisiert werden. Herausforderungen Die Hochschule Heilbronn ist beteiligter Partner am liegen hierbei unter anderem bei der Erschließung Testfeld Autonomes Fahren Baden-Württemberg und weiterer klinischer Datenquellen (Real World Data) somit in einem Bereich sehr engagiert, in dem ML- und der Verbesserung und Validierung der Verfahren regelmäßig eingesetzt werden. Kritische Prognosemodelle. Fahrsituationen sind für die Weiterentwicklung automatisierter Fahrzeuge erforderlich. Ein manuelles 4.3 Biomarker für Gehirnerkrankungen (A. Aufspüren dieser Situationen ist in den mehrere Reichenbach) Millionen an Fahrkilometern umfassenden Komplexe Erkrankungen des Zentralnervensystems Datenbeständen zu aufwändig. In kritischen wie Schizophrenie und Autismus, für welche die Situationen zeigt der Mensch biologische Validität der Diagnose noch nicht Überlastungsreaktionen, die messtechnisch erfasst etabliert ist, stellen eine große Herausforderung für werden und ein erstes Indiz für eine kritische Früherkennung, Individualdiagnostik, Verkehrssituation sein können [1]. ML soll dazu Therapieentwicklung und -verfolgung dar. verwendet werden, den Zusammenhang zwischen Verhaltensbezogene und bildgebende Biomarker Verkehrssituation und Überlastsituation eines bieten die Möglichkeit nicht-invasiver Erfassung und Durchschnittsfahrers herzustellen. So ist es bei Quantifizierung spezifischer Phänotypen [4]. Abschluss dieses Themas möglich, mit Inzwischen stehen sehr große Patienten-Datenbanken aufgezeichneten Daten der Verkehrssituation [2] (also mit bildgebenden, kognitiven und genetischen ohne menschlichen Fahrer) eine Aussage zu treffen, Datensätzen öffentlich zur Verfügung [5]. Diese ob kritische Verkehrssituationen vorliegen oder nicht. Datensätze liegen überwiegend in sehr frühen Herausforderungen liegen hier unter anderem bei der Vorverarbeitungsstadien vor, nicht zuletzt da sie reliablen automatisierten Erkennung einer Stress- besondere Herausforderungen an Vorverarbeitung und

100 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

ML stellen. In diesem Projekt liegt ein starker Fokus auf der (semi-)automatischen Vorverarbeitung der verschiedenartigen Datensätze mit dem Ziel, eine generische und konfigurierbare Vorverarbeitungspipeline mit strengen Prüfverfahren bzgl. der Datenqualität zu implementieren. Im zweiten Schritt werden die in dem Gebiet gängigen Verfahren des ML implementiert. Das übergeordnete Ziel des Projektes ist es, der medizinischen Forschungscommunity einen vielfältig einsetzbaren Werkzeugkasten anzubieten sowie ein robustes Framework für die Lehre und weitere Forschungsvorhaben zu etablieren.

[1] Healey, J.A. und R.W. Picard. Detecting stress during real-world driving tasks using physio- logical sensors. IEEE Transactions on intelligent transportation systems, 2005. 6(2): S. 156-166. [2] Punke, M., et al., Kamera-Hardware, in Handbuch Fahrerassistenzsysteme. 2015, Springer. S. 347-368. [3] Pobiruchin, M., et al., A method for using real world data in breast cancer modeling. Journal of biomedical informatics, 2016. 60: S. 385- 394. [4] Woo, C.W., et al., Building better biomarkers: brain models in translational neuroimaging. Nat Neurosci, 2017. 20(3): S. 365-377. [5] Eickhoff, S., et al., Sharing the wealth: Neuroimaging data repositories. Neuroimage, 2016. 124(Pt B): S. 1065-8.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 101 102 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Predictive IT-Service Operation

Sigurd Schacht1, Carsten Lanquillon1, Simon Vollert1, Naftali Mishiev1, Artjom Fink1, Roland Licht1, Bianca Parusel1 1 Heilbronn University of Applied Sciences, Business Information Systems [email protected]

IT service operation aims to efficiently and effectively provide IT services. We attempt to predict future incidents and problems based on historic help desk data in order to optimize the trade-off between response time and costs. A major steps towards this goal is to discover semantically meaningful ticket clusters. In this report, we evaluate several approaches to find these clusters. Word2Vec find some useful clusters while poor data quality seems to be the major challenge in the help desk domain.

1 Introduction The goal of this paper is to empirically explore how to predict IT incidents based on historic help desk data and other data sources such as news feeds and em- IT service operation aims to efficiently and effectively ployee statistics in order to develop an early warning provide IT services. In doing so, incident management system for IT service operation [3]. describes the activities in an organization to identify and handle any disturbances of IT services, whereas The analysis refers to the IT service operation stated problem management (PM) identifies the rout cause by ITILV3 focusing on incident and problem man- of service issues identified by incident management agement. Cultural specialties, time zones and fur- to prevent future recurrences. The main issue of ser- ther user-information will not be considered. The data vice operation is to manage the tradeoff between short set contains about 40,000 incidents and problems col- response times to incidents and problems, which are lected over a period of six years by a medium-sized mostly handled by manpower, an economic approach enterprise using a central service desk [4]. to reduce the cost per incident or problem, and service quality. In this report, we attempt to predict future incidents and problems based on historic help desk data. This allows resources to be planed more effectively and, thus, the trade-off between response time and costs to be optimized [1]. 3 Approach

2 Goal and Scope We will apply different approaches to appropriately preprocess the raw help desk data. In particular, we perform cluster analysis for the incidents and prob- Predicting future issues based on historic data is a lems using text mining approaches such as natural lan- well-studied task in the field of predictive analytics. guage processing and topic modeling. The first goal Undoubtedly, prediction performance will increase is to discover relevant categories which are often not with more data being available, ever increasing com- recorded by the employees. An additional major chal- puting power and methodological advances. lenge is rather poor data quality. The second goal is Working with real help desk data requires intensive to use these categories to interactively gather supple- and careful data preprocessing to make all available mental news data so as to help increase prediction per- data fields of various forms and types amenable to formance. In this report, only the first goal will be common learning algorithms [2]. addressed.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 103 Predictive IT-Service Operation

4 Analysis most frequently used words. According to Zipf’s law, many words were rarely used. For example, "aabbf", We follow the cross-industry standard process for data "aabeccdaf" and "aazvnblevwdk" occurred only once. mining (CRISP-DM) as a well established process model for structuring and conducting data analysis tasks based on six proven phases covering the whole project [5].

4.1 Business Understanding

This work focuses on a local, medium-sized business which already uses a central service desk. Cultural specialties, time zones and further user information will not be considered. The analysis refers to the IT service management stated by ITILv3. The analysis goal is to identify clusters in help desk data of rather poor data quality. Figure 1: Word counts of the ten most common words.

4.2 Data Understanding 4.3 Data Preparation We have a database of about 15,000 tickets from 2013 up to the present. The tickets are primarily used in the In the following, we applied some common text pre- IT service operations and do not follow any defined processing steps to reduce complexity, i.e. to fight format. Even categories or priority flags are not used the curse of dimensionality: conversion to lower case, at all or in a consistent manner. Hence, the data re- stop word removal, removal of multiple white spaces, quires intensive cleaning and enrichment to improve removal of html tags, quotes and numbers and substi- the clustering process which will primarily be based tution of special German characters. Next, we man- on the ticket text bodies. ually constructed a domain specific stop word list which is used in addition to the common stop words. A first exploratory analysis revealed that 14,189 tickets went through 148,122 state changes. Consider- Finally, the remaining words are converted to vectors ing that 2,066 tickets where closed immediately with- based on the tf-idf weighting scheme which considers out being opened, the each of the remaining tickets not only the frequency of a term but also its frequency changed its state about 12 times. 1,073 tickets were with respect to the other ticket text bodies (document opened five times and 837 tickets were opened six frequency). In addition, terms with extreme document times without ever being closed. In contrast, 640 were frequency values were filtered out. Thus, the ticket closed successfully twice without ever being opened. texts are converted into a matrix that contains all the Moreover, there are tickets that have been opened 27 features from the ticket text bodies [6]. times and, finally, were closed successfully without any further steps. The largest number of events for one ticket is 61 state changes. 13,329 tickets where 4.4 Modeling closed within 14 days and 2,622 of those were open for 0 milliseconds. The mean ticket duration is 6 days. In the modeling phase, we explore the following clus- The longest open ticket was open for 4 years and 20 tering approaches to find useful clusters: k-means, days. The largest number of state changes per ticket DBSCAN and Word2Vec. and day is 337 on October 5th, 2014. To get a better understanding of the ticket text bod- 4.4.1 K-Means ies, we analyzed the word being used. We identified 60,994 unique words with total word count of The k-means cluster algorithm iteratively partitions 1,639,566. Abb. 1 shows the word counts for the ten the available data points into k groups where k is a pa-

104 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Predictive IT-Service Operation

Figure 2: Clustering based on k-means with k = 30 Figure 3: Clustering based on DBSCAN

rameter given by the user. Each cluster is represented at least the minPts. Border points are points which are by the centroid (mean) of all data points assigned to not core points but are in the neighborhood of another it. The k-means algorithms is rather fast. The ma- core point. Outliers are neither core points nor border jor drawback is it’s dependency on the parameter k. points which are converted into a distance matrix [12]. Another problem is the initial definition of centroids Figure 3 shows the result of DBSCAN. which is typically made randomly and has a strong impact on the resulting clusters [7]. Approaches like k-means+ try to improve clustering results by finding 4.4.3 Word2Vec better cluster initializations. We run the k-means+ algorithm with k = 30 clusters Word2Vec (W2V) is a group of models used to pro- and 100 different initializations for at most 300 iter- duce word embeddings [13]. Word embedding is a atins per clutering run and report the best result. To technique in which words or sentences of a vocabu- better visualize the resulting clusters, as in Figure 2 lary are translated into vectors consisting of real num- the tfidf vectors need to be converted to 2d vectors [8]. bers [15] As depicted in Figure 4, W2V consists of a 2-layer flat neural network that is used to understand the context of words [17]. 4.4.2 DBSCAN As an input it gets a text corpus (here the a-body) and produces from the words of the text corpus a vector Density-Based Spatial Clustering of Applications space with several hundred dimensions (here 100-300 with Noise (DBSCAN) is a density based clustering dimensions) [18]. algorithm. This algorithm does not need the number In this case, every single word of the text corpus of clusters as parameter, instead it discovers clusters (meaning the entire vocabulary) is assigned a vector based on the density of the data points. The two funda- in the vector space [19]. We use W2V based on the mental parameters of the DBSCAN algorithm are the continuous skip-gram architecture which uses the cur- radius of the neighborhood (epsilon) and the minimal rent word to open the surrounding context (context number of points which must be in a neighborhood to window). As shown in Figure 5, the W2V skip-gram define a cluster (minPts). model consists of an input vector, a hidden layer and Based on these parameters, the data points are divided an output layer with softmax classification. The hid- in three categories. Core points are points, where the den layer is used to translate the weights of the hidden number of data points in the range of epsilon matches layer into the word vectors [16].

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 105 Predictive IT-Service Operation

4.5 Evaluation

The main task of the evaluation phase is to evaluate to what extent the results meet the business objectives and the expected or desired results. Furthermore, it must be evaluated whether these results can be suc- cussfully deployed. Finally, it should be clariﬁed if there is room for improvement and in what way the project can be optimized [27]. Evaluating clustering results is difﬁcult task: Differ- ent methods may yield very different results and there is no right or wrong the clustering result representing some unknown structure discovered [23].

Figure 4: W2V 2-layers ﬂat neural network WordSim-353 [24] and SimLex-999 [25] inspired us to evaluate the quality of correlation results of pairs of words by applying human judgment. This procedure was built in the following way: 150 pairs of words from the statistical population of tickets vocabulary were estimated by 18 people for the correlation among themselves on a scale of 1 to 10 (unrelated - 10 related), in addition related pairs of words are also evaluated by algorithm and then these values are com- Figure 5: Word vector to word probability pared [26].

There are several implications of W2V in our project 5 Results study. The first attempt to use W2V was based on completely unadjusted data. The second attempt at slightly adjusted data (without special characters, As observed in Figure 2, the k-means algorithm is HTML, URLS). The third attempt ran on slightly successful in creating 30 clusters with small within- clean data without names. cluster heterogeneity. The downside of the k-means algorithm is that it has trouble dealing with the high In addition, the model was operated with several pa- level of noise in our data. The clusters seem to be rameters, but the training algorithm was always hier- reasonable with respect to human judgment, but it is archical softmax. Context size should depend, among difficult to find analogies between words. other things, on the length of the sentences to be pro- cessed as well as their complexity. Average length of To our surprise we could not observe a positive effect our sentences is 16 words. The author recommends a of the vector dimensions on either the word pair rela- window size of about 10 for the skip-gram model [22]. tions / Pearson correlation nor the word pair similarity test in the Word2Vec model. Additionally, it was observed that high-dimensional word embeddings perform generally worse on the similarity test opposed to less dimensional word embeddings. This could be due to the nature of our data, which is strongly limited in terms of vocabulary. Our vocabulary consists of about 19.000 distinct words. Therefore, it cannot possibly cover the entirety of the word analogies present in the word similarity test [12, 26]. The efforts of negative sampling to reduce noise in the Figure 6: Word vector to word probability data set did not produce any significant improvements. On the other hand, the subsampling of frequent words

106 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Predictive IT-Service Operation

helped to keep frequent words with low discriminative ter issues of semantic incident data. The main reason power out of the clusters. The effect of the context for the complicated process of clustering is the poor window is noticeable in both the relatedness of word quality and low quantity of data. pairs as well as in the analogy task. It was observed In order to make predictions outside of classification that a windows size of 8 words seems to be an opti- tasks it would be necessary to enrich the cluster data mal value to increase performance in the relatedness with external information. An example would be a whereas window sizes of 5 and 10 performed notice- regression task in order to inform the user of a poten- ably better in the word analogy task [28]. tial difficulty and the estimated time to ensure optimal Our W2V skip-gram model performed well on the forecasting of human resource deployment. analogy task given the extremely limited vocabulary, the small number of total words in our dataset and the difficulty of the German language in such tasks. Com- References paring the results of our model to the results of a W2V- model trained on a Wikipedia dataset with a vocabulary size of over 103.000 words and a total word count [1] J. L. Hellerstein, Fan Zhang, and P. Sha- of over 6 billion, it is impressive that our model per- habuddin. An approach to predictive detec- formed this well. Looking at the results of [29] which tion for service management. In Integrated compared different W2V models in different language Network Management VI. Distributed Manage- settings, we can see that the Wikipedia model men- ment for the Networked Millennium. Proceed- tioned before achieved an accuracy in the analogy task ings of the Sixth IFIP/IEEE International Sym- of at most 1.17%. posium on Integrated Network Management. (Cat. No.99EX302), pages 309–322, 1999. When taking a closer look at the analogy task we can see where our model performed best and worst. Our [2] S. M. Weiss, B. F. White, C. V. Apte, and F. J. model scores very poorly in the categories of capitals, Damerau. Lightweight document matching for nouns and adjectives (0 %) whereas it performs well help-desk applications. IEEE Intelligent Systems in the category of verbs (10 %). and their Applications, 15(2):57–61, 2000. To summarize the results of the W2V skip-gram [3] S. Kikuchi. Prediction of workloads in inci- model, neither an increase in dimension nor an in- dent management based on incident ticket up- crease in training time can produce better results than dating history. In 2015 IEEE/ACM 8th Interna- the default values of the model. Subsampling is nec- tional Conference on Utility and Cloud Comput- essary to keep unwanted stop words out of the clusters ing (UCC), pages 333–340, 2015. while negative sampling could not reduce noise in our [4] M. Yun, Y. Lan, and T. Han. Automate inci- example. dent management by decision-making model. In 2017 IEEE 2nd International Conference on Big Data Analysis (ICBDA)(, pages 217–222, 2017. 6 Conclusion [5] Colin Shearer. The CRISP-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing, 5(4), 2000. To summarize the results of our clustering methods, it is possible to create reasonable clusters ac- [6] Li-Ping Jing, Hou-Kuan Huang, and Hong-Bo cording to word relatedness, word analogy and hu- Shi. Improved feature selection approach tfidf in man judgment. After trying many clustering meth- text mining. In Proceedings. International Con- ods Word2Vec turned out to be the most promising ference on Machine Learning and Cybernetics, method for the correct identification of semantic re- volume 2, pages 944–946 vol.2, 2002. latedness and delivered useful clusters from a human [7] J. De Weerdt, S. K. L. M. vanden Broucke, point of view. Regardless of our efforts we were not J. Vanthienen, and B. Baesens. Leveraging pro- able to obtain a useful base for our prediction model, cess discovery with trace clustering and text nevertheless our clusters, even considering the poor mining for intelligent analysis of incident man- data base, delivered appropriate results. agement processes. In 2012 IEEE Congress on Our approach might be a reasonable solution to clus- Evolutionary Computation, pages 1–8, 2012.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 107 Predictive IT-Service Operation

[8] Gaurav Jain, A. Ginwala, and Y. A. Aslando- word representations in vector space. CoRR, gan. An approach to text classification using di- abs/1301.3781, 2013. mensionality reduction and combination of classifiers. In Proceedings of the 2004 IEEE Interna- [19] Deepti Mahajan, Radhika Patil, and Varsha tional Conference on Information Reuse and In- Sankar. Word2vec using character n-grams. tegration, 2004. IRI 2004, pages 564–569, 2004. [20] Jeffrey Pennington, Richard Socher, and [9] A. El-Hamdouchi and P. Willett. Hierarchic Christoper Manning. Glove: Global vectors for document classification using ward’s clustering word representation, 2014. method. In Proceedings of the 9th Annual In- [21] Chris McCormick. Word2vec tutorial - the skip- ternational ACM SIGIR Conference on Research gram model, 2016. and Development in Information Retrieval, SI- GIR ’86, pages 149–156, New York, NY, USA, [22] Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg 1986. ACM. Corrado, and Jeffrey Dean. Distributed representations of words and phrases and their composi- [10] B. Borah and D. K. Bhattacharyya. An im- tionality. CoRR, abs/1310.4546, 2013. proved sampling-based dbscan for large spatial databases. In International Conference on In- [23] Lawrence Hubert and Phipps Arabie. Com- telligent Sensing and Information Processing, paring partitions. Journal of Classification, 2004. Proceedings of, pages 92–96, 2004. 2(1):193–218, 1985.

[11] Miin-Shen Yang and Kuo-Lung Wu. A [24] Lev Finkelstein, Evgeniy Gabrilovich, Yossi similarity-based robust clustering method. IEEE Matias, Ehud Rivlin, Zach Solan, Gadi Wolf- Transactions on Pattern Analysis and Machine man, and Eytan Ruppin. Placing search in con- Intelligence, 26(4):434–448, 2004. text: The concept revisited. In Proceedings of the 10th International Conference on World [12] W. Zirkel and G. Wirtz. A process for identi- Wide Web, WWW ’01, pages 406–414, New fying predictive correlation patterns in service York, NY, USA, 2001. ACM. management systems. In 2010 7th Interna- tional Conference on Service Systems and Ser- [25] Felix Hill, Roi Reichart, and Anna Korhonen. vice Management, pages 1–6, 2010. Simlex-999: Evaluating semantic models with genuine similarity estimation. Comput. Lin- [13] Manaal Faruqui, Yulia Tsvetkov, Pushpendre guist., 41(4):665–695, 2015. Rastogi, and Chris Dyer. Problems with evaluation of word embeddings using word similarity [26] Stijn van Dongen and Anton Enright. Metric dis- tasks, 2016. tances derived from cosine similarity and pearson and spearman correlations. 2012. [14] Francois Chaubard, Rohit Mundra, and Richard Socher. Cs 224d: Deep learning for nlp. [27] Bhoj Raj Sharma and Aman Paul. Clustering algorithms: Study and performance evaluation us- [15] Yoav Goldberg and Omer Levy. word2vec ing weka tool. International Journal of Current explained: Deriving mikolov et al.’s negative- Engineering and Technology, (3), 2013. sampling word-embedding method. CoRR, abs/1402.3722, 2014. [28] Stanislaw Jastrzebski, Damian Lesniak, and Wo- jciech Marian Czarnecki. How to evaluate [16] Sascha Rothe and Hinrich Schütze. Word em- word embeddings? on importance of data ef- bedding calculus in meaningful ultradense sub- ﬁciency and simple supervised tasks. CoRR, spaces, 2016. abs/1702.02170, 2017.

[17] Tobias Schnabel, Igor Labutov, David Mimno, [29] Stefan Jansen. Word and phrase translation with and Thorsten Joachims. Evaluation methods for word2vec. CoRR, abs/1705.03127, 2017. unsupervised word embeddings, 2015.

[18] Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean. Efﬁcient estimation of

108 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Regelungstechnische Projektierung und Realisierung mechatronischer Systeme am Beispiel von Hochschul-Laboranlagen

Christian Siegle1, Thomas Pospiech1, Tobias Loose1 1Hochschule Heilbronn, Max-Planck-Straße 39, 74081 Heilbronn [email protected], [email protected], [email protected]

Dieser Beitrag zeigt wie regelungstechnische Fragestellungen praxisnah durch kleine Laborarbeiten als Ergänzung zur Hochschullehre gelöst werden können. Dabei werden aus Sicht von Studierenden Lerner- fahrungen aufgezeigt, wie theoretische Erkenntnisse aus der Regelungstechnik in der Praxis anwendbar sind. Ebenso wird der Mehrwert für industriepraktische Tätigkeiten aufgezeigt, d.h. wie Studierende durch diese Laborarbeiten Wissen aufbauen, um erfolgreich in einen Ingenieur-Beruf zu starten.

1 Einleitung durch Studierende selbstständig erarbeiten, weil die Hardware für Studierende selbsterklärend bzw. be- Regelungstechnik gilt als eine der anspruchsvollsten, reits bestens bekannt ist. Daher lautet die übergeord- aber auch reizvollsten Ingenieurdisziplinen, siehe [2, nete Projektaufgabe, siehe [6, 7]: Es ist eine techni- 7, 9, 11]. Durch die Anwendung und Kombinati- sche Anlage zur Erfüllung einer bestimmten Aufgabe on vieler Fachbereiche zu einer funktionierenden Ge- zu entwickeln. Der Bezug zur Vorlesung und damit samtanlage müssen viele Ingenieurfächer hinreichend die Anwendung ingenieurwissenschaftlicher Metho- beherrscht werden, wie z. B. Elektrotechnik, techni- den ist dabei sicherzustellen. Studierende sollen da- sche Mechanik, aber auch Konstruktionslehre. Das bei idealerweise selbstständig bestimmte Anlagen zur Reizvolle besteht darin, dass das Zusammenspiel der Realisierung vorschlagen. Fachbereiche in einer realen Anlage zur Erfüllung einer bestimmten Zielstellung funktionieren muss. Stu- dierende müssen dabei die teilweise komplexen Zu- 3 Lösungswege und Lernerfah- sammenhänge von technischen Systemen verstehen und abstrahieren. Um dieses Verständnis aufzubauen rung und den Bezug zu realen Anlagen herzustellen, bietet es sich an, die Regelungstechnik mit kleinen Labor- 3.1 Realisierung einer Gleichlaufrege- anlagen zu praktizieren. Hierzu wurde ein Didaktik- lung Konzept erarbeitet, bei dem Studierende vorlesungsbegleitend Projekte mit Hilfe von LEGOR MIND- R R R Beispielhaft wird hier eine Gleichlaufregelung der Po- STORMS und MATLAB / Simulink erarbeiten, sitionen x und y einer Hebebühne als Laborarbeit be- siehe [6, 7, 8]. In diesem Beitrag werden die Lerner- schrieben, siehe Abbildung 1. Die Hebebühne besteht fahrungen solcher Projekte und exemplarisch die Rea- aus zwei Elektromotoren MA und MB, die jeweils über lisierung einer Gleichlaufregelung demonstriert. ein Getriebe G die Positionen x und y beeinﬂussen. Die Idee derartiger Laborprojekte besteht darin, bestimmte Charakteristiken oder Realisierungen realer 2 Aufgabenstellung Anlagen nachzubauen, siehe [6, 7, 8]. Sicherlich lassen sich mit LEGOR MINDSTORMSR einfachere Vorlesungsbegleitend lassen sich kleine regelungs- Konstruktionen für eine Hebebühne bauen, aber das technische Projekte mit LEGOR MINDSTORMSR steht hier nicht im Vordergrund, weil hier reale An-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 109 Regelungstechnische Projektierung und Realisierung mechatronischer Systeme am Beispiel von Hochschul-Laboranlagen

Führungsschienen mit Zahnstangen Lernerfahrung auch zur gezielten Verschlechte- rung des Anlagenverhaltens, g G MA Hebebühne MB G • Berechnung und Bestimmung optimaler Reg- xylerparameter mit vorgelagerter mathematischen Modellbildung

ausgearbeitet werden, siehe [2, 9]. Abbildung 1: Prinzip einer Hebebühne mit zwei Motoren Sehr anschaulich lässt sich auch das Regelstrecken- Modell durch das Sprungantwortverhalten oder durch lagen nachgebildet werden sollen. Bei großen Hebe- verschiedene Frequenzen ermitteln, um z. B. das bühnen oder auch Werkzeugmaschinen wie Pressen Bode-Diagramm zu erhalten, siehe Abbildungen 3 müssen mitunter mehrere Antriebe vorgesehen wer- und 4. den, die später im Gleichlauf arbeiten. Dieses ist als Laborarbeit nachempfunden und über eine Master- Slave-Regelung realisiert, siehe Abbildung 2.

!'$( "

!"#$%&" !'$( ") Abbildung 3: Versuchstechnische Ermittlung eines Bode- Diagramms

160 φω 140

!'$( " 120 100 A2,ω 80 Abbildung 2: Realisierung einer Gleichlaufregelung, die 60 40

Encoder sind jeweils in den Motoren MA und MB integriert 20

-20

-40 A1,ω

Nachdem die Reglerstruktur mit einem Master-Slave- 35 40 45 50 55 Regler entworfen ist, müssen regelungstechnische Projektierungsschritte wie Abbildung 4: Beispiel einer Messung der Encoder-Position (durchgezogen) mit der Phasenverschiebung ϕω und dem / • Signalverarbeitung von Sensordaten mit einem Amplitudenverhätlnis A2,ω A1,ω gegenüber der Anregung ω Tiefpass-Filter, um unerwünschte Reglerauswir- mit der Kreisfrequenz (gestrichelt) kung aufgrund digitaler Sensormesswerte auf das Anlagen-Verhalten zu reduzieren (insbesondere mit einem P- und D-Regleranteil, wobei letzterer hier nicht verwendet ist), 3.2 Lernerfahrung

• Wahl eines hohen Regler-Verstärkungsfaktors für Nachfolgend werden wertvolle Lernerfahrungen aus den Slave-Antrieb, damit der Slave mit dem Ma- Sicht von Studierenden beschrieben, die durch die ster „gut mithalten kann“, Ausarbeitung eines realen regelungstechnischen Pro- • Wahl geeigneter Reglerparameter, z. B. durch jektes gesammelt und oftmals als „Aha-Erlebnis“ Ziegler-Nichols (die Lego-Anlage kann auch empfunden werden. Die Liste der Lernerfahrung soll an die Stabilitätsgrenze gefahren werden) oder hier nur beispielhaft den Nutzen derartiger Projekte durch Integralkriterien, zeigen: • heuristische und auch „spielerische“ Einstellung • Verknüpfung von Theorie und Praxis der Reglerparameter zur Optimierung oder als Beim Studium von theoretischen Grundlagen

110 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Regelungstechnische Projektierung und Realisierung mechatronischer Systeme am Beispiel von Hochschul-Laboranlagen

und mathematischen Beschreibungen von ge durch z.B. „Anlagen-Ächzen“ frühzeitig und Systemen kann der Bezug zur Realität bei realitätsnah erlebbar. Auch, dass nicht beliebi- Studierenden mitunter verloren gehen. Bei ge Parameter für den Regler verwendet werden der Umsetzung in einer realen, physischen dürfen und es eine Stabilitätsgrenze gibt, ist eine Laboranlage werden Studierende allerdings „ge- wertvolle Erkenntnis. Das „unscheinbare“ um- zwungen“ die theoretischen Erkenntnisse mit der kehren eines Vorzeichens oder die geringe, „un- realen Anlage zu verknüpfen. Das frisch ange- scheinbare“ Erhöhung eines Parameters kann re- lesene und gewonnene Wissen aus Vorlesungen gelungstechnisch bereits zur Katastrophe führen. kann direkt an der Laboranlage nachvollzogen Dies sind wertvolle, praxisrelevante Lernerfah- werden, z. B. das Sprungantwort-Verhalten rungen, die durch ein reines Literaturstudium oft- von Elektromotoren. Beispielsweise wird das mals schwer zu vermitteln sind. Verständnis für eine Übertragungsfunktion • maßgeblich verbessert, wenn es eigenständig Anwendung der Mathematik zur Optimie- an realen Anlagen vermessen werden kann, rung von Anlagen z. B. Beobachtung von Messergebnissen eines Bis zu einem gewissen Grad lässt sich ein An- Motor-Anlaufverhaltens mit dem Simulink- lagenverhalten heuristisch verbessern. Eine wei- Block „scope“. tere Optimierung ist dann aber nur möglich, Bei der rein theoretischen Betrachtung einer wenn mathematische Modelle zur Beschreibung Gleichlaufregelung ist ein typischer Fehler, der Anlagen und des Regelkreises herangezogen dass zwei baugleiche Motoren als identisch werden. Diese Erkenntnis wird für Studierende angenommen werden. Die Praxiserfahrung bei derartigen Projekten deutlich, beispielsweise und Realisierung einer Gleichlaufregelung um das Schwingungsverhalten zu verbessern. zeigt allerdings, dass diese Annahme ein • Begeisterung für Regelungstechnik Trugschluss ist, da zwei baugleiche Systeme Bei der ersten Inbetriebnahme von Anlagen wer- in Realität niemals identisch sind, z. B. auf- den oftmals suboptimale Ergebnisse erzielt, z. B. grund Fertigungstoleranzen, unterschiedlicher Schwingen einer Anlage, bleibende Regeldiffe- Reibungseinflüsse. Eine praxistaugliche rege- renzen. Studierende erkennen dabei oftmals den lungstechnische Lösung ist hierfür zwingend eigenen Ehrgeiz und Drang die eigene Anlage erforderlich, wie später noch gezeigt wird. an ein regelungstechnisches Optimum heranzu- führen, wie z. B. die größt mögliche Taktzeit aus der Anlage herauszuholen bei entsprechend ho- • Aufbau von Verständnis für die Regelungs- her Wiederholgenauigkeit und Regelgüte. Da- technik bei wird auch erkannt, dass die Optimierung der Im Alltag gibt es viele Beispiele in denen der Konstruktion einen Einfluss auf das Gesamter- Mensch Anlagen regelt, z. B. beim Autofahren, gebnis hat, was eine sehr wertvolle Erkenntnis beim Greifen von Objekten. Hierbei entwickelt für einen späteren Beruf im Industriealltag ist. der Mensch ein „Gefühl“ für die angewand- Ebenso wird erkannt, dass jedes System seine te Regelung. Bei der Regelungstechnik über- Grenzen hat, z. B. müssen mitunter Geschwin- nimmt der Regler diese automatisierungstechni- digkeiten gedrosselt werden, damit die Anlage sche Aufgabe und muss beim Entwurf entspre- keinen Schaden nimmt, z. B. das Herausspringen chend eingestellt werden. Die Auswirkung und einer Hubbühne aus der Führung. Beeinflussung eines PID-Reglers auf die Regel- strecke ist dabei eine neue Erkenntnis für Stu- • Berufsvorbereitung dierende. Damit verbunden ist auch die Erfah- Die Erfahrung, die an einer realen Laboranlage rung, welche Auswirkung die Änderung von Pa- gesammelt werden, können nun mühelos auf an- rametern und Funktionen nach sich zieht, z. B. dere Anlagen und Systeme übertragen werden. Vergrößerung von Reglerverstärkungen, falsche Damit können Studierende bereits industrienahe Vorzeichen, verschiedene Anregungsfunktionen. „Erfahrungswerte“ im Anlagenbau sammeln, um Damit kann das Anlagenverhalten stark beein- reale Anlagen besser beurteilen und optimieren flusst bis hin zur Instabilität geführt werden. zu können, z. B. unterschiedliche Methoden zur Ebenso ist bei Annäherung an den Grenzbe- Erhöhung von Taktzeiten. Auch lassen sich Ge- reich auch die Belastungsgrenze der Laboranla- fahren viel besser abschätzen, z. B. die Annähe-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 111 Regelungstechnische Projektierung und Realisierung mechatronischer Systeme am Beispiel von Hochschul-Laboranlagen

rung an einen Grenzbereich. Literatur

• Projektierung und Projektmanagement [1] DIN 69901, Teil 1 bis 5. Projektmanagement Bei einem Projektvorhaben mit zeitlich be- – Projektmanagementsysteme. Berlin: Beuth. schränktem Ziel während eines Semesters, müs- 2009. sen „nebenbei“ auch Methoden des Projektma- nagements angewandt werden, z. B. das Aufstel- [2] O. Föllinger. Regelungstechnik. Berlin, Offen- len eines Projektplans inkl. Zeitplan mit Meilen- bach: VDE Verlag. 2016. steinen, die Rücksprache mit Betreuern im Sinne [3] R. Hagl. Elektrische Antriebstechnik. München: eines Projektsponsors bzw. Lenkungsausschus- Carl Hanser. 2013. ses, siehe [1]. Damit wird auch deutlich, wie viel Zeit ein bestimmtes, technisches Vorhaben [4] H. Jaschek, H. Voos. Grundkurs der Regelungs- in Anspruch nimmt. Es reift die Erkenntnis, dass technik. München: Oldenbourg. 2010. gewisse Dinge in der Technik einfach Zeit brauchen, z. B. kann das Verstehen von Anlagen und [5] T. Loose, H. Mehling, E. Holembowski, S. Arns, Zusammenhängen, das Finden von Problemlö- K. Kempf, H. Behl. Im Ziehkissen liegt die Kraft. sungen sehr viel Zeit in Anspruch nehmen. Viele In: BLECH InForm Nr. 5, S. 104 - 107. 2006. Ingenieure kennen Situationen, bei denen noch [6] T. Loose. Projektierung mechatronischer An- bis „Mitten in die Nacht“ an Problemen gearbei- lagen als Laborarbeit in der Hochschullehre tet werden muss, weil die Technik nicht so will, am Beispiel LEGO R MINDSTORMS R . In: wie der Kunde es bestellt hat. Es wird auch die Proc., 2. IFToMM D-A-CH Konferenz,S.1–8 Erfahrung geschult, um selbst Zeiten abschätzen (Tagungsband auf CD-ROM). Universität Inns- zu können, wie lange ein technisches Vorhaben bruck. 2016. in Anspruch nehmen wird. Das ist für eine industriepraktische Anwendung ebenso von großem [7] T. Loose. Projektierung mechatronischer An- Nutzen. lagen in der Hochschullehre am Beispiel von Bei einem derartigen Projekt wird auch das lö- Labormodellen. In: Proc., Workshop 2017 sungsorientierte Denken trainiert, so dass tech- ASIM/GI-Fachgruppen (Commerell, W.; Pawlet- nische Systeme auch nicht zu komplex gestal- ta, T., Hg.), S. 162–167. ARGESIM Verlag Wi- tet werden. Oftmals gibt es in der Technik einen, Hochschule Ulm. 2017. fache, pragmatische und gute Lösungen, die sich am Ende als die Besten herausstellen. [8] T. Loose, Th. Pospiech. Einbindung von Labor- modellen mit industriepraktischen Fragestellun- gen in der Hochschullehre. In: Proc., Workshop Erfahrenen Ingenieuren sind derartige Kenntnisse und 2018 ASIM/GI-Fachgruppen (Loose, T., Hg.), Erfahrungen hinreichend bekannt, siehe [2, 3, 4, 5, 8, Hochschule Heilbronn. 2018. 9, 10, 11, 12]. Allerdings sind diese Erfahrungen für Studierende oftmals neu. [9] H. Lutz, W. Wendt. Taschenbuch der Rege- lungstechnik. Haan-Gruiten: Europa-Lehrmittel. 2014. 4 Zusammenfassung [10] R. C. Oldenbourg, H. Sartorius. Dynamik selbst- tätiger Regelungen. München: Oldenbourg. 1951. Dieser Beitrag zeigt Lernerfahrungen von Stu- dierenden, die durch eine vorlesungsbegleitende [11] W. Oppelt. Kleines Handbuch technischer Regel- regelungstechnische Laborarbeiten mit LEGOR vorgänge. Weinheim / Bergstr.: Verlag Chemie. MINDSTORMSR gewonnen werden können. 1972. Die Idee dabei ist bestimmte Problemstellungen [12] D. Schröder. Elektrische Antriebe – Regelung realer Anlagen nachzugestalten, um dann Lösun- von Antriebssystemen. Berlin, Heidelberg: gen zu entwickeln, z. B. der Reglerentwurf einer Springer Vieweg. 2015. Gleichlaufregelung, siehe auch [6, 7] für weitere Industrieanlagen.

112 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 6WDQGDUGLVLHUXQJG\QDPLVFKHU0RGHOOH]XU$QDO\VH6\QWKHVH6LPXODWLRQ XQG(FKW]HLWUHDOLVLHUXQJ

.DUOKHLQ]:ROIPOOHU +RFKVFKXOH+HLOEURQQ [email protected]

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

(LQOHLWXQJ ODVVHQ6SH]LHOOHSUREOHPSH]LILVFKH/|VXQJHQVROOWHQ QXU QRFK GXUFK 6WUXNWXUDXVZDKO 3DUDPHWHUYDULDWLRQ '\QDPLVFKH 0RGHOOH EHVFKUHLEHQ GDV =HLWYHUKDOWHQ XQG $QSDVVXQJ HU]HXJW ZHUGHQ +lXILJ ZLUG EHL UHDOHU 9RUJlQJH DEVWUDKLHUW PLW GHU 6SUDFKH GHU HLQHP573URMHNWDXVHLQHUJUXQGVlW]OLFKHQ$XIJDEH 0DWKHPDWLNXQGELOGHQGLH%DVLVVlPWOLFKHU$NWLYLWl GXUFKQXPHULVFKH/|VXQJVVFKULWWHHLQVSH]LHOOHV3UR WHQGLHVLFKPLWGHU'\QDPLNHLQHV6\VWHPVEHIDVVHQ EOHPPLWVSH]LHOOHQ/|VXQJHQJHPDFKW'LHVH9RUJH ,QGHUUHDOHQ:HOWZHUGHQGDEHLLPPHU=XVWDQGVlQGH KHQVZHLVH LVW LQHIIL]LHQW XQG VFKUlQNW GLH &KDQFHQ UXQJHQEHVFKULHEHQGLHGXUFK0DWHULH(QHUJLHXQG DXIHLQ2SWLPXPGHU/|VXQJVWDUNHLQ(VZLUGKLHU ,QIRUPDWLRQV7UDQVSRUW:DQGOXQJVXQG6SHLFKHU GHU 9HUVXFK XQWHUQRPPHQ DXI DQDO\WLVFKHP :HJH YRUJlQJHQYHUXUVDFKWZHUGHQ%HLGHU0RGHOOELOGXQJ VWDQGDUGLVLHUWH /|VXQJHQ EHL GHU 0RGHOOELOGXQJ GHU ZHUGHQ GDEHL YHUVFKLHGHQH )RUPHQ YRQ 'LIIHUHQWL 6\VWHPDQDO\VH XQG EHL GHU 6\QWKHVH YRQ 6LPXODWL DOJOHLFKXQJHQ PLW XQWHUVFKLHGOLFKHQ (LJHQVFKDIWHQ RQV 6WHXHUXQJV 5HJHOXQJV XQG 6LJQDODXIEHUHL HLQJHVHW]W 'LH SK\VLNDOLVFKH ,QWHUSUHWLHUEDUNHLW GHU WXQJV$OJRULWKPHQ PLW +LOIH YRQ V\PEROLVFKHQ 0RGHOOHKDWLQGHU3UD[LVHLQHEHVRQGHUH%HGHXWXQJ :HUN]HXJHQ DXI]X]HLJHQ$Q HLQHP H[HPSODULVFKHQ 'XUFKGLH(LQIKUXQJYRQ3RWHQWLDOXQG)OXJU|HQ %HLVSLHOZLUGPLW0$7/$%6LPXOLQNDQHLQHPLQVWD ODVVHQ VLFK GLH (QHUJLHVSHLFKHU LQ HLQHP 6\VWHP ELOHQQLFKWOLQHDUHQ6WUHFNHQPRGHOO]%HLQ3DUDPH PHWKRGLVFK YHUDOOJHPHLQHUW GDUVWHOOHQ 0LW HQWVSUH WHU DGDSWLYHU 3,=XVWDQGVUHJOHU PLW IUHL ZlKOEDUHU FKHQGHQ$QDORJLH%H]LHKXQJHQOlWVLFKGHU%H]XJLQ '\QDPLN XQG HLQHP QLFKWOLQHDUHQ %HREDFKWHU PLW GHQ6\VWHPHQGHU(OHNWURWHFKQLN0HFKDQLN7KHUPR YDULDEOHU6FKlW]IHKOHUG\QDPLNUHDOLVLHUW'DV.RQ]HSW G\QDPLN+\GURG\QDPLNXQG*DVG\QDPLNKHUVWHOOHQ NDQQDOVVWUXNWXUHOOHU/|VXQJVVWDQGDUGIUYLHOH3UR 'LHQLFKWOLQHDUH=XVWDQGVUDXP0RGHOOGDUVWHOOXQJKDW MHNWHYHUZHQGHWZHUGHQ$OOHSK\VLNDOLVFKHQ3DUDPH LQGLHVHP=XVDPPHQKDQJHLQHKHUDXVUDJHQGH%HGHX WHU N|QQHQ LP ODXIHQGHQ 6LPXODWLRQV XQG WXQJ /HLVWXQJVIlKLJH 0RGHOOELOGXQJV $QDO\VH (FKW]HLWEHWULHE YHUlQGHUW ZHUGHQ 'LH 6LPXOLQN 6\QWKHVH 6LPXODWLRQV XQG (FKW]HLWSURJUDPPLH /|VXQJHQ GHU 6LPXODWLRQV XQG GHU (FKW]HLWSUR UXQJV7RROV ELHWHQ PLWWOHUZHLOH GLH 9RUDXVVHW]XQJHQ JUDPPHHQWKDOWHQQXU6XEV\VWHP0RGXOHGLHNRQVH )RUVFKXQJV(QWZLFNOXQJVXQG(QWZXUIVSURMHNWHDXI TXHQWDXIDQDO\WLVFKHP:HJHPLWGHQ:HUN]HXJHQGHU GHP *HELHW GHU 6\VWHPG\QDPLN ZHLWJHKHQG PHWKR V\PEROLVFKHQ 0$7/$%)XQFWLRQ /LEUDU\ Ä57OLE³ GLVFKPLWP|JOLFKVWYLHOHQDQDO\WLVFKHQXQGP|JOLFKVW >@ XQG HLQHP 0$7/$% )XQFWLRQ&RGH *HQHUDWRU ZHQLJ QXPHULVFKHQ /|VXQJVVFKULWWHQ GXUFK]XIKUHQ HU]HXJW ZXUGHQ 'LHVH 3URJUDPPELEOLRWKHN EHQXW]W :LUGGLHVH=LHOYRUJDEHNRQVHTXHQWHLQJHKDOWHQGDUI GLH0$7/$%6\PEROLF7RROER[XQGZXUGHLP57 PDQHUZDUWHQGDVVDP(QGHLPPHUHLQHJDQ]H3UR /DERUGHU+RFKVFKXOH+HLOEURQQHQWZLFNHOW EOHPNODVVHVWDQGDUGLVLHUWJHO|VWZLUG'LH6RIWZDUH PRGXOH GHU 3UREOHPO|VXQJ VROOWHQ VLFK DOOJHPHLQ RKQH SURJUDPPLHUWHFKQLVFKH bQGHUXQJHQ HLQVHW]HQ

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 113

-DQXDU Standardisierung dynamischer Modelle zur Analyse, Synthese, Simulation und Echtzeitrealisierung

'\QDPLVFKH0RGHOOH Q ā P ā WIN \N } \N \NX } X X 'LH G\QDPLVFKH 0RGHOOELOGXQJ HUIROJW LQ GHU 5HJHO PQd N } T JHPl$EELOGXQJ LQPHKUHUHQ6FKULWWHQ9RQ]HQ IUMHGHQ$XVJDQJEHQ|WLJWGLHGDVNDXVDOH6\VWHP WUDOHU%HGHXWXQJGDEHLLVWGLH'HILQLWLRQGHV6\VWHPV YHUKDOWHQGHU:LUNXQJHQ $XVJlQJHQ\ LQ$EKlQJLJ PLW GHU )HVWOHJXQJ YRQ HLQGHXWLJHQ 6\VWHPJUHQ]HQ NHLW GHU 8UVDFKHQ (LQJlQJHQ X XQG GHU 'DPLWOLHJWIHVWZLHYLHOHLQQHUH(QHUJLHVSHLFKHUE]Z 6\VWHPHLJHQVFKDIWHQH[SOL]LWPLWGHQ*U|HQDXVGHU G\QDPLVFKH )UHLKHLWVJUDGH Q LP 6\VWHP DQ GHQ 8PJHEXQJ LQ HLQHP DEVROXWHQ .RRUGLQDWHQV\VWHP =XVWDQGVlQGHUXQJHQEHWHLOLJWVLQG,P0RGHOOZHUGHQ EHVFKUHLEHQ ([LVWLHUHQ QXU OLQHDUH =XVDPPHQKlQJH GLHVH(QHUJLHVSHLFKHUGXUFKGLHLQQHUHQ=XVWDQGVJU| E]Z OLQHDULVLHUW PDQ GDV 6\VWHP *O XP HLQHQ HQ[ L QDEJHELOGHW'LHNDXVDOHQ8UVD L %HWULHEVSXQNW \ X XQG HQWVSUHFKHQGH$EOHLWXQ FKHQ GHV 6\VWHPV VLQG GLH EHNDQQWHQ S % % JHQGDYRQHUJHEHQVLFK T[S OLQHDUHhEHUWUDJXQJV (LQJDQJVJU|HQ X X XQG GLH U XQEHNDQQWHQ S 'LIIHUHQWLDOJOHLFKXQJHQ 6W|UJU|HQ ] ]U EHU GLH GDV 6\VWHP DXV GHU Q Q± 8PJHEXQJ DXVVFKOLHOLFK EHHLQIOXW ZHUGHQ NDQQ \ D \ } D \ā D \ 'LH:LUNXQJHQVLQGLP,QQHUHQGHV6\VWHPVGXUFKGLH N Q± NM N NM N NM N =XVWDQGVJU|HQUHSUlVHQWLHUW,QGHU8PJHEXQJDOOHU P P± E X E X } E Xā E X GLQJVVLQGGLH:LUNXQJHQQXUDQGHQT$XVJlQJHQ PNM M P± NM M NM M NM M \ \ VLFKWEDU1DFKGLHVHU6\VWHPGHILQLWLRQJLEW T PQd N } T M } S HV YHUVFKLHGHQH 0|JOLFKNHLWHQ GLH IXQNWLRQHOOHQ =XVDPPHQKlQJH]ZLVFKHQ8UVDFKHQXQG:LUNXQJHQ MHZHLOV GHV MWHQ (LQJDQJV ]XP NWHQ $XVJDQJ LQ GDU]XVWHOOHQ HLQHP DEVROXWHQ RGHU UHODWLYHQ .RRUGLQDWHQV\VWHP ,P/DSODFH)UHTXHQ]EHUHLFKNDQQGDV0RGHOO*O DXFKPLW+LOIHHLQHUNRPSOH[HQ T[S hEHUWUDJXQJV PDWUL[GDUJHVWHOOWZHUGHQ>@

=XVWDQGVUDXP0RGHOOH =XVWDQGVUDXP0RGHOOHELOGHQGDV6\VWHPYHUKDOWHQLQ ]ZHL6FKULWWHQDE,P6FKULWWZHUGHQGLHLQQHUHQQ G\QDPLVFKHQ)UHLKHLWVJUDGHE]ZGLHLQQHUHQ(QHUJLH ]XVWlQGHLQLKUHQ]HLWOLFKH9HUlQGHUXQJHQMHZHLOVPLW HLQHU 'LIIHUHQWLDOJOHLFKXQJ 2UGQXQJ LQ$EKlQJLJ NHLWYRPLQQHUHQ*HVDPW]XVWDQG[ W XQGGHQ(LQJlQ JHQX W ]XHLQHPEHVWLPPWHQ=HLWSXQNWWDEJHELOGHW ,QGLHVHP0RGHOOLHUXQJVVFKULWWHUJHEHQVLFKQ'LIIH UHQWLDOJOHLFKXQJHQ2UGQXQJGLH]XHLQHP)XQNWLR QHQYHNWRU*O

[ā I[X W $EELOGXQJ0RGHOOELOGXQJHLQHV3UR]HVVHV>@>@ \J[X W 0LWGHU$XIVWHOOXQJGHU6\VWHPJOHLFKXQJHQOlWVLFK GDV6\VWHPYHUKDOWHQDOV ]XVDPPHQJHIDW ZHUGHQ N|QQHQ 'LHVHU 7HLO GHV 0RGHOOV ZLUG DOV QLFKWOLQHDUH =XVWDQGVGLIIHUHQWL • hEHUWUDJXQJVPRGHOO DOJOHLFKXQJ EH]HLFKQHW 'LH:LUNXQJHQ LQ GHU lXH XQGRGHUDOV UHQ 8PJHEXQJ ZHUGHQ LP 6FKULWW GXUFK HLQHQ QLFKWOLQHDUHQ DOJHEUDLVFKHQ )XQNWLRQHQYHNWRU GHV • =XVWDQGVUDXP0RGHOO $XVJDQJV\ W GHU/lQJHTLQ$EKlQJLJNHLWYRQGHQ DEELOGHQ-HGHVGLHVHU0RGHOOHYHUN|USHUWHLQHHLJHQH LQQHUHQ =XVWlQGHQ [ W XQG GHQ (LQJlQJHQ X W ]X 0RGHOONODVVHPLWXQWHUVFKLHGOLFKHQ(LJHQVFKDIWHQ HLQHP=HLWSXQNWWGDUJHVWHOOW*O ZLUGDOVQLFKW OLQHDUH$XVJDQJVJOHLFKXQJEH]HLFKQHW'LH=XVWDQGV hEHUWUDJXQJVPRGHOOH GLIIHUHQWLDOJOHLFKXQJ *O XQG GLH =XU'DUVWHOOXQJHLQHV0,026\VWHPVQWHU2UGQXQJ $XVJDQJVJOHLFKXQJ*O VLQGGLH=XVWDQGVJOHLFKXQ ZHUGHQLPDOOJHPHLQHQTQLFKWOLQHDUHhEHUWUDJXQJV JHQ GHV QLFKWOLQHDUHQ 1/ =XVWDQGVUDXP0RGHOOV 'LIIHUHQWLDOJOHLFKXQJHQ

114 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

-DQXDU Standardisierung dynamischer Modelle zur Analyse, Synthese, Simulation und Echtzeitrealisierung

'LH $EELOGXQJ ]HLJWGDV6WUXNWXUELOGGHV1/ NDSD]LWLYHQ 6SHLFKHUV 'LH =XVWDQGVGLIIHUHQWLDOJOHL =XVWDQGVUDXP0RGHOOV FKXQJ ā H W I W & H EHVFKUHLEWPLWGHU%DXWHLONDSD]LWlW&GHQ=XVDPPHQ KDQJPLWGHU)OXVVJU|H'LH)OXVVJU|HUHSUlVHQWLHUW GLUHNWGHQ(QHUJLH]XVWDQGHLQHVLQGXNWLYHQ6SHLFKHUV $EELOGXQJ6WXNWXUELOG1/=XVWDQGVUDXP0RGHOO 'LH=XVWDQGVGLIIHUHQWLDOJOHLFKXQJ /LQHDULVLHUWPDQGDV1/0RGHOO*O *O XP ā I W H W HLQHQ%HWULHEVSXQNW [%\% ]%GHU5XKHODJHPLW / I EHVFKUHLEW PLW GHU %DXWHLOLQGXNWLYLWlW / GHQ =XVDP I[ % X% \% J[ % X% PHQKDQJPLWGHU3RWHQWLDOJU|H XQGGHU/|VXQJ>[ \ X \ @ % % % % (V ZLUG QXQ QRFK HLQ (QHUJLHZDQGOHU DOV 9HUEUDX HUJLEWVLFKIUGLH$EZHLFKXQJHQ FKHUEDXWHLOPLWGHUUHHOOHQ%DXWHLOJU|H wI wI 5I HIHI e '[ā '[ 'X w[ wX HLQJHIKUWLQGHPPLWGHU:LUNOHLVWXQJ [% X% [% X% wJ wJ S HI 5 I '\ '[ 'X w[ wX [% X% [% X% HLQH JHVWHXHUWH WKHUPLVFKH )OXVVTXHOOH WKHUPLVFKH (QHUJLHHU]HXJWGLHGLH7HPSHUDWXU7 W GHV6\VWHPV HLQ0RGHOOLQHLQHPUHODWLYHQ.RRUGLQDWHQV\VWHPXP DOVWKHUPLVFKH3RWHQWLDOJU|HEHHLQIOXVVWLQ:HFKVHO GHQ%HWULHEVSXQNW9HUlQGHUWPDQQXQGHQ%HWULHEV ZLUNXQJPLWGHU7HPSHUDWXU7 W GHU8PJHEXQJ SXQNW LP SK\VLNDOLVFKHQ :HUWHEHUHLFK HLQHU $XV 8 JDQJVWUDMHNWRULH \ W VR HQWVWHKW HLQ 0RGHOO IU GLH 3RWHQWLDO $EZHLFKXQJHQXPHLQHQ]HLWYHUlQGHUOLFKHQ%HWULHEV 3K\VLNDO )OXVV SXQNW 6\VWHP JU|HH W JU|HI W (OHNWURWHFKQLN 6SDQQXQJ 6WURP '[ā $[ ' W [ %X ' W X X>9@ L>$@ '\&[ ' W [ 'X ' W X 0HFKDQLN LQHLQHUIRUPDOHQ9HNWRUXQG0DWUL]HQVFKUHLEZHLVH 7UDQVODWLRQ *HVFKZLQGLJ .UDIW 'LH 0RGHOOPDWUL]HQ $ % & ' VLQG ]HLWDEKlQJLJ NHLWY>PV@ )>1@ YRQ[ W XQGX W =XHUZlKQHQLVWGDVVDP%HWULHEV SXQNW GDV bQGHUXQJVYHUKDOWHQ GLHVHV 0RGHOOV H[DNW 5RWDWLRQ .UHLVIUHTXHQ] 0RPHQW GHP 9HUKDOWHQ GHV QLFKWOLQHDUHQ 2UJLQDOPRGHOOV DP Z >UDGV@ 0>1P@ %HWULHEVSXQNWHQWVSULFKW'DPLWZLUGGDV6\VWHPYHU 7KHUPR 7HPSHUDWXU :lUPHVWURP KDOWHQLQHLQHPDEVROXWHQE]ZUHODWLYHQ.RRUGLQDWHQ G\QDPLN 7>.@ 4ā >:@ V\VWHP LP QGLPHQVLRQDOHQ =XVWDQGVUDXP ;Q EHVFKULHEHQ +\GUR 'UXFN 9ROXPHQVWURP G\QDPLN S>3D@ 9ā >PV@ 3K\VLNDOLVFKH'HILQLWLRQGHU=XVWDQGVJU|HQ *DVG\QDPLN 'UXFN 9ROXPHQVWURP ,Q GHQ WHFKQLVFKHQ 'LV]LSOLQHQ (OHNWURWHFKQLN S>3D@ Pā 9ā >PV@ 0HFKDQLN7KHUPRG\QDPLN+\GURG\QDPLNXQG*DV U G\QDPLN ODVVHQ VLFK GLH LQQHUHQ =XVWDQGVJU|HQ DOV DEVWUDNWH 3RWHQWLDOJU|HQ H W XQG )OXVVJU|HQ 7DEHOOH$QDORJLHQGHU3RWHQWLDOXQG)OXVVJU|HQ I W YRQ 6SHLFKHUEDXWHLOHQ LQWHUSUHWLHUHQ >@ZLH VLH]%LQ1HW]ZHUNHQEHQXW]WZHUGHQ'LH3RWHQWL 'D JUXQGVlW]OLFK GHUDUWLJH %DXWHLOH DOV WKHUPLVFKH DOJU|HUHSUlVHQWLHUWGLUHNWGHQ(QHUJLH]XVWDQGHLQHV (QHUJLHZDQGOHU LQ MHGHP 6\VWHP YRUKDQGHQ VLQG ZHUGHQ]XU%HVFKUHLEXQJGHU7HPSHUDWXUGHU%DXWHLOH LP 6\VWHP LPPHU G\QDPLVFKH WKHUPLVFKH 0RGHOOH

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 115

-DQXDU Standardisierung dynamischer Modelle zur Analyse, Synthese, Simulation und Echtzeitrealisierung

YRQWKHUPLVFKHQ0DVVHQEHQ|WLJW7KHUPLVFKH(QHU (LJHQVFKDIWHQYRQ=XVWDQGVUDXP0RGHOOHQ JLHVSHLFKHUVLQGJUXQGVlW]OLFKNDSD]LWLYH6SHLFKHU,Q ,QWHUHVVLHUW PDQ VLFK IU GLH SK\VLNDOLVFKHQ LQQHUHQ GHU7DEHOOH VLQGGHU3RWHQWLDOXQGGHU)OXVVJU|H =XVDPPHQKlQJH XQG *U|HQ HLQHV 6\VWHPV ELHWHQ GLH$QDORJLHJU|HQLQGHQHLQ]HOQHQWHFKQLVFKHQ'LV GLH QLFKWOLQHDUHQ =XVWDQGVUDXP0RGHOOH *O XQG ]LSOLQHQ]XJHRUGQHW *O GLH EHVWHQ 9RUDXVVHW]XQJHQ :lKOW PDQ =XU$QVWHXHUXQJGHU(LQJlQJHXXQG]XU5HDOLVLHUXQJ ]XVlW]OLFKGLH=XVWDQGVYDULDEOHQZLHHVLQ.DS GHU$QIDQJV]XVWlQGH [ W GHU (QHUJLHVSHLFKHU VLQG EHVFKULHEHQZLUGLVWGLHEHVWP|JOLFKHSK\VLNDOLVFKH 5HIHUHQ] JHZlKUOHLVWHW 'LHVH 0RGHOOIRUP NDQQ DOV QRFKHLQHLGHDOH3RWHQWLDOTXHOOHXQGHLQHLGHDOH)OXV SK\VLNDOLVFKHU0RGHOOVWDQGDUG]XU%HVFKUHLEXQJGHV VTXHOOH PLW GHQ HQWVSUHFKHQGHQ ,PSHGDQ]EHGLQJXQ =HLWYHUKDOWHQV HLQHV 6\VWHPV DQJHVHKHQ ZHUGHQ JHQ QRWZHQGLJ ,Q GHU $EELOGXQJ VLQGGLH =XVlW]OLFK LVW GLH PDWKHPDWLVFKH )RUP XQG 6WUXNWXU 1HW]ZHUNEDXHOHPHQWH]XVDPPHQJHIDVVWGLHLQ3DUDO $EELOGXQJ GHU0RGHOOJOHLFKXQJHQUHODWLYHLQIDFK OHOXQGRGHU5HLKHQVFKDOWXQJ]XNRPSOH[HQG\QDPL XQGSUlGHVWLQLHUW]XU9HUDUEHLWXQJPLWHLQHP'LJLWDO VFKHQ 1HW]ZHUN0RGHOOHQ >@ ]XVDPPHQ JHVFKDOWHW UHFKQHU$OVH[HPSODULVFKHV%HLVSLHOVROOKLHUGDVDOO ZHUGHQN|QQHQ'XUFK$QZHQGXQJGHU.QRWHQXQG JHPHLQ EHNDQQWH DNDGHPLVFKH /HKUPRGHOO 0DVFKHQVlW]H ELHWHQ GLHVH 0RGHOOH GLH Ä0DJQHWIHOG 6FKZHEHN|USHU³ GLHQHQ ,Q GHP 1HW]ZHUNEDXWHLOH 0$7/$%3URJUDPP &RGH ZLUG NRQVHTXHQW PLW DNWLY SDVVLY V\PEROLVFKHQ 9DULDEOHQ GDV 1/=XVWDQGVUDXP 4XHOOHQ 6SHLFKHU 9HUEUDX 0RGHOOJHPl*O *O LP0$7/$%:RUNV 3RWHQWLDO )OXVV NDSD]LWLY LQGXNWLY FKHU SDFHJHELOGHW TXHOOH TXHOOH %% I W I I HT W T I % Parameter Magnetfeldregelung H H H %------syms k kd g m R L Fm f_NL g_NL x u y w H W I W H W %% H W I W & / 5 T T I W % Nichtlineares Zustandsraum-Modell %======$EELOGXQJhEHUVLFKWGHU1HW]ZHUNEDXWHLOHIUGLH % NL-Zustandsdgl x'=f_NL(x,u,t) G\QDPLVFKH0RGHOOELOGXQJ %------f_NL(1,1) = x(2); LGHDOHQ9RUDXVVHW]XQJHQ]XUV\VWHPDWLVFKHQ$XIVWHO f_NL(2,1) = -kd/m*x(2)-k/m*x(3)... OXQJGHU0RGHOOJOHLFKXQJHQ>@ ^2/x(1)^2+g; f_NL(3,1) = -(R/L)*x(3)+1/L*u $QDO\VH % NL-Ausgangsglg y=g_NL(x,u,t) /LQHDUH hEHUWUDJXQJVPRGHOOH N|QQHQ GLUHNW LQ GLH %------VSH]LHOOHQ =XVWDQGVUlXPH GHU 5HJHOXQJVQRUPDOIRUP g_NL = x(1) 51) XQG GHU %HREDFKWXQJVQRUPDOIRUP %1) EHUIKUWZHUGHQ>@'DEHLVLQGGLH=XVWDQGVYDULDE % Matlab-function Generator OHQGLUHNWPLWGHQ$XVJlQJHQXQGGHUHQ$EOHLWXQJHQ create_matfkt('NL_zgl_matfkt', f_NL, YHUNQSIW6LHVLQGDOVRQXUQRFKEHGLQJWRGHUQLFKW g_NL) PHKUSK\VLNDOLVFKLQWHUSUHWLHUEDU &RGH6\PEROLVFKH1/=XVWDQGVJOHLFKXQJHQ (LJHQVFKDIWHQYRQhEHUWUDJXQJVPRGHOOHQ 'LH YHUZHQGHWHQ 0$7/$%IXQFWLRQV VLQG %HVWDQG /LQHDUHhEHUWUDJXQJVPRGHOOHZHUGHQYRUQHKPOLFKLQ WHLOH GHU LP 57/DERU GHU +RFKVFKXOH +HLOEURQQ GHUNODVVLVFKHQ5HJHOXQJVWHFKQLNLP/DSODFH%LOGEH HQWZLFNHOWHQ 0$7/$%IXQFWLRQ /LEUDU\ Ä57OLE³ UHLFK ]XU )UHTXHQ]DQDO\VH XQG GHP (QWZXUI NODVVL >@ 'HU 0$7/$%IXQFWLRQ &RGH *HQHUDWRU VFKHU 3,'6WDQGDUGUHJHONUHLVH LQVEHVRQGHUH EHL „cre- LQ GHU OHW]WHQ =HLOH JHQHULHUW 6,626\VWHPHQ HLQJHVHW]W .RPSOH[H QLFKWOLQHDUH ate_matfkt(...)“ DXWRPDWLVFK GHQ 3URJUDPP&RGH GHU 1/=XVWDQGV 0HKUJU|HQV\VWHPH GHUHQ LQQHUH SK\VLNDOLVFKH JOHLFKXQJHQI [X J [X LQHLQHP0$7/$%IXQF (LJHQVFKDIWHQ LQWHUHVVLHUHQ ODVVHQVLFK PLW hEHUWUD WLRQ P)LOH PLW GHP 1DPHQ JXQJVPRGHOOHQQXUVFKZHURGHUEHUKDXSWQLFKWSK\ 'NL_zgl_matfkt' 'LHVHU&RGH*HQHUDWRUELOGHWDXVHLQHUV\PEROLVFKHQ VLNDOLVFKDQDO\VLHUHQ $XVGUXFN/LVWHGHQ0$7/$%&RGHHLQHU0$7/$%

116 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

-DQXDU Standardisierung dynamischer Modelle zur Analyse, Synthese, Simulation und Echtzeitrealisierung

IXQFWLRQLQHLQHPP)LOHPLWGHP1DPHQGHVhEHU ZHUGHQLQGHUÄ57OLE³:HUN]HXJHIUGLHIROJHQGHQ JDEH6WULQJV DQDO\WLVFKHQ6\QWKHVHVFKULWWH]XU9HUIJXQJJHVWHOOW %HQXW]WPDQGDUEHUKLQDXVQRFKGLH%HWULHEVSXQNW • =XVWDQGVUHJOHU YDULDEOH3ROHXQG3DUDPHWHU GDUVWHOOXQJ*O *O *O XQG*O VRN|Q QHQ IRUPDO GLH $QDO\VHZHUN]HXJH GHU OLQHDUHQ • 3,=XVWDQGVUHJOHU YDULDEOH3ROHXQG3DUDPHWHU 6\VWHPWKHRULH >@ DQJHZHQGHW ZHUGHQ (V EHVWHKW • $GDSWLYHU=XVWDQGVUHJOHU YDULDEOH3ROHXQG GDPLWGLH0|JOLFKNHLWHLQ6\VWHPHQWODQJEHVWLPPWHU 3DUDPHWHU %HWULHEVWUDMHNWRULHQ EH]JOLFK VHLQHU (LJHQVFKDIWHQ ]X EHWUDFKWHQ =XP %HLVSLHO N|QQHQ 6WHXHUEDUNHLW • $GDSWLYHU3,=XVWDQGVUHJOHU YDULDEOH3ROHXQG %HREDFKWEDUNHLWXQG6WDELOLWlWPLWGHU(LJHQZHUWDQD 3DUDPHWHU O\VH PLW DQDO\WLVFKHQ:HUN]HXJHQDQ YHUlQGHUOLFKHQ • /LQHDUHU0HKUJU|HQ(QWNRSSOXQJVUHJOHU %HWULHEVSXQNWHQ XQWHUVXFKW ZHUGHQ 'HU 0$7/$% YDULDEOH3ROHXQG3DUDPHWHU 3URJUDPP&RGH IKUWGLHVHQ6FKULWWGXUFK 1LFKWOLQHDUHU0HKUJU|HQ(QWNRSSOXQJVUHJOHU %% • YDULDEOH3ROHXQG3DUDPHWHU % Stationärer Betriebspunkt %------• %HREDFKWHU YDULDEOH'\QDPLNXQG3DUDPHWHU [xB, uB]=nl_statb(f_NL,g_NL,x,u,y) %% • 1/%HREDFKWHU YDULDEOH'\QDPLNXQG % Linearisiertes Modell 3DUDPHWHU %------[Asym, Bsym, Csym, Dsym] = ... 6LPXODWLRQ nl2lin(f_NL, g_NL, x, u, y) %% ,Q$EELOGXQJ LVWHLQPLW6LPXOLQNUHDOLVLHUWHV6LPX % Analyse am Betriebspunkt ODWLRQVPRGHOO GDUJHVWHOOW GDV DOV 5HJHOV\VWHP6WDQ %------GDUGEHWUDFKWHWZHUGHQNDQQ % Symbolische Eigenwerte Eigsym=eig(Asym)

&RGH6WDWLRQlUHU%HWULHEVSXQNWPLWOLQHDULVLHUWHP 0RGHOOXQG(LJHQZHUWDQDO\VH

)KUWPDQGLH$QDO\VHVFKULWWHNRQVHTXHQWPLWV\P EROLVFKHQ 0DWKHPDWLN7RROV GXUFK VLQG GLH DQDO\WL VFKHQ (UJHEQLVVH DEKlQJLJ YRQ GHQ YHUlQGHUOLFKHQ 6\VWHPSDUDPHWHUQXQGVLQGVRDOOJHPHLQJOWLJLQWHU SUHWLHUEDU 'LHV NDQQ DOV HUKHEOLFKHU )RUWVFKULWW JHJHQEHU UHLQ QXPHULVFKHQ /|VXQJHQ DQJHVHKHQ ZHUGHQ

6\QWKHVH $EELOGXQJ6WDQGDUGLVLHUWHV6LPXOLQN5HJHOV\VWHP

(VJLEWNDXPDOOJHPHLQDQZHQGEDUHPDWKHPDWLVFKH $EELOGXQJ ]HLJW GLH 6LPXOLQN/|VXQJ GHV 6XEV\ :HUN]HXJH]XU6\QWKHVHYRQ6WHXHUXQJV5HJHOXQJV VWHPV GHV VWDQGDUGLVLHUWHQ 1/6WUHFNHQPRGHOOV (V XQG %HREDFKWXQJV$OJRULWKPHQ DQ 1/=XVWDQGV HQWVSULFKW VWUXNWXUHOO H[DNW GHP PDWKHPDWLVFKHQ UDXP0RGHOOHQ $OOH EHNDQQWHQ OLQHDUHQ 6\QWKHVH 0RGHOOYRQ$EELOGXQJ (VN|QQHQKLHU]%DXFK ZHUN]HXJH>@N|QQHQQDWUOLFKDXIGLHOLQHDULVLHUWHQ GLH6\VWHPSDUDPHWHUG\QDPLVFKZlKUHQGGHU6LPXOD %HWULHEVSXQNW0RGHOOH *O *O DQJHZHQGHW WLRQE]ZLPODXIHQGHQ(FKW]HLWEHWULHEYHUlQGHUWZHU ZHUGHQ,QGHUÄ57OLE³ZHUGHQ0$7/$%IXQFWLRQV GHQ 6lPWOLFKH LP 5HJHOV\VWHP EHWHLOLJWHQ EHUHLWJHVWHOOWGLHGLHJlQJLJHQ6\QWKHVHVFKULWWHNRQ .RPSRQHQWHQ SDVVHQ VLFK G\QDPLVFK DQ 6WUXNWXUHOO VHTXHQW DQDO\WLVFK DQ GHQ OLQHDULVLHUWHQ %HWULHEV LGHQWLVFK LVW GLH 6LPXOLQN /|VXQJ GHV 1/%HREDFK SXQNW0RGHOOHQXPVHW]HQ'DEHLZLUGGLH0$7/$% WHUVGHUDOVDGDSWLYHU%HREDFKWHUPLWHLQHPYRQGHU 6\PEROLF7RROER[ HLQJHVHW]W 1DFK DNWXHOOHP 6WDQG 0HVVJU|HG\QDPLVFKJHVWHXHUWHQ%HWULHEVSXQNWHQW

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 117

-DQXDU Standardisierung dynamischer Modelle zur Analyse, Synthese, Simulation und Echtzeitrealisierung

ZRUIHQ ZXUGH )U GLH 5HDOLVLHUXQJ GHU 5HJHOXQJ $QZHQGXQJVEHLVSLHOH N|QQHQVlPWOLFKHDXIJHIKUWHQ=XVWDQGVUHJOHU7\SHQ 'LHKLHUYRUJHVWHOOWH9RUJHKHQVZHLVHGHUDQDO\WLVFKHQ 0RGHOOLHUXQJ $QDO\VH 6\QWKHVH 6LPXODWLRQ XQG (FKW]HLWUHDOLVLHUXQJ ZXUGH LQ PHKUHUHQ 3URMHNWHQ VFKRQDQJHZHQGHWXQGYHULIL]LHUW([HPSODULVFKZHU GHQKLHU]%JHQDQQW 1/7DQN0,020RGHOO (QWNRSSOXQJVUHJHOXQJPLW(LQJlQJHQ $XVJlQJHQ=XVWlQGHQ 1/JDVG\QDPLVFKHV0,020RGHOO 1/(QWNRSSOXQJVUHJHOXQJPLW(LQJlQJHQ $XVJlQJHQ=XVWlQGHQ ,Q DOOHQ 3URMHNWHQ VLQG GLH /|VXQJHQ GHU HLQ]HOQHQ 6FKULWWHQ PLW GHQ 3URJUDPP0RGXOHQ VWUXNWXUHOO $EELOGXQJ1/6WUHFNHQPRGHOO6LPXOLQN6WDQGDUG LGHQWLVFK REZRKO Y|OOLJ XQWHUVFKLHGOLFKH SK\VLNDOL DXVJHZlKOWZHUGHQ$XFKKLHULVWGLHLQWHUQH6WUXNWXU VFKH3UREOHPVWHOOXQJHQEHKDQGHOWZHUGHQ JOHLFK %HREDFKWHU XQG 5HJOHU VLQG YROOVWlQGLJ 6\VWHPSDUDPHWHUDEKlQJLJXQGYDULDEHOLQGHU'\QD =XVDPPHQIDVVXQJ PLNGXUFKYHUlQGHUOLFKH3ROH 'DV 1/=XVWDQGVUDXP0RGHOO PLW GHQ SK\VLNDOLVFK GHILQLHUWHQ=XVWDQGVJU|HQZLUGKLHUDOV6WDQGDUGPR (FKW]HLWUHDOLVLHUXQJ GHOO HLQJHIKUW 6lPWOLFKH 0RGHOOLHUXQJV$QDO\VH 0LW GHQ DNWXHOO YHUIJEDUHQ 3UR]HVVRUOHLVWXQJHQ LVW 6\QWKHVH 6LPXODWLRQV XQG (FKW]HLWUHDOLVLHUXQJV GLH5HDOLVLHUXQJGHU3DUDPHWHUDGDSWLYHQ5HJOHUXQG VFKULWWHZHUGHQDOVDQDO\WLVFKH/|VXQJHQPLWV\PER %HREDFKWHU$OJRULWKPHQ XQWHU KDUWHQ (FKW]HLWEHGLQ OLVFKHQ $XVGUFNHQ XPJHVHW]W 'DPLW ZLUG HLQH JXQJHQ LQ GHU 5HJHO NHLQ JUXQGVlW]OLFKHV 3UREOHP G\QDPLVFKH 3DUDPHWULHUXQJ GHU /|VXQJHQ LQ DOOHQ PHKU 'HU PD[LPDOH DOJRULWKPLVFKH$XIZDQG H[L 0RGXOHQ P|JOLFK ,Q GHQ (QWZLFNOXQJVSKDVHQHLQHV VWLHUWLQGHU3UD[LVQDWUOLFKQXULQGHU(QWZLFNOXQJV 3URMHNWVLVWGDPLWGLHJU|WH)OH[LELOLWlWPLWEHVWP|J SKDVH 1DFK GHU 6\VWHPRSWLPLHUXQJ E]JO GHU OLFKHP2SWLPXPGHU/|VXQJJHJHEHQ(VOLHJWLPPHU =LHONULWHULHQ GHU NRQNUHWHQ $QZHQGXQJ VLQG YLHOH HLQH /|VXQJ GHU SK\VLNDOLVFKHQ 3UREOHPNODVVH YRU 3DUDPHWHULPSUDNWLVFKHQ%HWULHEDOVNRQVWDQWDQ]XVH 1XPHULVFKH/|VXQJVVFKULWWHGLHGLH$OOJHPHLQJOWLJ KHQ 'HU 5HFKHQ]HLWDXIZDQG NDQQ VLFK GDQQ VWDUN NHLWHLQVFKUlQNHQZHUGHQNRQVHTXHQWYHUPLHGHQ UHGX]LHUHQ 'DV 5HJHOV\VWHP JHPl $EELOGXQJ OlW VLFK GLUHNW RKQH bQGHUXQJ GHU 6XEV\VWHPH PLW 5HIHUHQ]HQ 5HDO7LPH6LPXOLQNRGHUDQGHUHQ+DUGZDUH6XSSRUW 3DFNDJHVPLWHQWVSUHFKHQGHP&&RGH*HQHUDWRUDOV >@2WWR)|OOLQJHU5HJHOXQJVWHFKQLN (FKW]HLWSUR]HVVEHLGLVNUHWHU$EWDVW]HLWLPSOHPHQWLH +HLGHOEHUJ+WKLJ9HUODJ$XIODJH UHQ (V LVW QXU GLH 6WUHFNH GXUFK GLH 6HQVRU$NWRU >@.DUOKHLQ]:ROIPOOHU6\VWHPG\QDPLNXQG ,QWHUIDFHVGHU5HDOWLPH+DUGZDUHDQGHU6WHOOJU|HX 6LPXODWLRQ+RFKVFKXOH+HLOEURQQ XQG GHU 0HVVJU|H \ ]X HUVHW]HQ 'LH$OJRULWKPHQ :6 GHU(FKW]HLWXQGGHU6LPXODWLRQVO|VXQJVLQGQDFKGHU 'LVNUHWLVLHUXQJ LGHQWLVFK 'DV KLHU YRUJHVWHOOWH %HL >@.DUOKHLQ]:ROIPOOHU0RGHOOELOGXQJXQG VSLHOZXUGHPLWGHU6LPXOLQN5HDO7LPH7RROER[XQG 6LPXODWLRQ+RFKVFKXOH+HLOEURQQ 3&+DUGZDUH PLW 3&,1, ,2,QWHUIDFHV XQWHU :6 KDUWHQ(FKW]HLWEHGLQJXQJHQ 5W2QWLPH.HUQHO UHDOL >@.DUOKHLQ]:ROIPOOHU57OLE0$7/$% VLHUW 6HOEVW PLW HLQHP 'HELDQ /,18;.HUQHO DXI IXQFWLRQ/LEUDU\57/DERU+RFKVFKXOH HLQHP 5DVSEHUU\ 3, NRQQWH HLQH $EWDVW]HLW YRQ +HLOEURQQ 7$ PVHF IU GHQ 5HJHOXQJVSUR]HVV LP 5W6WDWXV HLQJHKDOWHQZHUGHQ

118 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

-DQXDU Generierung von Simulationsmodellen zur Ermittlung des Systemver- haltens von Shuttle-Systemen

Thomas Kriehn1, Franziska Schloz2, Karl-Heinz Wehking2, Markus Fittinghoff1 1Hochschule Heilbronn, Fakultät für Technische Prozesse 2Universität Stuttgart, Institut für Fördertechnik und Logistik [email protected]

Shuttle-Systeme sind automatische Lagersysteme, die häufig zur Lagerung von Kleinladungsträgern und seltener im Palettenbereich eingesetzt werden. Sie sind für Lager mit hohen Durchsatzanforderungen geeignet. Simulationmodelle zur Ermittlung des Systemverhaltens von Shuttle-Systemen werden häufig eingesetzt. Wenn diese auf Basis von Simulationswerkzeugen entwickelt werden und eine Visualisierung der Prozesse enthalten, können z. T. bestimmte Parameterwerte nur mit höherem Aufwand variiert werden. Dieser Beitrag stellt ein Verfahren zur Generierung von Simulationsmodellen vor. Dadurch ist die Möglichkeit vorhanden, Parameterwerte mit geringem Aufwand zu variieren. Weiterhin sind im Simulationsmodell die Lagerstrate- gien Chaotische Lagerplatzbelegung und Durchsatzbasierte Lagerplatzbelegung implementiert. Mit den Si- mulationsmodellen wird das Systemverhalten einfachtiefer gang- und ebenengebundener Shuttle-Systeme ermittelt. Die Parameter zur Beschreibung des Systemverhaltens sind der Durchsatz, die Spielzeit, die War- tezeit und der Nutzungsgrad der Fördermittel. Die Ergebnisse zeigen die Sensitivität des Systemverhaltens des Shuttle-Systems bei Variation der Parameterwerte Geschwindigkeit, Lastübergabezeit, Anzahl Lagerplät- ze und Anzahl Ebenen. Weiterhin wird das Potential zur Durchsatzsteigerung durch die Durchsatzbasierte Lagerplatzbelegung gezeigt.

1 Einleitung dell generiert, das die dafür angepassten Prozesse ausführt. Das Simulationsmodell wird zur Ermittlung Der Einsatz von Simulationsmodellen zur Ermittlung des Systemverhaltens des Shuttle-Systems mit der des Systemverhaltens von komplexen Materialfluss- vorgegebenen Parameterkombination eingesetzt. Das systemen kommt in vielen Fällen zum Einsatz, wenn eingesetzte Simulationswerkzeug ist die Simulations- eine analytische Berechnung nicht oder nur mit ver- software Automod V 12.6.2. einfachenden Annahmen durchgeführt werden kann Die vom Simulationsmodell ermittelten Parameter- oder wenn ein analytisches Modell validiert werden werte zur Beschreibung des Systemverhaltens von soll. Simulationsmodelle kommen häufig in der Pla- Shuttle-Systemen sind der Durchsatz, die Spielzeit, nungsphase eines Materialflusssystemes zum Einsatz, die Wartezeit und der Nutzungsgrad der Fördermittel. zur Detailplanung oder zur Absicherung einer bereits Shuttle-Systeme sind automatische Lagersysteme. abgeschlossenen Planung. Die Entwicklung von Si- Die vertikale Förderung erfolgt über Lifte, die hori- mulationsmodellen ist meist aufwendig. Simulati- zontale über Shuttle-Fahrzeuge. Weit verbreitet sind onsmodelle werden deshalb i. d. R. nur dann einge- Shuttle-Systeme mit gang- und ebenengebundenen setzt, wenn es keine einfachere Methode zur hinrei- Shuttle-Fahrzeugen. Dabei kann ein Shuttle-Fahrzeug chenden Beantwortung der Fragestellung gibt. die Ebene nicht verlassen, dementsprechend befindet Dieser Beitrag zeigt ein Verfahren zur Minimierung sich in jeder Ebene ein Shuttle-Fahrzeug. des Aufwandes zur Entwicklung eines ereignisdiskre- Abbildung 1 zeigt ein gang- und ebenengebundenes ten Simulationsmodells für Shuttle-Systeme, das die Shuttle-System mit zwei Behälterliften. Visualisierung der Prozesse beinhaltet. Dies wird durch die automatische Generierung von Simulati- onsmodellen erreicht. Das Simulationsmodell beinhaltet die Möglichkeit bestimmter Parametervariationen, die zu einer Ände- rung der Visualisierung der Prozesse führen. Bei der Abbildung 1: Gang- und ebenengebundenes Shuttle- Variation der Parameter, welche die Visualisierung System [1]. beeinflussen, wird jeweils ein neues Simulationsmo-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 119 Generierung von Simulationsmodellen zur Ermittlung des Systemverhaltens von Shuttle-Systemen

In diesem Beitrag werden Abkürzungen verwendet. angewandt [4]. Das Verhältnis der Länge/Höhe des

2 Shuttle-Systems wird häufig optimiert [5, 6, 7, 8, 9]. aL Beschleunigung Lift [m/s ] 2 In [5, 10, 11, 12] dienen die Simulationsmodelle aSh Beschleunigung Shuttle-Fahrzeug [m/s ] BLP Breite Lagerplatz [m] auch der Validierung eines analytischen Modells. Zur DL,ES Mittlerer Durchsatz Lift ES [LE/h] Simulation werden entweder Eigenentwicklungen [6, DS Doppelspiel 7, 10, 4] oder Simulationswerkzeuge wie Arena [2, DSh,DS Mittlerer Durchsatz Shuttle-Fahrzeug DS [LE/h] 11, 8], Automod [3], Plant Simulation [9] oder Simio DSh,ES Mittlerer Durchsatz Shuttle-Fahrzeug ES [LE/h] [5] eingesetzt. E Anzahl Ebenen In keiner der genannten Veröffentlichungen findet ES Einzelspiel eine Variation der Lastübergabezeiten von Lift und H Höhe Ebene [m] E Shuttle-Fahrzeug statt, d. h. die Sensitivität des Sys- HZ Häufigkeit der Zonenansteuerung je Zone L Anzahl Lagerplätze je Ebene je Gangseite temverhaltens bei Änderung dieses Parameters auf LE Ladeeinheit das Systemverhalten ist noch nicht untersucht wor- LF Lagerfüllgrad [%] den. Auch die Geschwindigkeit wird nur in zwei NL Nutzungsgrad Lift [%] Veröffentlichungen variiert [6, 10]. Nsh Nutzungsgrad Shuttle-Fahrzeug [%] PE/A Position des Ein-/Auslagerungspunktes [m] 2.2 Simulationsmodell PF Pufferplätze je Ebene Das Simulationsmodell ermittelt den Grenzdurchsatz, Q Vorgabewert Anzahl Lagerplätze im Lager Min d. h. den maximal möglichen Durchsatz für die ge- T Lastübergabezeit (Aufnahme, Abgabe) Lift [s] L,Aufab wählte Parameterkombination. In jedem Szenario TL,ES Mittlere Spielzeit Lift ES [s] wird angenommen, dass jederzeit Aufträge zur Bear- TL,SP Schalt- und Positionierzeit Lift [s] TSh,Aufab Lastübergabezeit Shuttle-Fahrzeug [s] beitung zur Verfügung stehen. Abbildung 1 zeigt die TSh,DS Mittlere Spielzeit Shuttle-Fahrzeug DS [s] verwendete Lagerkonfiguration, ein Shuttle-System TSh,SP Schalt- und Positionierzeit Shuttle-Fahrzeug [s] mit zwei Behälterliften pro Gang. Die Lagerung er- vL Geschwindigkeit Lift [m/s] folgt einfachtief. Die Kapazität zur Ladeeinheitenauf- vSh Geschwindigkeit Shuttle-Fahrzeug [m/s] nahme beträgt bei den Liften und den Shuttle- wSh,DS Wartezeit Shuttle-Fahrzeug DS [s] Fahrzeugen 1. Jeder Lagerplatz kann eine Ladeeinheit Z Zonenzuordnug je LP aufnehmen. Die Kapazität der Pufferplätze je Ebene ZV Zonenvarianten beträgt 1. Der Lagerfüllgrad beträgt 50 %. Der Ruhe- ZA Anzahl Zonen Der Beitrag ist wie folgt strukturiert: In Kapitel 1 punkt eines Shuttle-Fahrzeugs nach der Bearbeitung erfolgt eine Einleitung. Kapitel 2 beinhaltet Beschrei- eines Auftrags ist an der Position der Pufferplätze. bungen zur vorhandenen Literatur (2.1), zum Simula- Folgende Parameter des Simulationsmodells können tionsmodell (2.2), zur Generierung von Simulations- variiert werden: vL, aL, TL,Aufab, TL,SP, E, HE, PE/A, vSh, modellen (2.3) und zu den implementierten La- aSh, BLP, L, TSh,Aufab, TSh,SP, Z, ZA,HZ, LF, PF. gerstrategien (2.4). Das Simulationsmodell wird für 2.3 Generierung eines Simulationsmodells eine Analyse unterschiedlicher Shuttle-Systeme angewendet (2.5) und die Ergebnisse der Simulations- Für die automatische Generierung eines Simulati- studie gezeigt und interpretiert (2.6). Kapitel 3 enthält onsmodells wird folgendes Vorgehen gewählt: die Zusammenfassung des Beitrags sowie einen Aus- 1. Entwickeln eines Basis-Modells mit festge- blick auf mögliche weitere Forschungsarbeiten. legten Parameterwerten. 2. Eingabe der gewünschten Parameterwerte für das zu generierende Modell in eine Text- 2 Generierung und Anwendung Datei. 2.1 Literatur 3. Einlesen der gewünschten Parameterwerte aus der Text-Datei mit der Software Matlab. Zu gang- und ebenengebundenen Shuttle-Systemen 4. Die Modell-Dateien des Basis-Modells mit existieren mehrere Veröffentlichungen [2-12]. In den der Software Matlab einlesen. Diese enthal- meisten der genannten Veröffentlichungen wird aus- ten alle Referenzierungen auf Modellmaße, schließlich die Chaotische Lagerplatzbelegung ange- Anzahl der Komponenten im Modell usw. wendet. Ausnahmen bilden [2, 3, 4], dabei werden die 5. Variation der Automod-Modell-Dateien Durchsatzbasierte Lagerplatzbelegung [2, 3] sowie durch einen dafür entwickelten Algorithmus. verschiedene Priorisierungen der Ebenenansteuerung

120 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Generierung von Simulationsmodellen zur Ermittlung des Systemverhaltens von Shuttle-Systemen

6. Erzeugen von Ausgabe-Dateien mit der ge- 2.4 Implementierte Lagerstrategien änderten Codierung. Das Simulationsmodell enthält die Lagerstrategien 7. Ersetzen der Dateien des Basis-Modells Chaotische und Durchsatzbasierte Lagerplatzbele- durch die Ausgabe-Dateien. gung. Bei der Chaotischen Lagerplatzbelegung wird 8. Speichern des Ausgabe-Modells. jeder Lagerplatz mit der gleichen Wahrscheinlichkeit Nach der Generierung kann das Modell mit der Soft- für eine Einlagerung ausgewählt. Bei der Durchsatz- ware Automod geöffnet werden und die visuelle Um- basierten Lagerplatzbelegung werden bestimmte gebung wird auf Basis der geänderten Dateien er- Lagerplätze häufiger (A-Zone) und andere seltener zeugt. Abbildung 2 zeigt zwei generierte Simulati- (B, C, oder mehr Zonen) zur Einlagerung ausgewählt. onsmodelle ausschnittsweise in der Seitenansicht. 2.5 Anwendung des Simulationsmodells Zur Ermittlung des Systemverhaltens von Shuttle- 36 Systemen werden für die Lastübergabezeit und die Geschwindigkeit von Lift und Shuttle-Fahrzeug Sen- Lagerplätze sitivitätsanalysen durchgeführt. Weiterhin werden die Anzahl der Ebenen und die Anzahl der Lagerplätze

Ebenen variiert. Die Parameter zur Beschreibung des Sys- 12 temverhaltens sind der Durchsatz, die Spielzeit, die Wartezeit und der Nutzungsgrad der Fördermittel.

Ebenen Weiterhin wird das Potential zur Durchsatzsteigerung Lagerplätze Lagerplätze der Durchsatzbasierten Lagerplatzbelegung gezeigt. Abbildung 2: Simulationmodelle, mit Automod geöff- Als konstante Parameterwerte werden in den Analy- net, links hohes Shuttle-System mit 36 Ebenen sen folgende verwendet: Breite Lagerplatz B (0.5), rechts relativ dazu ein niedriges Shuttle-System mit LP 12 Ebenen Höhe Ebene HE(0.4), Lagerfüllgrad LF(50), Position E/A-Punkt PE/A(1), Schalt- und Positionierzeit Lifte Der Algorithmus berechnet neue Lagerabmessungen TL,SP(0.5) und Shuttle-Fahrzeuge TSh,SP(0.5). auf Basis der Parameterwerte für die Visualisierung Für die Sensitivitätsanalyse werden die Parameter des Simulationsmodells und trägt diese und alle wei- Geschwindigkeit Lift vL(1,2,3,4,5,6,7,8) und teren vorgegebenen Parameterwerte an den richtigen Lastübergabezeit Lift TL,Aufab(1,2,3,4,5,6,7,8) variiert. Stellen in der jeweiligen Datei des Simulationsmo- Wenn Parameterwerte variiert werden, dann werden dells ein. Im Folgenden wird ein Beispiel des Algo- für die jeweils anderen Parameter folgende konstan- rithmus zur Generierung eines neuen Modells be- ten Parameterwerte verwendet: Geschwindigkeit Lift schrieben. Dabei werden die einzelnen Ebenen des vL(2), Lastübergabezeit Lifte TL,Aufab(2), Lastüberga- Lifts in die Lift-Datei eingetragen: bezeit Shuttle-Fahrzeug TSh,Aufab(4). Dies dient der 1. Zeilenweises Durchsuchen der Lift-Datei zur Vergleichbarkeit, da der Einfluss auf das Systemver- ersten Zeile in der die Ebenen eingetragen halten durch jeweils einen Parameter ermittelt werden werden. soll. Die Lagerplätze eines Ganges des Shuttle- 2. Solange Ebenenzähler <= Anzahl der Ebe- Systems werden für die Sensitivitätsanalyse auf einen nen gehe zu 3., sonst zu 9. Vorgabewert von QMin(4000) festgelegt. Es werden 3. Berechnung der Höhe der jeweiligen Ebene fünf Varianten der Höhen- und Längenvariation ana- auf Basis der Parameter Anzahl Ebenen und lysiert, ausgehend von einem sehr niedrigen Shuttle- Lagerabmessungen. System mit langen Gängen zu einem sehr hohen 4. Durchsuchen der Zeile nach der Position des Shuttle-System mit kurzen Gängen. Hierbei wird der zu ändernden Parameterwerts. Vorgabewert QMin(4000) nahezu konstant gehalten: 5. Ändern des Parameterwerts (Angabe der Variante 1: E(8), L(250), Q(4000), Variante 2: E(16), Höhe der jeweiligen Ebene). L(125), Q(4000), Variante 3: E(24), L(83), Q(3984), 6. Ebenenzähler um 1 erhöhen. Variante 4: E(32), L(63), Q(4032), Variante 5: E(40), 7. Gehe in die nächste Zeile. L(50), Q(4000). 8. Gehe zu 2. Für die Analyse verschiedener Zonierungsvarianten 9. Falls vorhanden, überflüssige Zeilen mit werden Parametervariationen für die Lastübergabe- weiteren Ebenen löschen. zeit der Lifte TL,Aufab und der Shuttle-Fahrzeuge

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 121 Generierung von Simulationsmodellen zur Ermittlung des Systemverhaltens von Shuttle-Systemen

TSh,Aufab gleichzeitig vorgenommen. Dasselbe gilt für Fahrzeug betrachtet. Die Ergebnisse beziehen sich auf Variationen vL und vSh. Ziel der Analyse der Zonie- einen Gang. rungsvarianten ist das Potential zur Durchsatzsteige- Abbildung 4 zeigt den Einfluss der Anzahl der Ebe- rung verschiedener Zonierungen für eine Variante nen E und der Anzahl der Lagerplätze L auf den eines Shuttle-Systems bei unterschiedlichen Ge- Durchsatz eines Lifts, bei Variation der Geschwindig-

schwindigkeiten und Lastübergabezeiten zu zeigen. keit vL und der Lastübergabezeit TL,Aufab der Lifte. QMin für die Zonierungsvarianten wird auf 2400 La- gerplätze festgelegt. Es wird ein Shuttle-System mit der Kombination E(12) und L(100) verwendet. Die Variationen beinhalten die Lastübergabezeiten für

Lifte TL,Aufab(1,2,6) und Shuttle-Fahrzeuge TSh,Aufab(2,4,8) sowie die Beschleunigung und Ge- schwindigkeit für Lifte, aL(2.5,6) und vL(2,7), und Abbildung 4: Durchsatz eines Lifts, Variation vL Shuttle-Fahrzeuge, aSh(2,6) und vSh(2, 7). (links) und TL,Aufab (rechts) Bei Variation der Parameter werden zur Vergleichbar- keit für die jeweils anderen Parameter folgende kon- Variante 2 mit 16 Ebenen und 125 Lagerplätzen hat bei Geschwindigkeiten des Lifts vL(1-4) und stanten Werte gewählt: aL(2.5), aSh(2), vL(2), vSh(2), Lastübergabezeiten TL,Aufab(1-4) die höchsten TL,Aufab(2) und TSh,Aufab(4). Bei den Zonierungsvarianten ZV0 – ZV4 werden drei Durchsätze, d. h. das Verhältnis E(16)/L(125) des Zonen gebildet, A, B, und C. Diese werden mit unter- Shuttle-Systems ist im Vergleich zu den weiteren schiedlichen Häufigkeiten angesteuert, A: 60 %, B: Varianten am günstigsten. Bei Lastübergabezeiten des 30 % und C: 10 %. Je Zone wird eine bestimmte LP- Lifts von TL,Aufab(4-8) stellt der Lift in jeder Variante Anzahl je Gangseite reserviert, A: 240, B: 360 und C: den Engpass dar. Dementsprechend hat Variante 1 mit 600. ZV0 steht für die Chaotische Lagerplatzbele- nur 8 Ebenen für TL,Aufab(4-8) den höchsten Durch- gung, d. h. ohne Zonierung. Abbildung 3 zeigt die satz, aufgrund der kürzeren Fahrtwege des Lifts. verwendeten Zonierungsvarianten. Abbildung 5 zeigt den Durchsatz und die Spielzeit eines Lifts für die in Kapitel 2.5 genannten fünf Vari- 12 12 anten bei einer Variation der Geschwindigkeit des C C Lifts. 7 6 Ebenen Ebenen A B 3 B

37 100 A 40 100 Lagerplätze Lagerplätze

12 12 C 8 B ACB 5 Ebenen Ebenen Abbildung 5: Durchsatz (Links) und Spielzeit (rechts) A eines Lifts, Variation vL 20 50 100 48 75 Lagerplätze Lagerplätze Eine Erhöhung der Geschwindigkeit des Lifts bis zu 4 2 Abbildung 3: Zonierungsvarianten ZV1 - ZV4, ZV1 m/s hat eine durchsatzsteigernde oben links, ZV2 oben rechts, ZV3 unten links, ZV4 (=spielzeitsenkende) Wirkung. Bei höheren Ge- unten rechts schwindigkeiten bleibt der Durchsatz weitgehend konstant, da der Einfluss der Geschwindigkeit des 2.6 Ergebnisse Lifts im Vergleich zu dessen Lastübergabezeit immer Der Durchsatz des Shuttle-Systems entspricht dem geringer wird. Dies trifft bei Variante 1 nicht zu, da Durchsatz aller eingesetzten Lifte. Das ist dadurch hier aufgrund der Länge des Shuttle-Systems die begründet dass die Lifte die Schnittstelle zu angren- Shuttle-Fahrzeuge den Engpass darstellen. zenden Systemen bilden. Über die Lifte werden La- Abbildung 6 zeigt die Wartezeiten und den Nut- deeinheiten von angrenzenden Systemen aufgenom- zungsgrad eines Shuttle-Fahrzeugs. Je schneller der men und wieder an diese abgegeben. In den folgen- Lift fährt, desto geringere Wartezeiten haben die den Analysen werden jeweils ein Lift und ein Shuttle- Shuttle-Fahrzeuge, da die Ebenen häufiger durch den

122 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Generierung von Simulationsmodellen zur Ermittlung des Systemverhaltens von Shuttle-Systemen

Lift bedient werden. Der Nutzungsgrad eines Shuttle- Der Nutzungsgrad eines Shuttle-Fahrzeugs sinkt bei Fahrzeugs wird durch die Geschwindigkeitsänderun- steigender Lastübergabezeit, da die Shuttle-Fahrzeuge gen des Lifts nur geringfügig beeinflusst. dann seltener durch den Lift bedient werden. Abbildung 9 zeigt den Durchsatz der Zonierungsvari- anten bei Variation der Parameterwerte.

Abbildung 6: Wartezeit (links) und Nutzungsgrad (rechts) eines Shuttle-Fahrzeugs, Variation vL Abbildung 7 zeigt den Durchsatz und die Spielzeit eines Lifts bei einer Variation der Lastübergabezeit des Lifts. Eine Senkung der Lastübergabezeit des Lifts hat eine durchsatzsteigernde Wirkung. Der sehr hohe Einfluss der Lastübergabezeit auf Durchsatz und Spielzeit ist erkennbar. Abbildung 9: Durchsatz des Lifts für unterschiedliche ZV und Parametervariationen, Parameter oben links TL,Aufab(2), TSh,Aufab(4), oben rechts TL,Aufab(6), TSh,Aufab(8), unten links TL,Aufab(1), TSh,Aufab(2), unten rechts aL(6), vL(7), aSh(6), vL(7). ZV1 und ZV4 haben die höchsten Durchsätze, da sie Abbildung 7: Durchsatz (links) und Spielzeit (rechts) die Spielzeiten von Lift und Shuttle-Fahrzeug opti- eines Lifts, Variation TL,Aufab mieren. ZV2 ordnet die Zonen reihenweise an, dadurch steuert der Lift nur die unteren Ebenen häu- Abbildung 8 zeigt den Durchsatz eines Shuttle- figer an. Der Durchsatz verteilt sich auf wenige Shut- Fahrzeugs bei einer Variation der Lastübergabezeit tle-Fahrzeuge, diese werden auch nicht bzgl. ihrer des Lifts. Spielzeit optimiert. Daraus resultiert der geringere Durchsatz. ZV2 hat z. T. geringere Durchsätze als ZV0 (keine Zonierung). ZV3 ordnet die Zonen spal- tenweise an. Dadurch werden die Shuttle-Spielzeiten optimiert. Der Lift steuert aber weiterhin alle Ebenen mit der gleichen Häufigkeit an. Deutlich zeigt sich Abbildung 8: Durchsatz (links) und Nutzungsgrad bei allen Zonierungsvarianten der Einfluss der (rechts) eines Shuttle-Fahrzeugs, Variation TL,Aufab Lastübergabezeiten auf den Durchsatz. Bei TL,Aufab(1) und T (2) können die höchsten Durchsätze er- Der Durchsatz eines Shuttle-Fahrzeugs ist ebenfalls Sh,Aufab reicht werden. von den Lastübergabezeiten des Lifts abhängig. Der Zusammenfassend zeigt die Simulationsstudie dass Durchsatz eines Shuttle-Fahrzeugs ist in Variante 1 der Einfluss der Lastübergabezeiten auf den Durch- am höchsten, da diese Variante die einzige ist,bei satz sehr hoch ist und Geschwindigkeitserhöhungen welcher der Lift nicht den Engpass darstellt. Je gerin- nur bis zu einem bestimmten Grad durchsatzsteigernd ger die Lastübergabezeiten des Lifts, desto weniger sind. Je nach verwendeten Parametern existiert ein werden die Shuttle-Fahrzeuge bzgl. ihres Durchsatzes optimales Verhältnis zwischen Länge und Höhe des begrenzt. Weiterhin ist die Ebenenanzahl der Varian- Lagers. Die Durchsatzbasierte Lagerplatzbelegung ten zu beachten: Variante 5 hat deshalb den gerings- kann den Durchsatz deutlich steigern, wenn so zoniert ten Durchsatz für ein Shuttle-Fahrzeug, da das Shut- wird dass die Durchsätze des Lifts und des Shuttle- tle-System 40 Ebenen hat. Das führt dazu dass der Fahrzeugs jeweils erhöht werden und in den häufig Lift die einzelnen Ebenen seltener bedient als z. B. frequentierten Ebenen in etwa übereinstimmen. bei Variante 1 mit 8 Ebenen.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 123 Generierung von Simulationsmodellen zur Ermittlung des Systemverhaltens von Shuttle-Systemen

3 Zusammenfassung und Ausblick [4] S. Zhang, N. Zhao und Y. Zhao. Universal In diesem Beitrag wurde eine Möglichkeit zur Gene- Simulation Model of Autonomous Vehicle Storage & Retrieval System. Proceedings of the rierung von Simulationsmodellen vorgestellt. Die 21st International Conference on Industrial Generierung der Simulationsmodelle bezieht sich auf Engineering and Engineering Management 2014, Shuttle-Systeme. Das Vorgehen zur Generierung S. 325 - 330, 2015. könnte aber ebenso auf andere Systeme übertragen [5] M. Eder und G. Kartnig. Durchsatzoptimierung werden. von Shuttle-Systemen mithilfe eines analytischen Durch die automatisierte Generierung von Simulati- Berechnungsmodells. Logistics Journal, onsmodellen ist es möglich ein unternehmensspezifi- Proceedings, 2016. sches Shuttle-System abzubilden. [6] T. Lerher. Design of Eperiments for Identifying Das Vorgehen zur Generierung von Simulationsmo- the Throuphput Performance of Shuttle-Based dellen wurde im Beitrag angewendet und es wurden Storage and Retrieval Systems. Proceedings verschiedene Analysen zur Ermittlung des System- from the 10th International Scientific verhaltens von Shuttle-Systemen durchgeführt. Es Conference Transbaltica 2017, Procedia zeigte sich ein deutlicher Einfluss der Lastübergabe- Engineering 187, S. 324 - 387, 2017. zeiten auf den Durchsatz. Eine Erhöhung der Ge- [7] T. Lerher, M. Borovinsek, M. Ficko und I. schwindigkeit steigert ebenfalls den Durchsatz, aller- Palcik. Parametric Study of Throupgput dings nur bis zu einem Grenzwert, anschließend Performance in SBS/RS based on Simulation. bleibt der Durchsatz trotz weiterer Erhöhung weitge- International Journal of Simulation Modelling (16), S. 96 - 107, 2017. hend konstant, da die Lastübergabezeiten dann über- wiegen. Weiterhin konnte gezeigt werden dass bei [8] G. Marchet, M. Melacini, S. Perotti und E. Anwendung der Durchsatzbasierten Lagerplatzbele- Tappia. Development of a framework for the design of autonomous vehicle storage and gung Zonierungsvarianten von Vorteil sind, welche retrieval systems. International Journal of die Spielzeiten von Lift und Shuttle-Fahrzeugen op- Production and Research, Jg. 51, Nr. 14, timieren und aufeinander abstimmen. S. 4365 - 4387, 2013. Ausblick: Das beschriebene Simulationsmodell kann [9] Z. Ning, L. Lei, Z. Saipeng und G. Lodewijks. um weitere Lagerkonfigurationen (Shuttle-Systeme An efficient simulation model for rack design in mit Fahrzeugliften) und Lagerstrategien erweitert multi-elevator shuttle-based storage and werden. Der Algorithmus zur Anpassung der Auto- retrieval system. Simulation Modelling Practice mod-Dateien wird entsprechend komplexer, um eine and Theory, Jg. 67, S. 100 - 116, 2016. automatische Generierung der Modelle sicherzustel- [10] T. Lerher, B. Ekren, G. Dukic und B. Rosi. len. Die Variablenzahl wird ebenfalls größer. Weiter- Travel time model for shuttle-based storage and hin kann auch die Durchführung von Simulationsläu- retrieval systems. International Journal of fen automatisiert werden. Advanced Manufacturing Technology, Jg. 78, Nr. 9, S. 1705 - 1725, 2015. 4 References [11] G. Marchet, M. Melacini, S. Perotti und E. Tappia. Analytical model to estimate [1] VDI-2692. Shuttle-Systeme für performances of autonomous vehicle storage Kleinbehälterlagerung. Berlin: Beuth-Verlag, and retrieval systems for product totes. 2015. International Journal of Production Research, [2] B. Y. Ekren, Z. Sari und T. Lerher. Warehouse Jg. 50, Nr. 24, S. 7134 - 7148, 2012. design unter class-based storage policy of [12] B. Y. Ekren, A. Akpunar, Z. Sari und T. Lerher. A shuttle-based storage and retrival system.IFAC- Queuing Network Approach for Performance PapersOnLine, Jg. 48, Nr. 3, S. 1152 - 1154, Estimation of Shuttle Based Storage and 2015. Retrieval System Design. Proceedings of the [3] T. Kriehn, F. Schloz, K.-H. Wehking und M. XXII International Conference on Material Fittinghoff. Storage management policies for Handling, Construction and Logistics, Planeta throughput optimization of shuttle-based storage Print, Serbien, Belgrad, S. 185 - 188, 2017. and retrieval systems. Proceedings of the XXII International Conference on Material Handling, Constructions and Logistics, Planeta Print, Serbien, Belgrad, S. 177 - 184, 2017.

124 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

MbedTarget - A Simulink Target for Cortex-M Microcontrollers

Olaf Hagendorf HS Wismar, Research Group CEA [email protected]

The MATLAB/Simulink add-ons for C and C++ code generation, MATLAB Coder, Simulink Coder and Em- bedded Coder, are a widely used and well established technologies for rapid prototyping, model based design, real-time simulation and similar technologies. Mathworks provides the prerequisites for code generation for many Simulink blocks and MATLAB functions. Missing is the direct support of peripheral functions like digital and analog input/outputs, communication functionalities and other microcontroller features when the goal is to execute a Simulink model within a small embedded system. To extend the above coders to support these functions, several add-on toolboxes exists, delivered by Mathworks itself or by third-party suppliers. In the following, the programming of microcontrollers is shortly introduced and their resource utilization is compared, starting with assembler up to code generation by a Mathworks coder products. After introducing and comparing different Cortex-M coder toolboxes, the MbedTarget toolbox as an open source alternative is presented. With examples and code snippets, the principle of the code generation process, the work flow of MbedTarget together with the principle to define a Simulink block is shown.

1 Introduction They are licensed by ARM Holding. The licensees are producing MCUs with the Cortex microprocessor core MATLAB/Simulink is widely used in the engineering but company specific peripheral components. education, among others in control theories. Other topics of the student education are microcontroller (MCU) 2.1 Cortex-M familly Overview programming and the integration of these into physical Members of the Cortex-M family are 32bit MCUs with processes. Main tools for implementing the algorithms a broad range of processing power, memory sizes, pe- are C and C++ compiler. The interaction with physical ripheral components etc. Since the introduction of the systems makes knowledge about control theory often first variant, the Cortex-M3 core was released in 2005 necessary. But the media break between Simulink at and first silicon products were sold in 2006 [1], other one side and C and C++ programming at the other side variants with more or less powerful cores, e.g. Cortex- can make this complicated. M7 and -M0, were introduced. The Cortex-M MCUs With MATLAB, Simulink and Embedded Coder, have been become a widely used technology, a huge toolboxes to create C and C++ code out of Simulink amount of manufacturers are delivering variants. The models or MATLAB programs are provided. distributor mouser [2] has ca. 6800 variants of Cortex- M MCUs in its catalog. At all, it lists ca. 40000 MCUs. To combine both topics, the direct support of peripheral functions like digital and analog input/outputs and 2.2 Programming other MCU features to interact with a physical system The following subchapters are shortly introducing and within a Simulink model is necessary. For this, addi- comparing typical embedded programming principles. tional packages to extend the coder toolboxes exist, as MATLAB or third-party Add-Ons. 2.2.1 Assembler After a short introduction of MCU programming vari- Since the invention of microprocessors, assembly lan- ants in chapter 2 and their resource comparison, the guage has been used [3]. To have the full control over next chapter describes a few coder toolboxes. In chap- them and their periphery, it is still common to use as- ter 4, the new MbedTarget is introduced as an alterna- sembly language. The importance of it decreased over tive coder toolbox. the time in comparison to other languages, but it is still under the 10 most used [4]. 2 Cortex Microcontroller Cortex MCUs are 32- and 64bit microprocessors, divided into three subfamilies Cortex-M, -R and -A.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 125 MbedTarget - A Simulink Target for Cortex-M Microcontrollers

2.2.2 C/C++ with HAL library 2.2.4 Data flow oriented programming Many MCU producing companies does not only pro- This programming paradigm, i.e. visual programming, vide the silicon chip but delivers also software librar- has some advantages in comparison to the above men- ies. Experiences show that unlike with previous 8 and tioned imperative, text based languages [8, 9]: 16bit processors, the programming of current 32bit x the depiction of a real world object succeed par- MCUs without these libraries considerably increases ticularly well the overhead. As an example, STM32Cube by x challenging concepts of imperative languages STMicroelectronics (STM) [5] is introduced. The soft- like variables and dynamic data structures are ware consists of two parts: not relevant x it provides parallel execution without the need x STM32CubeMX A tool for C code generation for initialization of of explicit instruction hardware functions, adding and configuring of x the clarity eases prototypical implementation middleware libraries like TCP/IP stack, RTOS, USB, file systems etc. and finally the generation 2.2.5 Conclusion of project files for several integrated develop- As a comparison of the different programming princi- ment environments (IDEs). ples, the hello world of MCU programming, a LED x STM32 MCU packages blinking application, is compared in its resource usage These packages implement a hardware abstrac- (sizes of read-only and read/write memory) [10]. The tion layer (HAL) to provide standardized API effort to program the application, can only be qualita- calls for all STM MCU families. An additional tively estimated. The effort decreases from the usage part of the packages are middleware libraries like of assembler language, over a general C and HAL pro- TCP/IP stack, RTOS, USB, file systems and graphical libraries. gramming and Mbed. The data flow oriented programming will produce the lowest cost in terms of time to 2.2.3 Mbed library create the application. But it also has the highest re- The Mbed project was started in 2005 by two ARM source utilization as can be seen in table 1. employers, Simon Ford and Chris Styles, who are programming Flash size RAM size helping out in undergraduate and after-school projects. principle (byte) (byte) Both were not satisfied with the current situation and assembler 88 0 developed the idea to ease the MCU development [6]. Among others, main ideas of this are [7]: C without library 716 1632 MCU specific HAL 13921 10321 x open source MCU debugging and programming 28522 10322 hardware 3 3 x online toolchain Mbed HAL 22576 1432 4 4 x object oriented HAL with adaption layer to 37716 8484 different company specific HAL libraries Data flow oriented5 58932 8060

The object oriented HAL is a C/C++ MCU software 1 low layer library used [5] 2 high layer library used [5] platform containing object oriented peripheral and li- 3 without RTOS 4 with RTOS (default config.) 5 MbedTarget v1 brary APIs, C adaption layers and startup code for 232 MCUs [7]. Additionally, several Python tools are part Table 1. Resource comparison of programming principles using the blinking example [10] of Mbed, providing functions for compiling, testing, library management, exporting project files to several IDEs etc. 3 MATLAB/Simulink targets for Cortex-M controller Mbed significantly reduces the effort of getting started Simulink is a widely used data flow oriented develop- with ARM based MCUs. A drawback is the amount of ment tool. To program MCUs with it, beside the additional software layers which leads to an increase MbedTarget, introduced in this paper, several other tar- of binary sizes. The possibility to compile the same gets exist. They are provided by the Add-Ons manager code for different MCUs is advantage and a disad- of MATLAB, or are available as third-party tools. vantage at the same time. Three of these: Embedded Coder Support Package for STMicroelectronics Discovery Boards [11], Simulink

126 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 MbedTarget - A Simulink Target for Cortex-M Microcontrollers

Coder Support Package for STMicroelectronics Mouser [2] lists 38 kits in its catalog, the support pack- Nucleo Boards [12] and STM32-MAT/TARGET [13] age supports 9 of them: Nucleo-F401RE, Nucleo- are introduced in the following. F103RB, Nucleo-F302R8, Nucleo-F031K6, Nucleo- L476RG, Nucleo-L053R8, Nucleo-F746ZG, Nucleo- 3.1 Embedded Coder Support Package for F411RE and Nucleo-F767ZI. STMicroelectronics Discovery Boards STM32 Discovery kits are low cost solutions for the For all boards the Mbed library is used. evaluation of STM32 Cortex-M MCUs by STM. Be- The only supported compiler is GNU GCC. side the MCU and the necessary infrastructure to use For all boards, Simulink blocks for analog in, digital it, the kits contains additional peripheral items like dis- in/out, serial communication and timer are available. plays and sensors. Mouser [2] lists 20 kits in its cata- The MCU pin usage is restricted to 22 pins. The sup- log, the support package can handle three of them: ported MCU hardware functionality is very basic. STM32F746G-DISCO, STM32F769I-DISCO and STM32F4-Discovery. To generate, compile and link the C Code of a Sim- ulink model a single step – Deploy to Hardware – is For the STM32F4-Discovery the old, no longer sup- necessary. ported standard peripheral library is used, the other two boards are using the Mbed library. The package requires the Simulink Coder toolbox. The only supported compiler is GNU GCC. Figure 2 shows an example, an alternating digital pin. For the STM32F4-Discovery board, Simulink blocks for analog in, digital in/out, audio in/out and Interrupt handling are available. All MCU pins are usable.

For the other boards, blocks for analog in, digital Figure 2. Example with Simulink Coder Support in/out, serial communication, timer, TCP, UDP and au- Package for STM Nucleo Boards dio in/out are available. The MCU pin usage is restricted to 22 pins. 3.3 STM32-MAT/TARGET This packages is provided by STM. It is based on The supported MCU hardware functionality for all STM32Cube. The Simulink package supports all three variants is very basic, the pin usage is partly re- STM32 MCUs. stricted. All compiler supported by STM32CubeMX can be To generate, compile and link the C Code of a Sim- used: EWARM, Keil MDK V4 and V5, TrueSTUDIO, ulink model a single step – Deploy to Hardware – is SW4STM32 and GNU GCC. necessary. Blocks for analog in/out, digital in/out, serial commu- The package requires the Embedded Coder toolbox. nication, timers, watchdogs are provided. The block Figure 1 shows an example, an alternating digital pin. set uses the code generation utility STM32CubeMX. Because of this, the supported MCU hardware functionality is considerably large. To generate, compile and link the C Code of a Sim- ulink model, two steps are necessary: executing the Simulink function: Deploy to Hardware and project Figure 1. Example with Embedded Coder Support Package for STM Discovery Boards building in the chosen IDE. The package requires the Embedded Coder toolbox. 3.2 Simulink Coder Support Package for STMicroelectronics Nucleo Boards Figure 3 shows an example, an alternating digital pin. STM32 Nucleo kits are the lowest cost solutions for the evaluation of STM32 Cortex-M MCUs by STM. Beside the MCU and the necessary infrastructure to

use it, the kits does not contain additional peripheral items except a few kits with Ethernet connectivity. Figure 3. Example with STM32-MAT/TARGET

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 127 MbedTarget - A Simulink Target for Cortex-M Microcontrollers

3.4 Conclusion To generate, compile, link and flash the C Code of a Whereas the provided functionality of the support Simulink model a single step – Deploy to Hardware – packages introduced in chap. 3.1 and 3.2 is very basic, is necessary. the other package offers nearly as much functions as Figure 4 shows an example, a blinking LED. the MCU hardware provides. All packages are free of charge. But the main disadvantage of all is: they are closed source. Own exten-

sions are difficult to realize or even not possible. The supported MCUs depends on the manufacturer, mainly Figure 4. Example with MbedTarget STM32 products are supported. Mathworks and third 4.1 Principle of MbedTarget code generation parties offers some more targets supporting e.g. NXP KL25Z and K64F, Infineon XMC, Nordic Semicon- The principle workflow when processing a Simulink ductor NRF51 and BBC micro:bit. Although the num- model to an executable binary is shown in figure 5. ber of Cortex-M MCUs is huge, the selection of Sim- ulink targets and supported MCUs is restricted. libraries

Simulink/Embedded Simulink/Embedded Mbed library Coder Coder execution 4 MbedTarget output:output: momodel.rtw extension libraries Target Language MbedTarget is completely open from both sides: all Compiler execution output: model.cpp + Makefile Mbed hook code and configuration files i.e. MATLAB code, tem- project generator Matlab Run-time interface plates, configurations etc. as well as all MCU libraries support c/cpp/h files output: target_tools.mk are available free of charge and as source codes. It is Make output: model.bin based on MbedOS 5, therefore all MbedOS 5 compat- hook Target flash ible microcontrollers can be used to run Simulink models. Figure 5. Principle of the MbedTarget code generation MbedTarget uses internally GNU GCC to compile the Simulink or Embedded Coder are generating an rtw generated source code. Additionally, project files for file from the model. That is a specific textual represen- all Mbed supported IDEs can be generated. With these tation of the model. Together with tlc files (target lan- project files, the generated code can be manually com- guage compiler files) which are part of MATLAB and piled and/or debugged when the Simulink model does of the specific Simulink target, the target language not run or own blocks are developed. compiler (TLC) generates several c/cpp/h files and a The Simulink block library contains two groups of Makefile meanwhile the process can be influenced by blocks: hook calls.

x for Mbed functionality MbedTarget uses the code generation principle based on tlc files: mbed.tlc for the Embedded Coder or x for sensors, actors, .. based on additional libraries mbed_grt.tlc for Simulink Coder as the starting points. The first group contains blocks for analog in/out, digi- The TLC offers several hooks to customize the code tal in/out, user LEDs, user buttons, serial communica- generation process i.e. the transformation process from tion, timers, Ethernet, RTOS etc. rtw to c/cpp files. Mainly two hooks are used by The second group contains blocks for external analog MbedTarget: before_calling_make for code handling to digital converter, digital to analog converter, exter- processes and after_calling_make for the compiling nal digital in/out chips, several sensors and actors like and flashing process. temperature, pressure, motion, magnetometer, range, The whole procedure can be summarized by the fol- motor control, display, etc. Additionally, MCU specific lowing steps: blocks for encoder, input capture, random number generator and counter are provided. 1. The TLC uses the current MATLAB working path to store all generated files in a folder with a name MbedTarget supports both available coder toolboxes constructed using the Simulink model name and with Simulink model code generation capabilities, Simulink Coder and Embedded Coder.

128 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 MbedTarget - A Simulink Target for Cortex-M Microcontrollers

‘slprj’, e.g. blinky_slprj. During this process Sim- x Output Mode for pull up, pull down, open drain, ulink tlc files where used for each standard Sim- … - options are corresponding to Mbed options ulink block, for each non-Simulink block another of the DigitalInOut C++ class for digital in/out tlc file is provided by MbedTarget. Beside the pins. c/cpp/h files generated out of tlc files, also a make- x Sample time defines the time period, how often file is created based on template makefiles the digital value is written to the MCU pin. The mbed.tmf or mbed_grt.tmf. This makefile needs value has to be a multiple of the global step size. an additional make include file, generated within the hook function, described in step 2. 4.3 MbedTarget Simulink block creation 2. After step 1, during the hook call before_call- To implement custom Simulink blocks, the following ing_make, a target specific folder is created. Into elements are necessary: this folder, all generated files are copied and a x a block mask Mbed specific make include file is generated. This include file is very similar to a standard gcc make- x a S-function file used by Mbed. x a tlc file consisting of a mixture of target lan- 3. After executing the hook before_calling_make guage and C/C++ code make is called and a bin file is created. The block mask defines the outlook of the block as 4. During the hook call after_calling_make, the bin shown in the Simulink model editor, defines the input file is flashed to the target MCU. items available in the block mask dialog. It also defines block title, block help text and the help menu entry. 4.2 MbedTarget Simulink block usage This chapter describes shortly the components of an The block parameters connect the block with a S-func- MbedTarget Simulink block. The Digital Output block tion, i.e. a binary mexw64 file implemented in C, and is chosen because it is one of the simplest blocks. It has a tlc file witch has the identical name. In MbedTarget, only a single input port to write a digital value to MCU the S-function mainly describes the behavior of the pin and is depicted in figure 6. block: number and type of input and output ports, checks parameters and prepares the transfer of these to the TLC. A tlc file is a mixture of tlc code, a script like language,

and C/C++ code in a form of snippets. The script code Figure 6. MbedTarget Digital Output block controls the usage of the C/C++ snippets and how and where they are put into a generated C/C++ file. The tlc file contains mainly three functions: Setup, Start and Output. Setup controls the inclusion of additional headers and source files, where Start is executed once to generate initialization code and Output is called once in every simulation loop. Even if the name is output, the function has to handle also input values, send by Simulink to input ports. In the following, snippets of the Start function are described in detail as an example:

1 %assign nPortName=LibBlockParameterValue(PortName,0) Figure 7. Parameter dialog box 2 %assign nPinNum=LibBlockParameterValue(PinNumber,0) 3 %assign pname="P"+FEVAL("char",nPortName+64) With a double click onto the block, a configuration di- 4 %assign pname=pname+"_"+FEVAL("int2str",nPinNum-1) alog opens as shown in figure 7. The block has 4 pa- Lines 1 and 2 fetches the variables entered in the block rameters which has to be configured in the dialog: mask dialog. Lines 3 and 4 creates from these a pin x Port Name and Pin Number to choose a digital name, e.g. PA_0 as used for STM32 MCUs. port, e.g. PA0

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 129 MbedTarget - A Simulink Target for Cortex-M Microcontrollers

5 %assign name = FEVAL( 6 References "strrep",LibGetFormattedBlockPath(block),"/","_") 6 %assign name = FEVAL("strrep",name," ","_") [1] J.Yiu. Definitive Guide to ARM Cortex-M3 and 7 %assign name = FEVAL("strrep",name,"-","_") Cortex-M4 Processors. Newnes, UK, 2013. Lines 5 to 8 create a unique name based on the com- [2] https://www.mouser.de (accessed 01.2018) plete block name, e.g. blinky_Digital_Output for a [3] D.Kusswurm. Modern X86 Assembly Language block Digital Output in a model blinky. The Simulink Programming. Springer, USA, 2014. path contains characters, e.g. ‘/’, spaces and ‘-’, which are replaced by ‘_’ to create a valid C identifier. [4] https://www.tiobe.com/tiobe-index/ (accessed 12.2017) 8 %openfile declbuf 9 DigitalInOut %(%); [5] STM32Cube: http://www.st.com/en/embedded 10 %closefile declbuf -software/stm32cube-mcu-packages.html 11 %assign srcFile = LibGetModelDotCFile() (accessed 12.2017) 12 % [6] https://os.mbed.com/handbook/Founders- Finally, lines 8 to 12 create a single line in the declara- interview (accessed 12.2017) tion section of the generated source file, shown in line [7] https://www.mbed.com/en/ (accessed 12.2017) 13: [8] C.Keltsch. Ein visuelles Programmiersystem 13 DigitalOut blinky_Digital_Output(PA_0); zur Modellierung deskriptiver Untersuchungen The line 13 is the necessary Mbed code to create a dig- in der Datenanalyse. Diplomarbeit, Diplomica ital output. Verlag, 1998. A few more lines in the tlc file, using the same princi- [9] W.Maydl. Komponentenbasierte Software- ple, are creating the remaining, necessary C code. entwicklung für datenflußorientierte eingebettete Systeme. Dissertation, University 4.4 MbedTarget main function Passau, Germany, 2005. The MbedTarget supports the single task model of Simulink. To create the main function, the target con- [10] https://github.com/ATM-HSW/ tains template file: mbed_srmain.tlc and ASIMFachtagung2018 (accessed 01.2018) mbed_grt_main.cpp. The creation of multithreaded ap- [11] https://de.mathworks.com/hardware- plication by Simulink is not yet supported, but can be support/st-discovery-board.html? done manually with MbedTarget RTOS blocks. s_tid=AO_HS_info (accessed 01.2018) [12] https://de.mathworks.com/hardware- 5 Conclusion support/st-nucleo.html?s_tid=AO_HS_info MbedTarget was developed to improve and ease the (accessed 01.2018) MCU usage in several modules like robotics, sensor/actor systems and embedded control systems of [13] http://www.st.com/content/st_com/en/products student education. A common characteristic of all these /development-tools/software-development- modules is the intensive usage of MATLAB/Simulink tools/stm32-software-development- in the theoretical part. The practical implementation of tools/stm32-utilities/stm32-mat-target.html the theoretical knowledge is time consuming and error- (accessed 01.2018) prone when using typical programming languages like [14] https://github.com/ATM-HSW/mbed_target C/C++. By using MbedTarget, the media break be- (accessed 01.2018) tween Simulink and C programming could be re- moved. The disadvantage of an increased resource usage does not play a role in the prototypical implementations in this application field, enough MCU resources are available without problems. MbedTarget is published at GitHub [14] and will be continuously developed there.

130 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Modellbasiert lernende Steuerung für Gelenkarmroboter (Work in Progress)

Georg Kunert, Thorsten Pawletta Hochschule Wismar - University of Applied Sciences, Technology, Business and Design Forschungsgruppe Computational Engineering and Automation (CEA) [email protected]

Ausgehend vom Entwicklungsstand bei der Steuerungsprogrammierung von Gelenkarmrobotern werden die Zielstellung einer lernenden Steuerung und wesentliche Unterschiede zur konventionellen Herangehensweise aufgezeigt. In diesem Rahmen wird zunächst auf die in der Forschungsgruppe entwickelte Robotic Control and Visualization Toolbox (RCV Tbx) für MATLAB eingegangen. Anhand eines ausgewählten Verfahrens, dem Reinforcement Learning, und einer Beispielanwendung wird gezeigt, wie eine modellbasiert lernende Robotersteuerung für Gelenkarmroboter umgesetzt werden kann.

Es wird explizit der Lernvorgang und die Transformation des erlernten Wissens in eine Steuerung betrachtet. Dabei werden auch die Vor- und Nachteile des untersuchten Verfahrens diskutiert. Abschließend wird kurz die praktische Umsetzung mit MATLAB unter Verwendung der RCV Tbx für einen Kuka Agilus Roboter diskutiert.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 131 132 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Praxisbeispiel: Emulation mit SAP EWM

Alexander Klemm1, Dominik Wittwer1 1io‑consultants GmbH & Co. KG [email protected] [email protected]

In diesem Beitrag werden die Möglichkeiten der Simulationssoftware Demo3D an einem Praxisbeispiel einer Emulation mit dem Lagerverwaltungssystem (LVS) „SAP Extended Warehouse Managment“ (SAP EWM) vorgestellt. Im Praxisbeispiel wird ein neues LVS auf Basis von SAP EWM mit der integrierten Komponente „Material Flow System“ (MFS) eingesetzt. Das automatisierte Lager besteht aus einem 8-fach tiefen Kanallager, einem 2-fach tiefen Kommissionier Shuttle, sowie einer Fördertechnik. Die Steuerung wird in MFS und ohne zusätz- lichen zwischengeschalteten Materialflussrechner (MFR) umgesetzt. Weiterhin wird ein webbasierter Kom- missionierdialog mittels der Web Dynpro Technologie implementiert. Die Verbindung zwischen Simulations- software und SAP EWM wird über eine meldepunktbasierte Kommunikation mit Telegrammen realisiert.

1 Projektsituation Bestandstabellen in SAP EWM ist in Abbildung 1 dargestellt. Um die Lieferfähigkeit und die flexible und terminge- rechte Abwicklung von Kundenanforderungen für die nächsten 15 Jahre sicherzustellen, wurde durch den Kunden das Projekt „Lager + Logistik“ ins Leben ge- rufen. Neben der Schaffung von ausreichender Lager- kapazität und der Beherrschung der zunehmenden Kleinteiligkeit in der Logistik sind die Optimierung und Maximierung von: Abbildung 1. Ansicht Bestand Shuttle-Lager in SAP EWM - Abläufen - Verfügbarkeit Benutzeroberfläche - Schnelligkeit - Zuverlässigkeit Zur Erleichterung der Kommissionier Tätigkeiten an - Kosten den Arbeitsplätzen wird ein kundenspezifischer Ar- beitsplatzdialog mit den einzelnen Arbeitsschritten wesentliche Projektziele. Die Schaffung ausreichender entwickelt. Dieser Kommissionierdialog wird für ei- Lagerkapazität soll durch den Neubau eines Shuttle- nen einfachen Zugriff aus dem Web mittels der SAP Lagers geschehen, welches in das bestehende Ökosys- Web Dynpro (WD) Technologie umgesetzt tem integriert wird. Mit Hilfe einer Emulation wurde dem Kunden eine mögliche Umsetzungsvariante für das entstehende La- ger aufgezeigt. Durch die Visualisierung der Kopplung mit dem geforderten LVS SAP EWM wurde ein Aus- blick auf den zukünftigen Lagerbetrieb.

2 Verwendete Technologien

Lagerverwaltungssystem SAP EWM bildet die Bestandsverwaltung und den Abbildung 2. WD Kommissionierdialog Warenfluss im Lager ab. Waren können über das Sys- tem ein- und ausgelagert, sowie zu verschiedenen Mel- Zur Vermeidung einer zeitgesteuerten Aktualisierung depunkten transportiert werden. Die Darstellung von des WD Dialogs wird auf die ABAP Push Channel

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 133 Praxisbeispiel: Emulation mit SAP EWM

(APC) Technologie zurückgegriffen. Dies erlaub eine 1 IF -nlpla = 'AKO1-PP01' AND eventbasierte Aktualisierung des WD Dialogs über das -vlpla = 'AFT-PPQ01'. Push Prinzip. 2 TRY. 3 lo_producer_text ?= Simulation cl_amc_channel_manager=> create_message_producer( Um das automatisierte Lager abzubilden wird die Si- i_application_id = 'ZAMC_MFSPUSH' mulationssoftware Demo3D [1] verwendet. Diese i_channel_id = '/mfs_push'). Software ermöglicht es über ein Baukastenprinzip ein- 4 lo_producer_text->send( i_message = zelne Komponenten, wie in diesem Praxisbeispiel ein CONV #( -vlenr ) ). automatisches Kleinteilelager (AKL), zu visualisieren. 5 CATCH cx_amc_error INTO lx_amc_error. Weiterhin kann über JavaScript und C# das Verhalten MESSAGE lx_amc_error->get_text( ) einzelner Komponenten und die zugrundeliegende Lo- TYPE 'E'. gik des Warenflusses verändert werden. 6 ENDTRY. 7 ENFIF Code 1. Push Meldung bei Quittierung einer LB

Die Bearbeitung dieser Push Meldung wird mit Hilfe des WebSocket Protokolls am WD Dialog durchge- führt. Beim Starten des WD Dialogs reicht es aus, die Verbindung zum APC zu öffnen. Jede Meldung nach diesem Zeitpunkt wird ohne weiteres Anfragen am APC empfangen und kann direkt interpretiert werden.

Abbildung 2. Visualisierung mit Demo3D Telegrammstruktur SAP EWM Für relevante Lageraufgaben (Warenbewegungen) Kommunikation zwischen LVS und Simula- werden von SAP EWM automatisch Telegramme er- tion zeugt und über die Schnittstelle zur Simulation an die Die Verbindung zwischen SAP EWM und der Simula- entsprechende speicherprogrammierbare Steuerung tion erfolgt über Telegramme aufgebaut. In SAP EWM (SPS) verteilt. Die verwendeten Telegramme enthalten wird die definierte Telegrammstruktur direkt einge- Quell- und Ziellokation, die Nummer der Handling- pflegt. Zur effizienten Interpretation der Tele- Unit (HU) und weitere Informationen für das Routing. grammstruktur in der Simulation wird zusätzlich die Middleware Emulation Controller der Firma Simplan verwendet. Abbildung 3. Telegrammstruktur

3 Umsetzung Emulation Controller Da die Software Demo3D im Standard keine Imple- APC Integration mentierung der TCP/IP-Schnittstelle enthält, kann die Der WD Dialog muss bei Ankunft der HU am Arbeits- Telegrammstruktur nicht direkt interpretiert werden. platz aktualisiert werden. Mit Hilfe eines Business Der Emulation Controller (EMC) der Firma Simplan Add-Ins (BAdI) wird nach der Quittierung der La- bildet die fehlende Funktionalität ab, und erlaubt so die geraufgabe (LB) mit dem Ziel des Arbeitsplatzes eine Kommunikation mit SAP EWM über eine TCP/IP Push Meldung angestoßen. Schnittstelle. Er separiert Telegramme nach fixen Zei- chenlängen und stellt der Simulation die einzelnen Be-

standteile als Objekte zur Verfügung. In der Simulation lassen sich die übergebenen Objekte über die Program- miersprache C# ansprechen und bearbeiten.

134 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Praxisbeispiel: Emulation mit SAP EWM

Bennenung der Meldepunkte in der Simulation gesteuert.

4 Herausforderungen Die Realisierung der vorgestellten Emulation bringt diverse Herausforderungen mit sich, sowohl innerhalb

der einzelnen Systeme als auch in deren Verknüpfung. Abbildung 4. Emulation Controller Lagerabbild in der Simulation Lagerbewegungen in Demo 3D In der Simulation wird neben der visuellen Darstellung Das Telegramm in Abbildung 3 stellt eine Kommissi- auch die Logik der einzelnen Komponenten definiert. onier Aufgabe im Shuttle-Lager dar. Zur Verarbeitung Das Praxisbeispiel verwendet sowohl ein AKL als wird es entsprechend Abbildung 4 separiert. Die Emu- auch ein Shuttlelager. Der Baukasten von Emulate3D lation setzt dies durch den Quellcodeausschnit Code 1 enthält im Standard lediglich ein 2-fach tiefes AKL. um. Die ersten Zeichen der Quell- und der Ziellokation Die Logik des 8-fach tiefen AKL muss vollständig im werden geprüft und die entsprechende Warenbewe- Quellcode ergänzt werden. Hier muss nicht nur eine gung ausgeführt. Alle Lagerbewegungen wie Ein-, visuelle, sondern auch eine grundlegende logische Ver- Aus- und Umlagerung werden analog abgebildet. änderung vorgenommen werden. Die zusätzliche An- 1 //Auslagerung Rack forderung einer visuell fehlerfreien Zulagerung in die 2 if ( Tiefe erhöht die Komplexität deutlich. inTransportMessage.Data. SourceLocation.StartsWith("SHL") && Zur Abbildung des Shuttle-Lager wird das AKL des !inTransportMessage.Data. Baukastens als Basis genutzt. Die einzelnen Ebenen DestinationLocation.StartsWith("SHL")) des Shuttles werden als horizontale Kräne modelliert, 3 { die visuell an die gegebenen Anforderungen angepasst 4 _document.Run(() => werden. Retrieve(inTransportMessage, _comPoint.Outfeeds.Value)); WebSocket Integration in WD 5 } Eine direkte Integration des WebSocket Protokolls in Code 2. Position der Handling-Unit im Lager eine WD Anwendung ist nicht ohne weiteres möglich. Der clientseitige Aufbau der WebSocket Verbindung Die Quelllokation „SHL-01-01-03“ des Beispieltele- lässt sich dennoch durch den Aufruf einer JavaScript grams aus Abbildung 3 beschreibt den Quell-Lager- (JS) Datei durchführen. Über eine spezielle WD platz und die Ziellokation „DS1“ den „Drop-Stand“ HTML Komponente lässt sich das JS aufrufen und mit des Shuttle-Lagers. In der Emulation wird der Lager- einer ABAP Methode verknüpfen. platz der Quellokation in die einzelnen Komponenten Gang, Regal und Kanal aufgeteilt (siehe Code 2). Die 1 try { zusätzlich übergebene logische Position, gibt die Tiefe 2 socket = new WebSocket(webSocketURI); an, in der sich die HU auf dem Lagerplatz befindet. 3 socket.onopen = function() { }; 4 var that = this; 1 string[] coords = 5 socket.onmessage = function(wfNotify) { inTransportMessage.Data.SourceLocation.Sp 6 that.callback.fireEvent('ON_MESSAGE', lit('-'); wfNotify.data); 2 int rackNrInt = 7 }; Convert.ToInt32(coords[1]); 8 socket.onclose = function() { 3 int bay = Convert.ToInt32(coords[2]); 9 }; 4 int shelf = Convert.ToInt32(coords[3]); 10 } catch (exception) { 5 int index = Convert.ToInt32(coords[4]); 11 } Code 3. Position der HU im Lager Code 4. Aufruf einer WebSocket Verbindung in JS

Die eigentliche Warenbewegung wird mit Hilfe der ermittelten Koordinaten aus dem Telegramm und der

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 135 Praxisbeispiel: Emulation mit SAP EWM

Synchronisation der Telegramme Über io-consultants In der Schnittstelle zwischen den Systemen müssen io-consultants bietet Beratungs- und Planungsleistun- neben Warenbewegungs- auch „Life“- und Bestäti- gen für Produktion, Logistik, Architektur und IT aus gungsdiagramme bearbeitet werden. Diese werden von einer Hand. Seit der Gründung 1958 begleitet io-con- der Simulation bestätigt, dürfen jedoch innerhalb der sultants ihre Kunden als Generalplaner von der ersten Simulation nicht weitergegeben werden. Der EMC strategischen Überlegung bis hin zur Realisierung fängt die entsprechenden Telegramme ab und ändert komplexer Industrieprojekte in der Supply und Value die Empfangsflags. Chain. Erfahrene Spezialisten arbeiten in interdisziplinären Für die Abbildung der Warenbewegungsdiagramme Teams zusammen. Gemeinsam schaffen sie unterneh- sind im EMC feste Längen definiert, die auch in SAP mensspezifische Strukturen und Prozesse für die An- EWM in einer festen Struktur hinterlegt werden müs- forderungen ihrer Kunden. Das Ergebnis sind zuver- sen. Auch der Aufbau und die Reihenfolge muss in bei- lässige, produktive und effiziente Lösungen, die den Systemen aufeinander abgestimmt werden. So ist messbaren Erfolg erbringen. die Benennung der Meldepunkte für den lagerinternen Mit mehr als 250 Mitarbeitern ist io-consultants welt- Warenfluss entscheidend. weit als eines der führenden technischen Beratungs- und Planungsunternehmen an acht Standorten vertreten: Neben dem Hauptsitz in Heidelberg hat das Un- 5 Fazit ternehmen Niederlassungen in München, Leonberg, Um die Warenbewegungen in einem neu geplanten La- Berlin, Bethlehem (PA, USA), Singapur, Dubai und ger sowohl logisch als auch visuell abzubilden wurde Hong Kong. das Lagerverwaltungssystem SAP EWM mit der Si- mulationssoftware Demo3D kombiniert. Mittels TCP/IP-Verbindung und EMC wurde eine Ver- bindung zwischen SAP EWM und Demo3D realisiert.

Die einzelnen Komponenten innerhalb von Demo3D wurden den abzubildenden Funktion und den Anforde- rungen des Kunden angepasst. Die Simulation wird über Transporttelegramme gesteuert und der Waren- fluss wird vollständig visualisiert. In Demo3D werden sämtliche Lagerbewegungen aus SAP EWM anschaulich aufgezeigt, wodurch ein um- fassendes Verständnis der Lagerprozesse sowie deren Auswirkungen auf die physischen Abläufe im Lager- vermittelt wird.

6 References [1] Simplan. Demo3D. https://www.simplan.de/software/demo3d/

136 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft

Ralf Mikut, Karlsruher Institut für Technologie, Institut für Automation und Angewandte Informatik

[email protected]

Sowohl das Energiesystem als auch das Gebiet des Maschinellen Lernens durchlaufen zur Zeit einen tief- greifenden Wandel. Die Herausforderungen beim maschinellen Lernen bestehen in den steigenden Daten- mengen (zusammengefasst im Schlagwort ”Big Data”) sowie im Wunsch, den Entwurf von Lernverfahren immer stärker zu automatisieren. Beim Energiesystem geht es insbesondere um die Beherrschung von Sys- temen mit vielen lokal verteilten und ﬂuktuierenden Einspeisungen (z.B. Solar- und Windkraftanlagen) im Rahmen der Energiewende durch Smart Grids. Das Ziel dieses Beitrags besteht darin, die Methoden des Maschinellen Lernens näher zu erläutern und typische Anwendungsszenarien für Smart Grids aufzuzeigen.

1 Einleitung (Abschnitt 2) und typische Anwendungsszenarien für Smart Grids aufzuzeigen (Abschnitt 3).

Im Rahmen der Energiewende wird ein Anteil von 80% erneuerbarer Energiequellen zur Stromerzeu- 2 Maschinelles Lernen gung angestrebt [1]. Dieses Ziel ist nur durch dezen- trale rückgekoppelte Systeme und die Integration vie- Prinzipiell basieren die meisten Methoden das Ma- ler datengenerierender und intelligenter Komponen- schinellen Lernens auf etablierten Methoden der klas- ten erreichbar (”Smart Grid” [2]). Ein solches Sys- sischen Statistik [6, 7], auf Verfahren der Computatio- tem muss durch verschiedene Maßnahmen, wie die nal Intelligence [8, 9] und vielen Weiterentwicklungen Integration von Strom-, Gas-, Wärme- und Dampf- an der Schnittstelle beider Gebiete. Beispiele hierfür netzen inkl. der zugehörigen Datenströme, den Be- sind k-Nearest-Neighbor-Verfahren (Analyse der Aus- trieb von verteilten Speichern, die Anpassung des Ver- gangsgröße ähnlicher Beispiele [10]) und Support- brauches an die jeweilige Erzeugungs- und Netzsi- Vektor-Maschinen (Suche optimaler Trennﬂächen in tuation (Demand Response), ein geeignetes Marktde- höherdimensionalen Räumen mit integrierten nicht- sign und geeignete regulatorische Vorgaben stabili- linearen Transformationen [11]). Zur Computatio- siert werden. Jeder dieser Schritte erfordert das Ag- nal Intelligence gehören u.a. Künstliche Neuronale gregieren von Sensorinformationen, Modellierungen Netze [12], die biologisch inspirierte Verschaltungen und Visualisierungen zum besseren Problemverständ- einfacher Verarbeitungseinheiten zur Nachbildung nis sowie das automatische oder zumindest halbau- nichtlinearer Zusammenhänge nutzen, und Cluster- tomatische Erstellen von Prognose- und Simulations- Verfahren zur automatischen Gruppierung ähnlicher modellen inklusive deren Nutzung in Optimierungs- Beispiele wie Fuzzy-C-Means [13, 14, 15]. Ein we- verfahren. Viele dieser Themen setzen Lösungen vor- sentlicher Treiber für die Methoden des Maschinel- aus, die auf Maschinellem Lernen basieren. Hierzu les Lernens sind massiv ansteigende Datenmengen, laufen vielfältige Forschungsarbeiten, z.B. in Feldver- die bisherige Methoden an die Grenzen der Skalier- suchen [3, 4] und im Energy Lab 2.0 des Karlsruher barkeit getrieben haben. Dieser Trend wird unter dem Instituts für Technologie [5]. Begriff ”Big Data” [16, 17] zusammengefasst und Das Ziel dieses Beitrags besteht darin, die Metho- über die folgenden Eigenschaften (”4Vs”) deﬁniert den des Maschinellen Lernens näher zu erläutern [18, 19, 20]:

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 137 Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft

1. Volume (Größe bzw. Datenmenge, z.B. Zeitrei- (http://sourceforge.net/projects/scixminer, [32]), hen mit sehr kleinen Abtastzeiten oder eine Viel- sowie neuere Big-Data-Tools wie Apache Spark zahl von verteilten Sensoren), (http://spark.apache.org, [33]). 2. Velocity (erforderliche Geschwindigkeit beim Generieren, Einlesen, Auslesen oder Übertragen von Daten), 3 Maschinelles Lernen im Ener- 3. Variety (Vielfältigkeit oder Heterogenität, bezo- giesystem gen auf viele verschiedene Datentypen und zu vernetzende Systeme mit unterschiedlichen Ei- Mit gegebenen Daten können mit Methoden des Ma- genschaften, z.B. in Form von Zeitreihen und schinellen Lernens oftmals ganze Modellbibliotheken Logﬁles) und für verschiedene Einsatzgebiete aufgebaut werden. 4. Veracity (Vertrauenswürdigkeit, bezogen auf den Seit Jahren etabliert ist die Prognose der Verbraucher- Anteil fehlerhafter, fehlender oder nur mit Unsi- last [35], oftmals aggregiert auf der Ebene von Stadt- cherheiten verfügbaren Daten wie z.B. Intervall- werken oder Verteilnetzen. Hier werden in erster Li- daten, z.B. durch temporäre Sensorausfälle oder nie autoregressive Modelle mit externen Eingängen Übertragungsprobleme). eingesetzt, die sowohl Wettereinﬂüsse als auch pe- riodische und musterbasierte Komponenten zur Mo- Aussichtsreiche Lösungsstrategien umfassen dellierung des Energiebedarfs (Wochen- und Jahres- Rhythmus, Feiertage, Sondertage mit abweichendem 1. die Nutzung verteilter Umgebungen, inkl. ver- Verhalten usw.) berücksichtigen. Ein Beispiel für eine teilter Filesysteme wie Hadoop, Analysetools solche Anwendung ist die Prognose für das Fernwär- wie Apache Spark und Tools zum Cloud Com- menetz der Stadt Karlsruhe. Hier gelang es mit Me- puting, siehe z.B. [21, 22], thoden des Maschinellen Lernens, Modelle für Tages- und Stundenprognosen zu entwickeln und in den prak- 2. Ansätze zum automatisiertem Entwurf, wie z.B. tischen Routinebetrieb zu bringen. Wesentliche Her- Deep Learning [23] und Auto-ML [24], ausforderungen waren dabei der Erhalt der Interpre- 3. Verfahren zur automatischen Vorverarbeitung so- tierbarkeit, der Umgang mit zeitvarianten Effekten wie zur Beurteilung der Daten- und Modellqua- durch Zubau im Fernwärmenetz und energetische Sa- lität [25, 26, 9, 27, 28] und nierungen. In den letzten Jahren spielt die Prognose der Einspeisung von Photovoltaik und Windkraftwer- 4. rekursive Methoden zur Beherrschung von Da- ken eine zunehmende Rolle. Für beide Aufgabenge- tenströmen (also kontinuierlich anfallenden Da- biete existieren etablierte Methoden und Tools (Über- ten, engl. data streams), die Modelle ständig sicht siehe [36]). nachführen und mit neu hinzukommenden Daten verbessern [29]. Repräsentative Last- und Einspeisekurven (optional inkl. der Modellierung von Unsicherheiten) sind u.a. für den Aufbau von Simulations- und Optimie- Eine Auswahl typischer Datenanalysemethoden zeigt rungsstudien nützlich, z.B. für die Optimierung des Tabelle 1. Für eine erfolgreiche Lösung müssen Speicherbetriebs mit modellprädiktiven Reglern [37] Experten für das jeweilige Anwendungsgebiet und oder als Vorarbeit für den Einsatz von simulationsge- Experten für Datenanalyse eng zusammenarbeiten, stützten Schedulingmodellen [38]. um die jeweilige Fragestellung als ein für Daten- analysemethoden lösbares Problem zu formulieren Andere Aufgaben werden in Zukunft an Bedeutung und um die Ergebnisse zu interpretieren. Hierbei gewinnen und sind derzeit aktuelle Forschungsthe- ist entscheidend, den kompletten Auswerteablauf men. Ein Beispiel hierfür ist die Analyse von Smart- durch geeignete Softwaretools [30] zu unterstützen Meter-Daten für Demand-Response-Szenarien, also und skriptbasiert zu automatisieren. Dazu existieren für die Modellierung von Energiepreisen [39, 40] oder kommerzielle Produkte wie der IBM SPSS Modeler der Verbraucherreaktion auf diese variablen Energie- (http://www.spss.com/software/modeling/modeler) preise [41]. Mit Clustermethoden können zunächst ty- oder Open-Source-Lösungen wie KNIME pische Subgruppen des Verbraucherverhaltens ermit- (http://www.knime.org, [31]), SciXMiner telt werden [42, 43] (Abb. 1). Darauf aufbauend kön-

138 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft

Aufgaben Ausgewählte geeignete Verfahren Erkennung atypischer Werte (Ausrei- Klassifikation (k-Nearest Neighbor, Support-Vektor-Maschinen), ßer), Anomaliedetektion Rauschcluster Fehlerdetektion Klassifikation (Bayes-Klassifikatoren, Künstliche Neuronale Net- ze, Support-Vektor-Maschinen) Prognose zukünftiger Werte einer Regression (Autoregressive Modelle mit oder ohne externe Zeitreihe Eingänge, Künstliche Neuronale Netze, k-Nearest Neighbor, Support-Vektor-Regression) Suche nach Zusammenhängen in Proto- Process Mining [34] kolldateien mit Events Suche nach Subgruppen und typischen Cluster-Verfahren (Fuzzy-C-Means, Hierarchisches Clustern), Mustern Spezielle Visualisierungen Verstehen wesentlicher Zusammenhän- Korrelationsanalysen, Regression (Polynome, Künstliche Neuro- ge nale Netze), Spezielle Visualisierungen

Tabelle 1: Ausgewählte Analysemethoden, modiﬁziert nach [20]

nen das Verbraucherverhalten [44] und der Anteil des ler Big-Data-Infrastrukturen und -Auswertemethoden Preiseinﬂusses [45] modelliert werden. Die Zusam- [49]. Außerdem besteht die Chance, bisher nicht menschaltung aller Komponenten in einem Simula- vollständig gelöste Spezialaufgaben anzugehen, z.B. tionsmodell [46] ermöglicht dann den Vergleich von die Erkennung von Flexibilitätspotenzialen in Batch- Szenarien und bis zu einem gewissen Grad auch die Prozessen [50] und Prognosen mit Unsicherheiten gegenseitige Plausibilitätsprüfung der Teilmodelle. [51, 52, 53].

4 Zusammenfassung

Im Energiebereich haben in den letzten Jahren die ge- sammelten Datenmengen deutlich zugenommen und die Fortsetzung oder gar Verstärkung dieses Trends ist absehbar. Damit besteht die Chance, aus diesen Daten interessante Informationen zu extrahieren, um die zugrundeliegenden Prozesse besser zu verstehen, Simulationsmodelle aufzubauen sowie Planungs- , Optimierungs- und Überwachungsaufgaben im Ener- giesystem zu verbessern. Prinzipiell stehen dazu etablierte Analysemethoden aus dem Gebiet des Maschi- nellen Lernens bereit, die für sehr große Datenmengen Abbildung 1: Analyse des Energieverbrauchs von Daten aus (”Big Data”) gezielt erweitert und angepasst werden dem Olympic Peninsula Datensatz [47]: Clusteranalyse mit 9 Clustern der normierten Energieverbrauchszeitreihen für müssen. 21894 Tageskurven verschiedener Kunden zum Identiﬁzie- ren typischer Verbrauchsmuster [48] Acknowledgements Eine andere Herausforderung sind Analysen auf zeitlich hochaufgelösten Daten. Beispielsweise erfordert Diese Arbeit wurde von der Helmholtz-Gemeinschaft die Analyse von phasengenauen Strom- und Span- innerhalb der gemeinsamen Initiative ”Energie Sys- nungsmessungen mit einer Abtastfrequenz von 12.8 tem 2050 - Ein Beitrag des Forschungsbereichs Ener- kHz über längere Zeiträume den Einsatz speziel- gie” unterstützt.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 139 Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft

Literatur [12] Haykin, S. S.: Neural Networks and Learning Machines. Pearson Education Upper Saddle Ri- [1] Scholz, R.; Beckmann, M.; Pieper, C.; Mus- ver. 2009. ter, M.; Weber, R.: Considerations on Providing [13] Bezdek, J. C.: Pattern Recognition with Fuzzy the Energy Needs using Exclusively Renewable Objective Function Algorithms. New York: Ple- Sources: Energiewende in Germany. Renewa- num Press. 1981. ble and Sustainable Energy Reviews 35 (2014), S. 109–125. [14] Höppner, F.; Klawonn, F.; Kruse, R.: Fuzzy Clus- [2] Fang, X.; Misra, S.; Xue, G.; Yang, D.: Smart ter Analysis. New York: John Wiley. 1999. Grid - the New and Improved Power Grid: A [15] Loose, T.: Konzept für eine modellgestützte Dia- Survey. IEEE Communications Surveys Tutori- gnostik mittels Data Mining am Beispiel der als 14(4) (2012), S. 944–980. Bewegungsanalyse. Dissertation, Universität [3] Hofmann, L.; Sonnenschein, M.: Smart Nord - Karlsruhe, Universitätsverlag Karlsruhe. 2004. Final Report. Techn. Ber., Lower Saxony Rese- arch Network ”Smart Nord”. 2015. [16] Chen, M.; Mao, S.; Liu, Y.: Big Data: A Survey. Mobile Networks and Applications 19 (2014) 2, [4] Witzsch, M.: Microgrid im Allgäu verändert Zu- S. 171–209. kunft der Stromversorgung. ew-Magazin für die Energiewirtschaft (2015), S. 51–53. [17] Wrobel, S.; Voss, H.; Köhler, J.; Beyer, U.; Auer, S.: Big Data, Big Opportunities, Anwendungssi- [5] Hagenmeyer, V.; Cakmak, H. K.; Düpmeier, C.; tuation und Forschungsbedarf des Themas Big Faulwasser, T.; Isele, J.; Keller, H. B.; Kohl- Data in Deutschland. Informatik-Spektrum 38 hepp, P.; Kühnapfel, U.; Stucky, U.; Waczowicz, (2014) 5, S. 1–9. S.; Mikut, R.: Information and Communication Technology in Energy Lab 2.0: Smart Energies [18] Laney, D.: 3D Data Management: Controlling System Simulation and Control Center with an Data Volume, Velocity and Variety. Techn. Ber., Open-Street-Map-based Power Flow Simulation META Group Research Note. 2001. Example. Energy Technology 4 (2016), S. 145– 162. [19] Ward, J. S.; Barker, A.: Undefined by Data: A Survey of Big Data Definitions. Techn. Ber., ar- [6] Backhaus, K.; Erichson, B.; Plinke, W.; Weiber, Xiv preprint arXiv:1309.5821. 2013. R.: Multivariate Analysemethoden: Eine anwendungsorientierte Einführung. Berlin u.a.: Sprin- [20] Mikut, R.: Big Data: Perspektiven für Smart ger. 2000. Grids und Smart Buildings. In: Proc., 20. Dresd- [7] Jain, A. K.; Duin, R. P. W.; Mao, J.: Statistical ner Baustatik-Seminar, S. 107–122. TU Dres- Pattern Recognition: A Review. IEEE Transac- den. 2016. tions on Pattern Analysis and Machine Intelli- gence 22(1) (2000), S. 4–36. [21] Düpmeier, C.; Stucky, K.-U.; Mikut, R.; Hagen- meyer, V.: A Concept for the Control, Monito- [8] Kroll, A.: Computational Intelligence. De Gruy- ring and Visualization Center in Energy Lab 2.0. ter Oldenbourg. 2016. In: Proc., of the 4th D-A-CH Energy Informatics Conference, S. 83–94. Cham: Springer Interna- [9] Michie, D.; Spiegelhalter, D.; Taylor, C.: Machi- tional Publishing. 2015. ne Learning, Neural and Statistical Classificati- on. Ellis Horwood. 1994. [22] Hashem, I. A. T.; Yaqoob, I.; Anuar, N. B.; Mok- [10] Cover, T.; Hart, P.: Nearest Neighbor Pattern htar, S.; Gani, A.; Khan, S. U.: The Rise of ”Big Classification. IEEE Transactions on Informa- Data” on Cloud Computing: Review and Open tion Theory 13(1) (1967), S. 21–27. Research Issues. Information Systems 47 (2015), S. 98–115. [11] Burges, C.: A Tutorial on Support Vector Machi- nes for Pattern Recognition. Knowledge Disco- [23] LeCun, Y.; Bengio, Y.; Hinton, G.: Deep Lear- very and Data Mining 2(2) (1998), S. 121–167. ning. Nature 521(7553) (2015), S. 436–444.

140 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft

[24] Kotthoff, L.; Thornton, C.; Hoos, H. H.; Hutter, [34] van der Aalst, W. M.; Reijers, H. A.; Weijters, F.; Leyton-Brown, K.: Auto-WEKA 2.0: Auto- A. J.; van Dongen, B. F.; De Medeiros, A. A.; matic Model Selection and Hyperparameter Op- Song, M.; Verbeek, H.: Business Process Mi- timization in WEKA. Journal of Machine Lear- ning: An Industrial Application. Information ning Research 17 (2016), S. 1–5. Systems 32 (2007) 5, S. 713–732.

[25] Batini, C.; Cappiello, C.; Francalanci, C.; Mauri- [35] Hernandez, L.; Baladron, C.; Aguiar, J. M.; Car- no, A.: Methodologies for Data Quality Assess- ro, B.; Sanchez-Esguevillas, A. J.; Lloret, J.; ment and Improvement. ACM Comput. Surv. 41 Massana, J.: A Survey on Electric Power De- (2009) 3, S. 16:1–16:52. mand Forecasting: Future Trends in Smart grids, Microgrids and Smart Buildings. IEEE Com- [26] Madnick, S. E.; Wang, R. Y.; Lee, Y. W.; Zhu, munications Surveys & Tutorials 16 (2014) 3, H.: Overview and Framework for Data and Infor- S. 1460–1495. mation Quality Research. Journal of Data and Information Quality (JDIQ) 1 (2009) 1, S. 2. [36] González Ordiano, J.; Waczowicz, S.; Hagen- meyer, V.; Mikut, R.: Energy Forecasting Tools [27] Pimentel, M. A.; Clifton, D. A.; Clifton, L.; Ta- and Services. Wiley Interdisciplinary Reviews: rassenko, L.: A Review of Novelty Detection. Si- Data Mining and Knowledge Discovery (2017). gnal Processing 99 (2014), S. 215–249. In press.

[28] Doneit, W.; Mikut, R.; Gröll, L.; Pychyn- [37] Appino, R. R.; González Ordiano, J. Á.; Mikut, ski, T.; Reischl, M.: DaMoQ: Eine Open- R.; Faulwasser, T.; Hagenmeyer, V.: On the Use Source-MATLAB-Toolbox zur Bewertung von of Probabilistic Forecasts in Scheduling of Rene- Daten- und Modellqualität in Regressionen. at- wable Energy Sources Coupled to Storages. Ap- Automatisierungstechnik 65 (2017) 3, S. 207– plied Energy 210 (2018), S. 1207 – 1218. 2018. [38] Jakob, W.; González Ordiano, J.; Ludwig, N.; Mikut, R.; Hagenmeyer, V.: Towards Coding [29] Aggarwal, C.: Data Streams: Models and Algo- Strategies for Forecasting-Based Scheduling in rithms. Springer. 2007. Smart Grids and the Energy Lab 2.0. In: Proc., [30] Mikut, R.; Reischl, M.: Data Mining Tools. Wi- Genetic and Evolutionary Computation Confe- ley Interdisciplinary Reviews: Data Mining and rence Companion, S. 1271–1278. ACM. 2017. Knowledge Discovery 1 (2011) 5, S. 431–443. [39] Keles, D.; Scelle, J.; Paraschiv, F.; Ficht- ner, W.: Extended Forecast Methods for Day- [31] Berthold, M. R.; Cebron, N.; Dill, F.; Gabriel, Ahead Electricity Spot Prices Applying Artiﬁci- T. R.; Kötter, T.; Meinl, T.; Ohl, P.; Sieb, C.; al Neural Networks. Applied Energy 162 (2016), Thiel, K.; Wiswedel, B.: KNIME: The Konstanz S. 218–230. Information Miner. In: Data Analysis, Machine Learning and Applications, S. 319–326. Sprin- [40] Weron, R.: Electricity Price Forecasting: A Re- ger. 2008. view of the State-of-the-Art with a Look into the Future. International Journal of Forecasting [32] Mikut, R.; Bartschat, A.; Doneit, W.; 30(4) (2014), S. 1030–1081. González Ordiano, J. Á.; Schott, B.; Steg- maier, J.; Waczowicz, S.; Reischl, M.: The [41] Corradi, O.; Ochsenfeld, H.; Madsen, H.; Pin- MATLAB Toolbox SciXMiner: User’s Ma- son, P.: Controlling Electricity Consumption by nual and Programmer’s Guide. Techn. Ber., Forecasting Its Response to Varying Prices. IE- arXiv:1704.03298. 2017. EE Transactions on Power Systems 28 (2013) 1, S. 421–429. [33] Meng, X.; Bradley, J.; Yuvaz, B.; Sparks, E.; Venkataraman, S.; Liu, D.; Freeman, J.; Tsai, [42] Chicco, G.: Overview and Performance Assess- D.; Amde, M.; Owen, S.; et al.: MLlib: Machine ment of the Clustering Methods for Electrical Learning in Apache Spark. Journal of Machine Load Pattern Grouping. Energy 42 (2012) 1, Learning Research 17 (2016) 34, S. 1–7. S. 68–80.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 141 Maschinelles Lernen für das Energiesystem: Gegenwart und Zukunft

[43] Waczowicz, S.; Reischl, M.; Hagenmeyer, V.; Time Series from Industrial Processes. In: Proc., Mikut, R.; Klaiber, S.; Bretschneider, P.; Ko- 27. Workshop Computational Intelligence, Dort- notop, I.; Westermann, D.: Demand Respon- mund, S. 13–32. 2017. se Clustering - How do Dynamic Prices Af- fect Household Electricity Consumption? In: [51] Hong, T.; Pinson, P.; Fan, S.; Zareipour, H.; Proc., IEEE PowerTech, Eindhoven, S. 1–6. IE- Troccoli, A.; Hyndman, R. J.: Probabilistic EE. 2015. Energy Forecasting: Global Energy Forecasting Competition 2014 and Beyond. International [44] Waczowicz, S.; Reischl, M.; Klaiber, S.; Journal of Forecasting 32(3) (2016), S. 896 – Bretschneider, P.; Konotop, I.; Westermann, D.; 913. Hagenmeyer, V.; Mikut, R.: Virtual Storages as Theoretically Motivated Demand Response Mo- [52] González Ordiano, J. Á.; Doneit, W.; Waczo- dels for Enhanced Smart Grid Operations. Ener- wicz, S.; Gröll, L.; Mikut, R.; Hagenmeyer, V.: gy Technology 4 (2016), S. 163–176. Nearest-Neighbor Based Non-Parametric Proba- bilistic Forecasting with Applications in Pho- [45] Klaiber, S.; Waczowicz, S.; Konotop, I.; Wester- tovoltaic Systems. In: Proc., 26. Workshop mann, D.; Mikut, R.; Bretschneider, P.: Prognose Computational Intelligence, Dortmund, S. 9–30. für preisbeeinflusstes Verbrauchsverhalten. at- 2016. Automatisierungstechnik 65 (2017) 3, S. 179– 188. [53] Join, C.; Fliess, M.; Voyant, C.; Chaxel, F.: So- lar Energy Production: Short-Term Forecasting [46] Konotop, I.; Waczowicz, S.; Klaiber, S.; and Risk Management. IFAC-PapersOnLine 49 Bretschneider, P.; Mikut, R.; Westermann, D.: (2016) 12, S. 686–691. Investigation and Mathematical Modelling of the Impact of Incentive Signals to Consumers on their Consumption, Load Forecast and Network Operation. IET Generation, Transmission & Distribution 10 (2016) 9, S. 2138–2146. [47] Hammerstrom, D. J.; Ambrosio, R.; Brous, J.; Carlon, T. A.; Chassin, D. P.; DeSteese, J. G.; Guttromson, R. T.; Horst, G. R.; Järvegren, O. M.; Kajfasz, R.; et al.: Pacific Northwest GridWise Testbed Demonstration Projects, Part I. Olympic Peninsula Project. Techn. Ber., Pa- cific Northwest National Laboratory (PNNL), Richland, Washington. 2007. [48] Waczowicz, S.; Klaiber, S.; Bretschneider, P.; Konotop, I.; Westermann, D.; Reischl, M.; Mi- kut, R.: Data Mining zur Analyse der Auswir- kungen von Preissignalen auf Haushaltsstrom- kunden. at-Automatisierungstechnik 62 (2014) 10, S. 740–752. [49] Maaß, H.; Cakmak, H. K.; Bach, F.; Mikut, R.; Harrabi, A.; Süß, W.; Jakob, W.; Stucky, K.-U.; Kühnapfel, U. G.; Hagenmeyer, V.: Data Proces- sing of High Rate Low Voltage Distribution Grid Recordings for Smart Grid Monitoring and Ana- lysis. EURASIP Journal on Advances in Signal Processing 1 (2015), S. 1–21. [50] Ludwig, N.; Waczowicz, S.; Mikut, R.; Hagen- meyer, V.: Mining Flexibility Patterns in Energy

142 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Smooth virtual commissioning mit industrialPhysics Florian Wegmann1, Isabelle Kautz2 1machineering GmbH & Co. KG [email protected]

Die 3D-Simulationssoftware industrialPhysics von machineering macht eine schnelle und einfache virtuelle Inbetriebnahme möglich. CAD-Anbindungen und SPS-Schnittstellen ermöglichen ein synchronisiertes mechatronisches Engineering als Basis für Industrie 4.0. Die mit virtueller Inbetriebnahme erreichte Zeiterspar- nis und Kostenersparungen sind enorm. Freuen Sie sich auf einen interessanten Vortrag!

Die machineering GmbH & Co. KG mit Sitz in Mün- chen entwickelt die 3D-Simulationssoftware „indust- rialPhysics“ für die virtuelle Inbetriebnahme mechatronischer Anlagen. Die 3D-Simulation komplexer Materialflüsse und mechatronischer Produktionsanla- gen zählt zu den größten Effizienzreserven im Ma- chinen- und Anlagenbau. So lassen sich über die 3D-

Simulation und das virtuelle Prototyping von Anlagen deren Entwicklung und Konstruktion beschleunigen und absichern. In der Projektakquise können geplante Anlagen im Dialog mit dem Kunden vertriebswirk- sam visualisiert werden. Das größte Potenzial aber liegt in der virtuellen Inbetriebnahme von Anlagen und Produktionsstraßen: Nachweislich lassen sich die Kosten für Installation, Test und Optimierung von Anlagen über die Simulation um bis zu 75% reduzieren.

In dem Vortrag „Smooth virtual commissioning mit industrialPhysics“ werden die bestehenden Schnitt-

stellen zu diversen CAD-Systemen, zu den Steue- rungsherstellern und der Robotik beleuchtet. Anhand zahlreicher Praxisbeispiele wird zudem veranschau- 1 References licht, welche Herausforderungen mit industrialPhy- [1] Forschungsbericht: Methoden für die virtuelle sics gelöst werden und in welchen Branchen die Si- Inbetriebnahme automatisierter Produktions- mulationssoftware zum Einsatz kommen kann. systeme. Dr. Georg Wünsch, Diss. München,

Techn. Univ.; Herbert UTZ Verlag Wissen- Um noch tiefer in eine Anlage eintauchen zu können, schaft. 2007 hat machineering verschiedene VR + AR-Brillen wie die Microsoft HoloLens an die Simulation angebun- den. Wenn die geplante, virtuell laufende Anlage als Hologramm in die Fabrikhalle projiziert wird, eröff- nen sich für die Kunden neue Dimensionen. Mit dieser Technologie geht machineering einen großen Schritt weiter in Richtung Umsetzung von Industrie 4.0 für Jedermann. Im Rahmen der Veranstaltung können Interessierte diese virtuellen Welten mit in- dustrialPhysics erleben.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 143 144 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Data Science für Ingenieure

Dr.-Ing. Hans Martin Ritt, Marcus Maurer, Dr. Alexander Diethert MathWorks GmbH [email protected]

MathWorks hat die Vision, dass auch datenorientierte Methoden für Ingenieure leicht verwendbar sein und bleiben müssen. Während dies bei klassischen Methoden wie der Systemidentifikation seit längerem realisiert ist, brauchen die Möglichkeiten von Datenanalytik, Machine Learning und Deep Learning für Anwen- dungen wie Predictive Maintenance oder Bilderkennung unsere Aufmerksamkeit. Außerdem müssen wir Wege aufzeigen, wie diese Algorithmen weitgehend automatisiert auf verschiedenen Plattformen wie Gra- fikkarten, Mikroprozessoren oder Big Data Architekturen performant ausgeführt werden können.

Die Fähigkeit, automatisiert auf Basis von den schnellen Zugriff auf dieses immer grö- gemessenen Daten, neue Zusammenhänge ßer werdende Datenvolumen. Neue Algo- zu erkennen sowie Vorhersagen und Ent- rithmen kontrollieren das Zusammenspiel scheidungen zu treffen, hat unsere Techno- der Bauteile in Cloud-basierten Architektu- logie grundlegend verändert. ren oder direkt auf den jeweiligen Mikropro- zessoren. Es ist also kein Wunder, dass Data Science für die Ingenieurswissenschaften immer Data Scientists helfen bei dem neuen, Daten- wichtiger geworden ist. So entwickeln Inge- orientierten Teil des Aufgabenspektrums. nieure komplexe Systeme wie smarte Senso- Jedoch fehlt den Data Scientists häufig eine ren, vernetze Maschinen oder autonome wichtige Kompetenz: das Know-how des Fahrzeuge und prozessieren dabei nicht sel- Ingenieurs. Das Potential der vorhandenen ten immense Datenmengen, die die Grund- Daten wird oft nicht ausgeschöpft, weil eine lage der Intelligenz dieser Systeme bilden. rein mathematische Betrachtung ohne das entsprechende Fachwissen meist nicht ziel- führend ist. Bei vielen Entwicklungsteams ist daher die Verteilung der Aufgaben noch nicht optimal. Wie können die Bereiche Entwicklung und Data Science also näher zusammengebracht werden?

Der Ingenieur wird selbst zum Data Scientist – zum Teil zumindest. Aufgaben wie statistische Datenanalysen, Parameteroptimierung oder Systemidentifikation sind für Ingenieu- re schnell zu erlernen. Der Weg in Richtung Mustererkennung und die Entwicklung von Vorhersagemodellen ist dann nicht mehr weit. Data Science birgt ein hohes Potential Abbildung 1. Datenanalyse integriert in Businesssys- für viele Entwicklungsprojekte. Oft ist ein temen sowie smarten, vernetzten Systemen tieferes Einsteigen in IT Thematiken gar Verteilte Datenbanksysteme ermöglichen in nicht notwendig. diesem Zusammenhang die Speicherung und

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 145 146 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Baden-Württemberg zu Gast in der Welt – die Welt zu Gast bei uns

Werner Schempp, Ministerialdirigent a.D.

Ehemaliger Abteilungsleiter der Abteilung: „Internationale Angelegenheiten“ im Staatsministerium Baden-Württemberg (bis August 2017) [email protected]

„Reisen bildet die Jugend und beult Koffer aus!“ - so salopp ist gelegentlich über das Reisen im Volksmund zu hören. Dass Reisen auch im politischen Alltag im Bund und in den Ländern von großer Bedeutung ist, soll an Beispielen von sog. Delegationsreisen baden-württembergischer Ministerpräsidenten mit Blick auf Wirtschaft, Wissenschaft, Hochschulen und auf die regierungsnahen Institutionen (z.B. bw-i Baden-Württemberg international, Stiftung Entwicklungszusammenarbeit SEZ und e-mobil Baden-Württemberg) erläutert werden. Außer- dem vermitteln kleine Berichte, amüsante Begebenheiten und Anekdoten am Rande von Delegationsreisen ins Ausland und von Staatsbesuchen in Baden-Württemberg aus eigenem Erleben des Referenten, dass letzten Endes immer und überall Menschen und Menschliches im Zentrum des Geschehens stehen.

1 Kurz zum Inhalt

Sowohl die jeweiligen Bundesregierungen als ergänzen den Vortrag. Darüber hinaus lockern auch die Landesregierungen der 16 deutschen eigene Erlebnisse des Referenten aus 32 Dienst- Länder pflegen in regelmäßigen Abständen Rei- jahren im Staatsministerium Baden- sen mit internationalen Zielen zu unternehmen. Württemberg und in der Vertretung des Landes Dahinter stecken zunächst diplomatische Baden-Württemberg beim Bund in Berlin das Usancen, dann aber im konkreten Fall lange vor Thema auf. Reisebeginn ausgeklügelte Planungen und Ziel- vorstellungen. Je nach thematischer Ausrich- tung, Destination und Reisedauer werden neben einer politischen und administrativen (Arbeits-

ebene) Entourage auch jeweils größere und kleiner Fachdelegationen zur Mitreise eingela- den. Einerseits bieten solche Delegationsreisen im Zielland die Möglichkeiten und Leistungen der (baden-württembergischen) Wirt- schaft/Wissenschaft/ Hochschulen etc. international vorzustellen. Andererseits kann ein hoch- rangiger Politiker, ob vom Bund oder aus einem

Land, vor allem für Vertreter kleinerer Firmen/ Institutionen als Türöffner für neue Kontakte und Kooperationsmöglichkeiten fungieren.

Viele Informationen zur diplomatischen Reise- tätigkeit und zur protokollarischen Gastgeber- schaft in Bund und in den Ländern

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 147 Baden-Württemberg zu Gast in der Welt – die Welt zu Gast bei uns

148 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Deep Reinforcement Learning zur Bewegungsplanung und -regelung mobiler Roboter

Jan-Niklas Nieland1, Marco Beesk1, Frank Tränkle2 1Neobotix GmbH, Weipertstr. 8-10, D–74076 Heilbronn 2Automotive Systems Engineering, Hochschule Heilbronn, D–74081 Heilbronn [email protected]

Die voranschreitende Digitalisierung der Industrie lässt die Anzahl an mobilen Robotern in diesem Um- feld stark ansteigen. Klassische Algorithmen zur lokalen Bahnplanung und -regelung der mobilen Roboter unter Berücksichtigung von statischen und dynamischen Hindernissen besitzen eine hohe Komplexität und bieten nicht die nötige Agilität. Neue Algorithmen des Deep Reinforcement Learning wie Deep Determi- nistic Policy Gradient (DDPG) [1] bieten das Potential, die lokale Bewegungsplanung und -regelung von mobilen Robotern zu verbessern. Der Einsatz von Deep Reinforcement Learning im Bereich der mobilen Robotik bedarf der Entwicklung eines neuen Konzeptes zur Einbettung in die bestehenden Strukturen. Das im vorliegenden Beitrag vorgestellte Konzept Instinctive Motion Control (IMC) vereint die Ebenen der Bewegungsplanung und -regelung aus [2] als Ansatz des End-To-End Learnings. Der Beitrag beschreibt die Rahmenbedingungen, Abläufe und Auswahlkriterien, die zur Auswahl von DDPG geführt haben. Für die Verwendung von DDPG wird eine Testumgebung entwickelt und implementiert, in der verschiedene Strategien der künstlichen neuronalen Netze (KNN) getestet und bewertet werden können. Abschließend werden verschiedene Konstellationen von Hyperparametern mit simulierten und realen mobilen Robotern getestet und ausgewertet. Zum Einsatz kommt der mobiler Roboter MP-400 der Firma Neobotix.

1 Einleitung bilen Roboter und das unbekannte verhalten von dynamischen Hindernissen aller Art. Eine weitere Problemstellung ist die Ausführung der Die voranschreitende Digitalisierung der Industrie Ausweichmanöver bzw. die Regelung der mobilen lässt die Anzahl an mobilen Robotern in diesem Um- Roboter auf eine zuvor geplante Bahn. Das zuvor ge- feld stark ansteigen. Die für einen mobilen Roboter plante Ausweichmanöver bzw. die Bahn soll vom mo- zur Verfügung stehenden Strecken werden von an- bilen Roboter befahren werden. Durch Ungenauigkei- deren mobilen Robotern und Menschen mit verwen- ten bei der Regelung entstehen Abweichungen von der det. Daraus resultieren verschiedene Problemstellun- geplanten Bahn. Vor allem in Engstellen und Kreu- gen wie die Planung von Ausweichmanövern. Als zungsbereichen kommt es durch diese Abweichungen Ausweichmanöver wird in dieser Arbeit die Neupla- zu Blockierungen. Die klassischen Algorithmen zur nung von Bahnkurven und die Bewegungsregelung lokalen Bahnplanung und -regelung der mobilen Ro- zum Umfahren bei statischen und dynamischen Hin- boter unter Berücksichtigung von statischen und dy- dernissen bezeichnet, welche bei der globalen Bahn- namischen Hindernissen besitzen eine hohe Komple- planung nicht berücksichtigt wurden. Ein Ausweich- xität und bieten nicht die nötige Agilität. manöver spielt sich somit immer im lokalen Bereich des mobilen Roboters ab, wobei die Größe dieses Be- Neue Algorithmen des Deep Reinforcement Learning reichs variabel deﬁniert werden kann. Durch eine ste- (DRL) wie Deep Deterministic Policy Gradient (DD- tig steigende Anzahl an Verkehrsteilnehmern werden PG) [1] bieten das Potential, die lokale Bewegungs- Ausweichmanöver immer wichtiger, um Blockierun- planung und -regelung von mobilen Robotern zu ver- gen und Verzögerungen zu vermeiden. Gründe für die bessern. Der Einsatz von Deep Reinforcement Lear- Probleme bei der Planung von Ausweichmanövern ning im Bereich der mobilen Robotik bedarf der Ent- sind vor allem die meist unbekannte Dynamik der mo- wicklung eines neuen Konzeptes zur Einbettung in die

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 149 Deep Reinforcement Learning zur Bewegungsplanung und -regelung mobiler Roboter

bestehenden Strukturen. Weiterhin wird die Entwick- • Off-Policy lung und Evaluation dieses Konzepts beschrieben. • Experience Replay mit ReplayBuffer

Erläuterungen zu diesen und weiteren Aspekten sind 2 Instinctive Motion Control in [3] und [1] zu finden. Innerhalb der in Abschnitt 4 beschriebenen Versuchs- Für das zu entwickelnde Konzept zur Einbettung von reihen wird die Zielsetzung der Anfahrt eines Ziel- DRL in die Strukturen der lokalen Bewegungsplanung punkts mit Betrachtung der lokalen Umgebung zu- und -regelung mobiler Roboter müssen zunächst ei- nächst auf die Zielsetzung der Anfahrt eines Ziel- nige Rahmenbedingungen festgelegt werden, welche punkts ohne Betrachtung der lokalen Umgebung re- die Komplexität der Aufgabenstellung auf ein hand- duziert. Diese Reduzierung soll die Analyse und die habbares Niveau reduzieren, ohne es dabei auf einzel- Optimierung der noch zu definierten Parameter ver- ne Anwendungsszenarien zu beschränken. Eine allge- einfachen. Sobald die Anfahrt eines Zielpunkts ohne meine Beschreibung der Strukturen ist in [2] zu fin- Betrachtung der lokalen Umgebung gelingt, werden den. Als erste Rahmenbedingung wird eine globale Parameter für die eigentliche Zielsetzung unter Be- Bahnplanung vorausgesetzt. Diese globale Bahn vom rücksichtigung der bis dahin gewonnenen Erkenntnis- Startpunkt zum Zielpunkt wird als eine Straße mit de- se definiert. finierter Breite angenommen. Die Breite der Straße muss so ausgelegt sein, dass ausreichend Platz für den Ein für die Evaluation von IMC wichtiger Gesichts- mobilen Roboter bleibt, innerhalb dieser Straße Hin- punkt ist der Einsatz auf einem realen mobilen Robo- dernissen auszuweichen. Ist nicht genug Platz zum ter. Dazu wird ein mobiler Roboter der Firma Neobo- Ausweichen, hält der mobile Roboter an und signa- tix GmbH mit dem Namen MP-400 verwendet. Dieser lisiert eine Blockierung. Zusätzlich wird der Bereich besitzt eine differentielle Kinematik, zwei Laserscan- für die lokale Bewegungsplanung und -regelung auf ner und Radencoder. einen von der Größe des mobilen Roboters abhängi- Bei der Anfahrt eines Zielpunkts ohne Betrachtung gen Umkreis beschränkt. der lokalen Umgebung werden als Eingangsdaten für Eine Neuerung, die das Konzept Instinctive Motion das Actor-KNN die Ist-Drehzahl des linken und rech- Control (IMC) bietet, ist die Vereinigung der Ebe- ten Rades, die X- und Y-Koordinaten des Ziels im nen der Bewegungsplanung und -regelung aus [2] als Basis-Koordinatensystem des mobilen Roboters so- Ansatz des End-To-End Learnings. Diese Vereinigung wie die Winkeldifferenz der aktuellen Ausrichtung gelingt durch den Einsatz von künstlichen neuronalen des mobilen Roboters und des Ziels verwendet. Die Netzen (KNN) und Algorithmen aus dem Bereich des Ausgabe des Actor-KNN sind die Soll-Drehzahlen Deep Reinforcement Learnings. Ein KNN lernt da- des linken und rechten Rades. Eine schematische Dar- bei den Zusammenhang zwischen einem Zustand und stellung dieses Aufbaus ist in Abbildung 1 zu finden. einer Aktion anhand von Belohnungen. Der Zustand stellt den Eingangsvektor des KNN dar und kann in Abhängigkeit der vorhandenen Sensoren und der Dar- stellung des Zielpunkts definiert werden. Die Aktion ist der Ausgangsvektor des KNN und enthält die Steu- ersignale für die vorhandenen Motoren. Die Anzahl der Motoren ist nicht begrenzt, was den Einsatz beliebiger Kinematiken ermöglicht. Das Training des KNN Abbildung 1: Schematische Darstellung des Actor-KNN für wird mit dem Algorithmus Deep Deterministic Policy die Anfahrt eines Zielpunkts ohne Betrachtung der lokalen Gradient (DDPG) durchgeführt. DDPG bietet durch Umgebung seine allgemeinen Auslegung alle wichtigen Aspekte, die für die Umsetzung von IMC wichtig sind: Bei der Anfahrt eines Zielpunkts mit Betrachtung der lokalen Umgebung werden zusätzlich zu den bereits • Kontinuierliche Werte im Zustandsraum beschriebenen Daten 48 Abstandswerte der Lasers- • Kontinuierliche Werte im Aktionsraum canner (D1 - D48) verwendet, um die Umgebung wahrzunehmen. Eine schematische Darstellung dieses • Actor-Critic Aufbau Aufbaus ist in Abbildung 2 zu finden.

150 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Deep Reinforcement Learning zur Bewegungsplanung und -regelung mobiler Roboter

Abbildung 2: Schematische Darstellung des Actor-KNN für die Anfahrt eines Zielpunkts mit Betrachtung der lokalen Umgebung

3 Trainingsumgebung

Für die Optimierung bzw. das Training der in IMC eingesetzten KNNs wird eine eigene Softwarestruk- tur entwickelt. Die Implementierung wird mit den Software-Bibliotheken TensorFlow, Keras, SQLite und ROS in der Programmiersprache Python durch- geführt. ROS steht für Robot Operating System [4] und ist ein weltweit verwendetes Open Source Fra- mework zur Entwicklung und Implementierung von Steuerungssoftware für Roboter. Diese Softwarestruk- tur, auch Trainingsumgebung genannt, besteht aus den Komponenten Optimierungsroutine, Episodensteue- rungsprogramm und Steuerungssoftware des simulierten und realen mobilen Roboters. Der Aufbau der Abbildung 3: Softwarestruktur der Optimierungsroutine Trainingsumgebung ist in Abbildung 3 und 4 dargestellt. von Robotern und Simulationsumgebungen, die eine Die Optimierungsroutine implementiert den DRL- ROS-Schnittstelle besitzen. Algorithmus DDPG und verwaltet den ReplayBuffer. Die Eingliederung des ReplayBuffer in die Optimie- Für die Simulation der mobilen Roboter wird die Si- rungsroutine soll eine efﬁziente Anbindung der Trai- mulationssoftware Gazebo eingesetzt. Gazebo besitzt ningsdaten an den Optimierungsalgorithmus gewähr- eine Schnittstelle zu ROS und ist Open Source. Damit leisten. Das Laden der Daten aus dem ReplayBuffer ein möglichst direkter Vergleich zwischen Simulati- ist einer der Flaschenhälse bei der Optimierung. Die on und realem mobilen Roboter durchgeführt werden Kommunikation mit den anderen Komponenten wird kann, wird ein MP-400 simuliert. über ROS-Topics und -Services aufgebaut. Die Softwarekomponente mit dem Namen MP-400 Die Hauptfunktion des Episodensteuerungspro- stellt die Steuerungseinheit des gleichnamigen mobi- gramms ist es, den Ablauf eines Trainingsdurchlaufs len Roboters dar. zu steuern, welcher die Daten zur Optimierung der KNNs liefert. Dieser Vorgang wird als Episode bezeichnet. Die gewonnen Daten werden als sogenannte Transitionen im ReplayBuffer gespeichert. Auch das 4 Versuchsreihen Episodensteuerungsprogramm ist durch die ROS-API mit den anderen Softwarekomponenten verbunden. In einzelnen Versuchen werden verschiedene Kon- Ein wichtiger Aspekt für die Nutzung von IMC ist die stellationen von Hyperparametern zum Erreichen der Möglichkeit der Verwendung von simulierten und rea- Zielsetzung getestet. Hyperparameter sind Parameter, len mobilen Robotern mit derselben Softwarestruktur. die nicht von DDPG optimiert werden. Als noch zu Der Einsatz von ROS ermöglicht die Verwendung deﬁnierende Hyperparameter stehen u.a. die Topolo-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 151 Deep Reinforcement Learning zur Bewegungsplanung und -regelung mobiler Roboter

Abbildung 5: Actor-KNN zur Anfahrt eines Zielpunkts ohne Betrachtung der lokalen Umgebung

Das Actor-KNN besteht aus der Eingangsschicht, drei verdeckten Schichten (Hidden Layer) und der Aus- gangsschicht. Die Neuronen der einzelnen Schich- ten sind voll verbunden. Die Eingangsschicht und Abbildung 4: Softwarestruktur der Episodensteuerung mit die verdeckten Schichten verwenden eine ReLU- Simulation und Robotersteuerung Aktivierungsfunktion. Die Ausgangsschicht verwendet eine tanh-Aktivierungsfunktion.

gie der KNNs, das Erkundungsrauschen und die Be- lohnung aus. Das Erkundungsrauschen gibt an, wie vom KNN ge- Als Topologie des KNN wird die Auslegung der fol- nerierte Aktionen verfälscht werden sollen, um mög- genden Parameter bezeichnet: lichst viele verschiedene Kombinationen von Aktio- nen zu Erkunden. Für eine Deﬁnition des Erkun- dungsrauschens wird Expertenwissen zu der jeweili- • Anzahl der Schichten gen Zielsetzung benötigt.

• Anzahl der Neuronen für jede Schicht Die Belohnung besteht aus einer direkten Belohnung • Anordnung der Schichten im Wertebereich, welche nach jeder Aktion gewährt • Aktivierungsfunktion der Neuronen für jede wird und einer Abschlussbelohnung, sobald das Ziel Schicht erreicht ist. Die direkte Belohnung hängt von der Län- ge der zurückgelegten Strecke ab und ist positiv, solange sich der mobile Roboter dem Ziel nähert. Ent- Die optimale Topologie der künstlichen neuronalen fernt sich der mobile Roboter weiter vom Ziel, wird Netze kann zum aktuellen Zeitpunkt nicht theore- die direkte Belohnung negativ. Ein wichtiger Aspekt tisch bestimmt werden. Aus diesem Grund werden beim Training ist, dass der mobile Roboter schnellst- verschiedene Topologien für die zwei verschiedenen möglich das Ziel erreicht. Es soll somit mit der ge- Zielsetzungen entwickelt und in einzelnen Versuchen ringst möglichen Anzahl an Aktionen erreicht wer- getestet. Beispielhaft für die verschiedenen geteste- den. Aus diesem Grund wird für jede Aktion ein fester ten Topologien wird in Abbildung 5 der Aufbau ei- Wert bei der Belohnung abgezogen. Im folgenden Ab- nes Actor-KNN für die Anfahrt eines Zielpunkts ohne schnitt werden die Ergebnisse zu einzelnen Versuchen Betrachtung der lokalen Umgebung dargestellt. beschrieben.

152 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Deep Reinforcement Learning zur Bewegungsplanung und -regelung mobiler Roboter

5 Ergebnisse

Insgesamt wurden mehr als 30 Versuche durchgeführt und ausgewertet. Die Anfahrt eines Zielpunkts ohne Betrachtung der lokalen Umgebung konnte zufriedenstellend absolviert werden. Der Erfolg des Trainings wurde u.a. durch die Verläufe der sogenannten tar- get_Q_value und der benötigten Anzahl an Aktionen zum Erreichen des Ziels der Episode überprüft. Der Verlauf der target_Q_value in Abbildung 6 zeigt, nach einer Einschwingphase, einen nahezu stetigen Anstieg über die Iterationen der Optimierung, was dem erwarteten Verlauf eines erfolgreichen Trainings entspricht. Abbildung 7: Verlauf der benötigten Anzahl an Aktionen zum Erreichen des Zielpunkts

bedingt absolviert werden. Als Grund für das nicht zu- friedenstellende Verhalten scheint die Unfähigkeit des KNNs, die Kombination aus der notwendigen Gene- ralisierung bei der Interpretation der Umgebung und der Genauigkeit für das Erreichen eines Zielpunkts zu erlernen.

6 Zusammenfassung

Es konnte durch die Verwendung des DRL- Algorithmus DDPG und der Definition verschiedener Abbildung 6: Verlauf der target_Q_value Rahmenbedingungen, welche die Komplexität der Aufgabenstellung reduzieren, ein Gesamtkonzept Die Anzahl an Aktionen zum Erreichen des Ziels wird für die Vereinigung von Bewegungsplanung und in Abbildung 7 dargestellt und zeigt nach einer An- -regelung entwickelt werden. Durch die Unwissenheit fangsphase, in der die Episoden nach 1000 Aktionen des steuernden KNN über das endgültige Ziel und abgebrochen wurden, einen absinkenden Verlauf über das somit instinktive Reagieren auf einen bestimmten die durchgeführten Episoden, bis ein Minimum er- Zustand wurde der Ansatz Instinctive Motion Control reicht wird. (IMC) benannt. Durch die anpassbare interne Struktur des bzw. der KNNs sowie die gewährten Belohnungen Aus den Versuchen zur Anfahrt eines Zielpunkts ohne zur Bildung des gewünschten Verhaltens, kann das Betrachtung der lokalen Umgebung sind vor allem Er- Konzept für beliebige Kinematiken, Dynamiken und kenntnisse zur Auslegung des Erkundungsrauschens Wahrnehmungen verwendet werden. Zur Evaluation und der Belohnung gewonnen worden. Es ist ersicht- von IMC wurden zwei verschiedene Eingangsvek- lich, dass die Definition des Erkundungsrauschen eine toren und der Ausgangsvektor für einen mobilen sehr große Auswirkung auf den Erfolg und die Dau- Roboter mit differentieller Kinematik definiert. er des Versuchs hat. Bei der Belohnung zeigt sich, Weiterhin wurde eine komplette Softwarestruktur dass eine sehr ungenaue Auslegung ausreichend ist, zum Training entwickelt und implementiert. Bei um verschiedene Zielsetzungen zu erreichen. Ledig- Versuchen mit verschiedenen Konstellationen von lich gewünschtes und unerwünschtes Verhalten muss Hyperparametern konnten Erkenntnisse in den Be- differenziert belohnt werden. reichen der Definition des Erkundungsrauschen und Die Anfahrt eines Zielpunkts mit Betrachtung der lo- der Belohnung gewonnen werden. Die Anfahrt eines kalen Umgebung konnte am Ende der Versuche nur Zielpunkts ohne Betrachtung der lokalen Umgebung

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 153 Deep Reinforcement Learning zur Bewegungsplanung und -regelung mobiler Roboter

konnte vom KNN zufriedenstellend erlernt werden. Die Anfahrt eines Zielpunkts mit Betrachtung der lokalen Umgebung bedarf weiterer Versuche und einem Überdenken der bisher verwendeten Strukturen der KNNs im Bezug auf die Fähigkeit der Genera- lisierung. Die durchgeführten Versuche haben das zuvor angenommene Potential von DRL-Algorithmen für den Bereich der mobilen Robotik bestätigt.

Literatur

[1] Timothy P Lillicrap, Jonathan J Hunt, Alexander Pritzel, Nicolas Heess, Tom Erez, Yuval Tassa, David Silver, and Daan Wierstra. Continuous control with deep reinforcement learning. arXiv preprint arXiv:1509.02971, 2015. [2] Hannah Bast, Daniel Delling, Andrew Goldberg, Matthias Müller-Hannemann, Thomas Pajor, Pe- ter Sanders, Dorothea Wagner, and Renato F Wer- neck. Route planning in transportation networks. In Algorithm Engineering, pages 19–80. Springer, 2016. [3] VolodymyrMnih, Koray Kavukcuoglu, David Sil- ver, Andrei A Rusu, Joel Veness, Marc G Belle- mare, Alex Graves, Martin Riedmiller, Andreas K Fidjeland, Georg Ostrovski, et al. Human-level control through deep reinforcement learning. Na- ture, 518(7540):529–533, 2015. [4] Morgan Quigley, Ken Conley, Brian Gerkey, Josh Faust, Tully Foote, Jeremy Leibs, Rob Wheeler, and Andrew Y Ng. Ros: an open-source robot operating system. In ICRA workshop on open source software, volume 3, page 5. Kobe, 2009.

154 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Konzeption des Entwicklungsprozesses zur Berücksichtigung von Genderaspekten in fahrzeugmechatronischen Systemen

Xiaobo Liu-Henke, Haoqi Tao, Sven Jacobitz Ostfalia Hochschule für angewandte Wissenschaften, Fakultät Maschinenbau, Institut für Mechatronik, Salzdahlumer Str. 46/48, 38302 Wolfenbüttel [email protected]

Der vorliegende Beitrag beschreibt einen Entwicklungsprozess zur Berücksichtigung von Genderaspekten für fahrzeugmechatronische Systeme. Es wird der aktuelle Stand der Technik bezüglich des Entwicklungsprozes- ses für mechatronische Systeme im Kraftfahrzeug dargestellt, um dann hinsichtlich der Genderaspekten zu analysieren. Dabei wird mit Hilfe der Geschlechterforschung die mögliche Lücke des aktuellen Entwicklungs- prozesses festgelegt. Daraufhin wird eine Methodik entwickelt, die die neu herausgearbeiteten Anforderungen in den Entwicklungsprozess einbindet und in mechatronischen Fahrzeugsystemen abzubilden bzw. verifizieren.

%& & !%'%! Die häufig als wertneutral und objektive dargestellte ingenieurwissenschaftliche Tätigkeit ist nach [4] stets Im Zusammenhang mit der Digitalisierung und Vernet- sozial eingebettet und beeinflusst das Alltagsleben un- zung des Verkehrs und Smart Cities wird autonomes terschiedlicher Menschen. Geschlechterforschung bie- Fahren als eine Schlüsseltechnologie gesehen. Zur Re- tet eine Möglichkeit zur Verbindung zwischen gesell- alisierung des autonomen Fahrens ist die Anzahl intel- schaftlicher Welt und technischer Entwicklung. Durch ligenter Systeme im Kraftfahrzeug in den vergangenen Geschlechterforschung lässt sich die menschliche Jahren stark gestiegen. Nahezu in jedem Teilsystem Vielfalt verstehen und in der Technikentwicklung be- des Fahrzeugs, in Antrieb und Fahrwerk sowie im Si- rücksichtigen. Aus diesem Gründen werden Gender- cherheits- und Komfortbereich, sind mechatronische und Diversity-Aspekten zu immer wichtigeren Merk- Systeme im Einsatz, die einen aktiven Eingriff in die malen der Entwicklung und der Qualitätsbeurteilung. Fahrdynamik vornehmen. Eine Vielzahl von diesen Systemen interagiert dabei sehr stark mit den Fah- Das Ziel dieses Beitrags ist einen Entwicklungsprozess rer_innen. Während der Entwicklung von mechatroni- zur Berücksichtigung von Gender-Aspekten für fahr- schen Fahrzeugsystemen wird derzeit vor den Fahrver- zeugmechatronische Systeme zu konzipieren, um die suchen im realen Fahrzeug keine subjektive Beurtei- genderdifferenzierte Betrachtung früherer in der Ent- lung von verschiedenen Fahrer_innen berücksichtigt wicklungsphase vorzunehmen. Somit können die me- [1]. Dies führt nicht nur zu einer großen Anzahl an Ite- cahtronischen Systeme im Kraftfahrzeug durch die rationsschritten und daraus folgenden hohen Entwick- frühzeitige Einbindung von Nutzer_innen gleichwerti- lungskosten bzw. -zeiten, sondern kann noch zahlrei- ger und marktfähiger entwickelt werden. che ethische, rechtliche, wirtschaftliche und soziale Probleme hervorbringen. Daher ist es notwendig, dass % $$$ $ der Einbezug dieser Aspekte bereits in der frühen Wie können Genderaspekte in der Technologieent- Phase der Entwicklung mechatronischer Fahrzeugsys- wicklung erkannt und bewertet werden? Die Fraun- teme erfolgt. hofer Gesellschaft hat im Rahmen ihres Projekts „Dis- Auf der vierten UN-Weltfrauenkonferenz in Peking cover Gender“ [5] einen praktischen Leitfaden zur Er- 1995 wurde erstmals die begriffliche Kategorie „Gen- mittlung der Gender-Aspekte in Forschungsvorhaben der“ eingeführt. Dabei wird die geschlechtliche Identi- zusammengestellt. Dabei werden die Gender- Aspek- tät als soziale Rolle bzw. als rein kulturelle Konstruk- ten hinsichtlich konkreter technischen Fallbeispiele in tion betont [2]. Nach [3] sind Gender und Technik ko- verschiedenen Forschungsthemen untersucht. operativ konstruiert und beeinflussen sich wechselsei- tig, ohne, dass ihr Verhältnis vorher festgelegt ist. Die Beziehung ist variabel und historisch veränderlich ist.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 155

Die genderspezifischen Anforderungen für die Ent- tischen Entwurfs ist die Beherrschung der Systemkom- wicklung einer neuen Lasergravurmaschine unter Be- plexität elementar. Nach [8] erfolgt die Zerlegung des rücksichtigung der Mensch-Maschine-Schnittstelle Systems mittels Modularisierung und Hierarchisie- wird in [6] dargestellt. Als Ergebnisse wird der Leitfa- rung im Top-Down-Verfahren in Teilsysteme mit me- den „Design for Gender“ zusammengefasst, welcher chatronischen Komponenten. Dabei werden die Sys- Entwicklungsteams unterstützt, genderrelevante An- temfunktionen mit den definierten Schnittstellen in ei- forderungen zu erfassen und sie im Entwicklungspro- ner effizienten Art dargestellt. Nach der Strukturierung zess zu berücksichtigen. Cojocaru [6] weist diesbezüg- und Schnittstellendefinition wird das System sukzes- lich darauf hin, dass es keine genderspezifischen An- siv von unten nach oben im Bottom-up-Verfahren mit- forderungen an Technikentwicklung geben kann, son- tels mechatronischer Komposition aufgebaut. dern viel mehr eine grundlegende Vielfalt der Nut- zer_innen angenommen werden muss, die sich eben nicht auf Geschlechtsunterschiede beschränkt.

In [7] wird ähnliche Ansicht gegeben, dass aus Per- Spezifikation REALES Systemtest spektive der neuen Geschlechterforschung nicht nur 3F-SYSTEM OK auf die Differenzen im Körperbau und weitere körper- Modellierung Integration/Test lichen Unterschiede fokussieren, sondern noch etwa Physikalisches Testbed die vielfältigen Bedarfe und Lebenslagen von ver- Modell Feldtest

schiedenen Menschen in den Blick nehmen müssen. Mathematisches Komponententest Hierbei dürfen weder ganze Zielgruppen noch be- Modell (HiL) Modellkomponenten werden gegen reale stimmte Nutzer_innen ausgeschlossen werden. Komponenten Analyse + ausgetauscht und Um den Zusammenhang zwischen Fahrer_innen und Identifikation (MiL) getestet. fahrzeugmechatronischen Systemen mit den Gender- Synthese, Analyse des geregelten und Diversity-Aspekten zu untersuchen, ist es uner- Reglerauslegung Systems (MiL/SiL) lässlich das Gesamtsystem Fahrer-Fahrzeug-Fahrum- Design der Informationsverarbeitungseinheit

gebung (3F) zu untersuchen, da mit der Entwicklung Abbildung 1. Aktueller Entwicklungsprozess für fahr- des autonomen Fahrens die Fahrer_innen, das Fahr- zeugmechatronische Systeme zeug und die Umgebung des Fahrzeugs in Raum und Zeit enger zusammenwirken. Das dynamische Zusam- Zur Auslegung der einzelnen Funktionsmodule wird menspiel dieser drei Faktoren beim Prozess der Fahr- der in Abbildung 1 dargestellte mechatronische Ent- zeugführung kann grundsätzlich wie in [1] durch einen wicklungsprozess eingesetzt. Der Entwicklungspro- geschlossenen Regelkreis dargestellt werden. Die Fah- zess kann grob in vier einzelnen Schritte eingeteilt rer_innen nehmen mit ihren Sinnen Informationen werden: Anforderungsbestimmung, Modellbildung, über den Fahrzustand wahr. Diese Informationen kön- Auslegung der Informationsverarbeitung und Validie- nen sowohl der Straßenverlauf, die Verkehrssituation rung. Zu Beginn werden die Anforderungen nach den und darin auftretende Störungen aus der Fahrumge- geforderten Systemeigenschaften definiert. Ausge- bung, als auch das Fahrverhalten und die Fahrdynamik hend davon wird das technische System nach dem des Fahrzeugs sein. Nachdem diese aufgenommenen Funktionsprinzip in einem physikalischen bzw. mathe- Informationen im Gehirn hinsichtlich ihrer Erkennt- matischen Ersatzmodell abgebildet. Das Ersatzmodell nisse und Erfahrungen verarbeitet wurden, wirken die repräsentiert das Systemverhalten. Darauf basierend Fahrer_innen über Lenkung, Bremsen, Antrieb und wird die Synthese der Softwarefunktionen durchge- Betätigung der Fahrerassistenzsysteme auf das Fahr- führt. Die notwendige Sensorik, Aktorik und Regelal- zeug. gorithmen werden anhand des Systemverhaltens festgelegt. Anschließend werden die ausgelegten Funktio- %#! $# %(& $"#! nen in einem durchgängig verifikationsorientierten *$$ Prozess mittels Model-in-the-Loop (MiL), Software- in-the-Loop (SiL), und Hardware-in-the-Loop (HiL) Zur Entwicklung eines Systems mit sehr hoher Kom- validiert und optimiert. plexität wird die mechatronische Entwicklungsmetho- dik herangezogen. Zur Gewährleistung eines systema-

156 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

#$"*$ )$$'!# Unterschiede zwischen Männer und Frauen bzw. Jun- %(& $"#!*$$$ gen und Mädchen sowie das Alter für die Interaktionen zwischen Fahrer_innen und Fahrzeug sowie zwischen In diesem Abschnitt wird der vorhandene Entwick- Fahrer_innen und Fahrumgebung kaum untersucht. lungsprozess anhand von Gender- und Diversity-As- pekten analysiert. In diesem Zusammenhang werden Erfahrung, Kenntnisse Gesundheit Alter Fähigkeiten Mündigkeit Motivation auch die Lücken im Entwicklungsprozess aufgezeigt. Persönlichkeit Aufmerksamkeit Verhaltensweise Die Analysen sollen sowohl für einzelne Schritte des Fahrer_innen Entwicklungsprozesses, als auch für dessen Aufbau- struktur durchgeführt werden. Fahraufgabe Typ Situation Fahrzeug- Zustand Verkehrsfluss mechatronisches Ausstattung 4.1 Analyse der Anforderungsbestimmung Straßentyp System Ein-/Ausggaben Sicht Fahr- Geräuschpegel Die an ein fahrzeugmechatronisches System gestellten umgebung Fahrzeug Anforderungen sind vielfältig und lassen gerade im Kraftfahrzeug genderspezifische Unterschiede zu, Abbildung 2. Zusammenspiel zwischen Fahrer_innen, welche jedoch bisher im Entwicklungsprozess nicht Fahrzeug und Fahrumgebung [9] hinreichend berücksichtigt werden. Bisher werden sol- 4.2 Analyse der Modellbildung che Anforderungen lediglich ausgehend von einem durchschnittlichen Kunden einer Zielgruppe definiert In der Modellbildungsphase wird im Allgemein ein aufgestellt. Außerdem neigen die Technikentwick- Fahrzeugmodell und ein Fahrumgebungsmodell auf- ler_innen auch dazu, Anforderungen an die Systemen gebaut. Zur Erprobung wird zusätzlich ein technisches anhand ihrer eigenen Bedürfnisse oder stereotyper An- Fahrermodell eingesetzt, dessen Aufgabe es ist, auf- nahmen über Kunden zu stellen, da sie sich selbst als grund der modellierten Fahrumgebung die Interaktion spätere Fahrer_innen sehen [4]. Daher werden die Sys- zwischen Fahrer_innen und Fahrzeug vorherzusagen. teme oft mit diesem, sehr subjektiven, Ziel entwickelt In der aktuellen Literatur kann man eine Vielzahl von und getestet. Dies führt zu wirtschaftlichen Fehlschlä- Fahrermodellen mit verschiedenem Betrachtungsfo- gen, Akzeptanzschwierigkeiten und sogar Gefahren kus finden. Ein kognitives Modell, welches den Ar- für die Menschen. Ein typisches Vorbild in der Auto- beitsprozess der Zielgerechtete Tätigkeiten durch ei- mobilbranche dafür sind normierte Crashtest-Dum- nen Menschen allgemein beschreibt, wurde 1983 von mys. Die frühen Crashtest-Dummys wurden aus- Rasmussen veröffentlicht [10]. Auf dieser Grundle- schließlich basierend auf männlichen Normkörpern gend kann danach die Fahraufgabe in drei Ebenen mit entwickelt. Später wurden weitere Modellreihen, wel- unterschiedlicher kognitiver Inanspruchnahme einge- che Frauen, Kinder und seit 1996 doch noch Schwan- teilt werden. Dieses Drei-Ebenen-Modell ist in Abbil- geren simulieren können, nach und nach ergänzt [4]. dung 3 links dargestellt. Dabei wird zwischen wissens- Will man die tatsächlich vom Benutzer gestellten An- basiertem, regelbasiertem und fertigkeitsbasiertem forderungen bei der Entwicklung betrachten, müssen Verhalten unterschieden [11]. die relevanten Aspekte des gesamten 3F-Systems für Ein technisches Modell, in Abbildung 3 rechts darge- die jeweiligen Funktionen berücksichtigt werden [9]. stellt, ist das Modell nach Donges aus dem Jahr 1982 In Abbildung 2 wird dazu das Zusammenspiel von [12]. Dieses wurde aus Ingenieursicht für konkrete Fahrer_innen, Fahrzeug und Fahrumgebung mit eini- Fahraufgabe entwickelt. Auch hier werden drei Ebe- gen zu berücksichtigenden Aspekten dargestellt. nen unterschieden: Navigation, Führung und Stabili- Im vorhandenen Entwicklungsprozess werden jedoch sierung [11]. Jedoch wird in solchen technischen häufig nur die Reaktionen des Fahrzeugs auf das Len- Fahrermodellen das menschliche Verhalten nur teil- ken, das Beschleunigen und Verzögen über Gas- und weise berücksichtigt. Die Unterschiede zwischen ver- Bremspedal, sowie auf die Störungen der Fahrumge- schieden Zielgruppen, welche für eine genderspezifi- bung berücksichtigt. Hierbei werden die Vielfältigkeit sche Auslegung notwendig sind, findet keine Berück- der Fahrer_innen und die veränderliche Fahrumge- sichtigung. Hier besteht daher Handlungsbedarf (s. bung zum Großteil vernachlässigt. Auch werden die Pfeile in Abbildung 3), um das menschliche Verhalten und dessen Unterschiede im vorhandenen Fahrermo- dell zu berücksichtigen und zu integrieren.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 157

Kognitives Fahrermodell Technisches Fahrermodell

Abbildung 3. Kombinierte Darstellung der technischen und kognitiven Modelle nach Rasmussen und Donges [11]

4.3 Analyse der Auslegung der Informations- ments ausgeführt. Dabei müssen nicht nur der Ent- verarbeitung und Validierung wicklungsprozess selbst, sondern gleichzeitig noch die Bisher wird die Auslegung der Informationsverarbei- Fahrumgebung ganzheitlich betrachtet werden. Die in tung durch reine Mathematik durchgeführt. Somit las- Abbildung 4 rot markierten, möglichen, Lücken im sen sich subjektive Eigenschaften der vielfältigen Fah- gendergerechten Entwicklungsprozess ergeben sich rer_innen bei Auslegung der Informationsverarbeitung aufgrund der in Abschnitt 4 dargestellten Analyse. kaum berücksichtigen. Dies ist ein Interdisziplinäres Diese sind im weiteren Verlauf der Forschungsarbeit Problem, welches durch Ergänzung von Wahrneh- weiter zu untersuchen. Hierbei werden die Lücken ge- mungs- und Kognitionstheorie sowie Handlungspsy- nau spezifiziert sowie Lösungsvorschläge zur Schlie- chologie gelöst werden muss. Ein ähnliches Problem ßung erarbeitet und validiert. entsteht ebenfalls während der Validierungsphase, in der die Funktionen mittels qualitativen Methoden oft Anforderungsmanagement nur für eine Durchschnittszielgruppe abgesichert werden. Dadurch wird die Zielgruppenvielfalt vernachläs- sigt.

! *"%! $ & %(& $ "#!*$$$ Basierend auf der vorherigen Analyse wird in diesem Abschnitt die prinzipielle Konzeption des Entwick- lungsprozesses zur Berücksichtigung von Gender- und Diversity-Aspekten für fahrzeugmechatronische Sys- teme dargestellt. Abbildung 4 stellt die prinzipielle Konzeption des genderspezifischen Entwicklungsprozesses dar. Hierbei wird der vorhandene Entwicklungsprozess durch ein Fahrumgebung Anforderungsmanagement ergänzt und erweitert. Während der Entwicklung wird jeder Schritt des Ent- Abbildung 4. Konzept des Entwicklungsprozesses wicklungsprozesses anhand des Anforderungsmanage-

158 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

5.1 Anforderungsmanagement Entwicklungsprozess stehen. Durch Untersuchung der Um die genauen Anforderungen an das zu entwi- Fahrer_innen können verschiedene Charaktereigen- ckelnde System zu stellen, muss ein neuartiges Anfor- schaften für genderspezifische Aspekte berücksichtigt derungsmanagement herangezogen werden. Abbil- werden. Hierbei müssen die Interaktionen innerhalb dung 5 stellt die hierarchische Struktur des Anforde- des gesamten 3F-Systems ganzheitlich betrachtet wer- rungsmanagements dar. Es handelt sich um die techni- den. Es muss untersucht werden, wie die Fahrer_innen schen Anforderungen und die Anforderungen zur Be- auf die Fahrumgebung und das Fahrverhalten reagie- rücksichtigung von Mensch- und Sozialgerechtigkeit. ren und wie das Fahrzeug auf die verschiedenen Fah- rer_innen reagieren. Dies wird immer wichtiger für das Anforderungsmanagement zukünftige kognitive Kraftfahrzeug [13]. Von diesem … kognitiven Kraftfahrzeug wird erwartet, dass es sich Technische Anforderungen Mensch- und Sozialgerechtigkeit selbst und Fahrumgebung sowie Fahrer_innen wahr-

… nehmen kann.

Aktive Federung Aktive Federung Antrieb (Längsdynamik) Antrieb (Längsdynamik) Antrieb (Längsdynamik) Aktive Federung Aktive Federung 5.2 Modellbildung Antrieb (Längsdynamik) Antrieb (Längsdynamik) Antrieb (Längsdynamik) (Vertikaldynamik) (Vertikaldynamik) AntriebSensorik (Längsdynamik) & AntriebRegel- (Längsdynamik) Antrieb (Längsdynamik) Aktive(Vertikaldynamik) Federung KognitionAktive(Vertikaldynamik) Federung & MMI (Vertikaldynamik)Gender (Vertikaldynamik) Aktorik algorithmen Wahrnehmung Im Rahmen eines gendergerechten Entwicklungspro- Abbildung 5. Hierarchische Struktur des Anforde- zesses für fahrzeugmechatronische Systeme, muss im rungsmanagements Prozessschritt der Modellbildung neben dem technischen Modell auch ein menschliches Verhaltensmodell, Die Analyse der beiden Anforderungen wird bei der welches den Fahrer_innenzustand repräsentiert, aufge- Entwicklung eines mechatronischen Systems parallel baut werden. Dieses ergänzt dann das technische durchgeführt. Das Fachwissen und die Methoden zur Fahrermodell. Das Verhaltensmodell aus Abbildung 3 Ermittlung der technischen Anforderungen stehen für muss hierzu sowohl Gender- und Diversity-Aspekte Ingenieure zur Verfügung, z.B. Auswahl der Sensorik also auch um Kognition berücksichtigen und ggf. um und Aktorik, Auslegung von Reglern und MMI. Zur diese Punkte erweitert werden. Für diese Erweiterung Untersuchung der Anforderungen an die Mensch- und bestehen zwei Lösungsmöglichkeiten: Veränderung Sozialgerechtigkeit ist es besonders wichtig, das der vorhandenen Modellparameter oder Erweiterung menschliche Verhalten und die Fähigkeiten der Fah- der Modellstruktur. Da eine reine Veränderung der rer_innen zu ermitteln. Schwierigkeit ist hierbei, die Modellparameter jedoch nur eine Verschiebung der be- relevanten Parameter der Fahrer_innen, Fahrzeug und trachteten Problematik zur Folge hat, wird der Ansatz Fahrumgebung hinsichtlich solcher Aspekte für die jeder Strukturveränderung weiterverfolgt. weiligen Funktionen des fahrzeugmechatronischen Nach [14] wird die prinzipielle Modellstruktur für das Systems zu identifizieren, zu beschrieben und zu quan- menschliche Verhalten durch die Hauptmodule Wahr- tifizieren. Da diese von extrem vielen Faktoren abhän- nehmen, Erkennen, Entscheiden und Handeln abgebil- gig und sehr komplex sind, muss hierbei die Entwick- det (siehe Abbildung 6). Jedes Hauptmodul verfügt lung von Systemen neben Ingenieurwissenshaften über eignen Fähigkeitsparameter und wird gleichzeitig durch die sozialwissenschaftlichen Erkenntnisse er- durch anderen Eigenschaftsparameter und Fertigkeits- gänzt werden. Um die gewünschten Daten zu erfassen, parameter sowie intrinsische Parameter ergänzt. Ein- können z.B. die Methoden Beobachtung, physiologi- gangsgrößen sind Informationen aus Fahrzeug und sche Messung und Befragungen während Probanden- Fahrumgebung. Der Ausgang ist durch Veränderungen versuchen verwendet werden. der Stellgrößen des Fahrzeugs beschrieben. Im Rahmen der Gender- und Diversity-Aspekte müs- sen die Fahrer_innen als ein zentrales Element im den

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 159

Eigenschaftsparameter: Umgebung: Geschlecht Fremdvehrkehr Alter Ampel Vehrkehrsschild Kreuzungen Wahr- Erkennen Entscheiden Handeln Informationen aus nehmen Stellgrößen: Modellausgaben Fahrzeug: Fahrzeug u. Lenkradwinkel (Stellgrößen) Eigene Position, Fahrumgebung Gas/Bremse Geschwindigkeit Blinker Position der Bestätigung FAS Stellgrößen Fähigkeiten Fähigkeiten Fähigkeiten Fähigkeiten

Externe Zustände: Intrinsische Zustände: Fertigkeitsparameter: Wetter Tageszeit Zustand der Fahrbahn Emotion Max. Lenkkraft Motivationnen Sehschärfe Müdigkeit Abbildung 6. Prinzipielle Struktur des menschlichen Verhaltensmodells

Eine besondere Schwierigkeit im Zusammenhang mit durch Objektivierung betrachtet werden. Beispiel- psychologischen Fahrermodellen liegt in der Identifi- weise können die Bewertungskriterien Aufgabenerfül- zierung der Parameter. Ein Überblick über die Identi- lung, körperliche und geistige Arbeitsbelastung wäh- fizierung vom menschlichen Fahrermodell wird in [15] rend der Querführung beim Fahren durch die folgen- vorgestellt. Hierbei wird zwischen parametrischen, den quadratischen Gütemaßfunktionen dargestellt semi-parametrischen und nicht-parametrischen Ver- werden [16]: fahren unterschieden. x Aufgabenerfüllung ܬ஺ா: ͳ ௧ 5.3 Auslegung der Informationsverarbeitung ଶ ஺ா ൌ න οݕ ݀߬ܬ und Validierung ܵ ଴ Um ein gendergerechtes System zu entwickeln, müs- x Körperliche Arbeitsbelastung ܬ௄஺௕: ͳ ௧ sen die Funktionen bei der Auslegung der Informati- ଶ ܬ௄஺௕ ൌ න ߜ ݀߬ onsverarbeitung personalisiert entworfen werden. ܵ ଴ Hierzu müssen sich die Funktionen oder deren Para- x Geistige Arbeitsbelastung ܬீ஺௕: ͳ ௧ meter in der Abhängigkeit der verschiedenen Zielgrup- ሶଶ ܬீ஺௕ ൌ න ߜ ݀߬ pen durch Erkennung des Fahrerverhaltens automa- ܵ ଴ tisch anpassen können. Dabei ist οݕ die Querabweichung, ߜ der Lenkwinkel und ߜሶ die zeitliche Ableitung des Lenkwinkels. Fahrermodell

Gender/Kognitionsebene $+ & &$

Umgebung Bahnführungsebene Fahrzeugmodell Der vorliegende Beitrag fokussiert das Konzept eines Antizipatorische Sollspur Steuerung ganzheitlichen Entwicklungsprozesses zur Berück- Lenk- + Istspur + winkel Fahrerrauschen sichtigung von Genderaspekten in fahrzeugmechatro- + nischen Systemen. Hierbei wurde zunächst der aktuell Sollspur Kompensatorische - Regelung angewendete Prozess analysiert. Durch Erweiterung Straße und Stabilisierungsebene Verkehrssituation des technischen durch ein Psychologisches Fahrermo-

dell wurde ein auf Anforderungsmanagementbasieren- Abbildung 7. Modellvalidierung am Beispiel eines des Konzept für einen verbesserten Prozess vorgestellt. Lenksystems Weitere Forschungsarbeit befasst sich mit der Realisie- Nachdem die Modellbildung und Regler Synthese rung, Anwendung und Validierung des konzipierten durchgeführt wurde, werden die Softwarefunktionen Entwicklungsprozesses an einem konkreten Anwen- mittels MiL, SiL und HiL validiert (siehe Abbildung dungsbeispiel sowie Optimierung und Erweiterung des 7). Dabei wird die Integration des menschlichen Ver- genderspezifischen Entwicklungsprozesses. In der Be- haltensmodells im vorhandenen technischen Fahrer- rücksichtigung von Gender- und Diversity-Aspekten modell fokussiert. Zur Beurteilung der Ergebnisse im Entwicklungsprozess wird ein bedeutendes Poten- können die subjektiven Eigenschaften von Menschen zial gesehen.

160 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

$& [9] W. König, „Nutzergerechte Entwicklung der Diese Arbeit wurde im Rahmen des Promotionskollegs Mensch-Maschine-Interaktion von Fahrerassistenzsystemen,“ in Handbuch „Konfiguration von Mensch, Maschine & Geschlecht. Fahrerassistenzsysteme - Grundlagen, Interdisziplinäre Analysen zur Technikentwicklung Komponenten und Systeme f¨ur aktive (KoMMa.G)“ durch das Niedersächsische Ministe- Sicherheit und Komfort, Springer Vieweg, rium für Wissenschaft und Kultur gefördert. Für die 2015, pp. 33-42. Förderung bedanken sich die Autoren herzlichst. [10] J. Rasmussen, „Skills, Rules and Knowledge; Signals, Signs and Symbols and other Distinctions in Human Performance Models,“ IEEE Trans. on Systems, Man and Cybernetics, 1983. [11] E. Donges, „Fahrerverhaltensmodelle,“ in Handbuch Fahrerassistenzsysteme -

Grundlagen, Komponenten und Systeme f¨ur aktive Sicherheit und Komfort,, Springer %#%&#'#* $ Vieweg, 2015, pp. 17-54. [12] E. Donges, „Aspekte der aktiven Sicherheit bei [1] X. Liu-Henke, M. Göllner, R. Buchta und F. der Führung von Personkraftwagen,“ Quantmeyer, „Systemkonzept eines modularen Automobil-Industrie 27, 1982. HiL-Systems für modellbasierte [13] B. Deml, H. Neumann, A. Müller und H. J. Funktionsentwicklung Wünsche, „Fahrermodellierung im Kontext fahrzuegmechatronischer Systeme,“ in kognitiver Automobile,“ ASIM/GI STS/GMMS Workshop 2017, Ulm, Automatisierungstechnik, pp. 601-608, 11 2017. 2008. [2] B. J. Krings, „Genderforschung und [14] S. Kupschick und T. Jürgensohn, „Entwicklung Technikentwicklung,“ pp. 5-8, 07 2002. einer modularen Plattform für menschliche [3] C. Bath, „Gender und Technik,“ Ostfalia HAW, Fahrermodelle,“ in Fahrermodellierung in Wolfenbüttel, 2015. Wissenschaft und Wirtschaft, Berlin, VDI, 2015, pp. 83-93. [4] C. Bath, „Gender, Technik und Mobilität - Innovative, soziotechnische Lösungen für [15] W. Wang, J. Xi und H. Chen, „Modeling and gesellschaftliche, wissenschaftliche und Recognizing Driver Behavior Based on Driving wirtscahftliche Herausforderungen,“ Data: A Survey,“ in Mathematical Problems in Braunschweig, 2015. Engineering, Peking, 2014. [5] S. Bührer und M. Schraudner, „Gender-Aspekte [16] W. Wang, J. Xi und J. Wang, „Human-Centered in der Forschung,“ Fraunhofer, Insititut System- Feed-Forward Control of a Vehicle Steering und Innovationsforschung, Karlsruhe, 2006. System Based on a Driver’s Steering Model,“ in American Control Conference, Chicago, [6] E. Cojocaru, „Design for Gender: 2015. Bedienungsgerechte Maschinenentwicklung durch Expertise von MaschinenbedienerInnen,“ [17] G. Hiesgen, Effiziente Entwicklung eines in Agenda Gute Arbeit: geschlechtergerecht!, menschzentrierten Wien, VSA: Verlag, Hamburg, 2014, pp. 158- Querführungsassistenzsystems mit einem 168. Fahrsimulator, Oberhausen: Universität Duisburg-Essen, 2011. [7] C. Bath, „"Discover Gender" in Forschung und Technologieentwicklung? Re-discover Gender Studies, Wissenschafts- und Gesellschaftskritik,“ Sozial Technik, Zeitschrift für sozial- und umweltverträgliche Technikgestaltung, pp. 3-5, 2007. [8] X. Liu-Henke, „Mechatronische Entwicklung der aktiven Feder-/Neigetechnik für das Schi- nenfahrzeug RailCab,“ Dissertation, Universität Paderborn, 2004.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 161

162 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Systemkonzept einer durchgängigen Low-Cost RCP-Plattform

Xiaobo Liu-Henke, Sven Jacobitz, Marian Göllner, Sören Scherler Ostfalia Hochschule für angewandte Wissenschaften, Fakultät Maschinenbau, Institut für Mechatronik, Salzdahlumer Str. 46/48, 38302 Wolfenbüttel [email protected]

Mechatronische Systeme finden sich heutzutage in allen Lebensbereichen wieder. Bei immer kürzeren Pro- duktentwicklungszeiten ist ein strukturiertes Vorgehen bei der Entwicklung neuer Funktionen unabdinglich. Daher wird immer häufiger der durchgängig modellbasierte Ansatz des Rapid Control Prototyping (RCP) für das Systemdesign verwendet. Dieser zeichnet sich durch Nutzung einer durchgängigen Werkzeugkette, bestehend aus Hard- und Software, mit hohem Automatisierungsgrad aus. Insbesondere für kleine und mittelstän- dische Unternehmen (KMU) sind durchgängige RCP-Werkzeugketten mit einem hohen Anschaffungspreis verbunden, wodurch die Wettbewerbsfähigkeit bei der mechatronischen Systementwicklung gehemmt wird. Der vorliegende Beitrag stellt daher das Systemkonzept einer Low-Cost RCP-Plattform, bestehend aus Offline Simulationsumgebung, Echtzeithardware und Mensch Maschine Schnittstelle für Onlineexperimente, vor. Hierzu erfolgt zunächst eine allgemeine Analyse von RCP-Systemen, eine Übersicht aktuell auf dem Markt verfügbarer Systeme sowie eine abschließende Konzeption des Systems.

1 Einleitung Derzeit wird diese modellbasierte Funktionsentwick- lung ausschließlich durch kostspielige CAE-Werk- Zur Verbesserung wichtiger Systemeigenschaften wird zeugketten (z.B. mittels MATLAB/Simulink, kombi- immer mehr intelligente Hard- und Software in techni- niert mit einem RCP-System der Firma dSPACE) als sche Systeme eingebettet. Kern dieser intelligenten „High-Cost-RCP CAE-Werkzeugkette“ unterstützt Systeme sind Steuergeräte und die auf dem Steuergerät [2]. Diese sind jedoch mit erheblichen Anschaffungs- implementierten, hochwertigen Reglerfunktionen ein- kosten verbunden, weshalb sie primär nur von größe- schließlich Signalverarbeitung, in Gesamtheit ein soren Firmen eingesetzt werden können. genanntes Embedded Control System. Zusammen mit der Sensorik und Aktorik bildet dieses ein eingebette- KMU verfügen selten über die Finanzmittel zur Nut- tes, mechatronisches System mit hohem Vernetzungs- zung solcher RCP-Entwicklungsplattformen. Sie ha- grad mit hochgradig komplexer Software für Steue- ben praktisch keine Chance im Gebiet der eingebette- rungs- und Regelsysteme. Das Batteriemanagement- ten mechatronischen Systeme eine Wettbewerbskom- system für Elektrofahrzeuge, Herzschrittmacher in der petenz aufzubauen. Weiterhin liegt den aktuellen Ent- Medizintechnik, Steuerungs- und Regelsysteme für in- wicklungen der KMU häufig Einzelstück-Charakter telligente Gebäude und für die digitale Produktions- zugrunde, welcher mit einem sehr hohen personellen, technik sind nur einige Anwendungsbeispiele aus ver- zeitlichen und finanziellen Aufwand aufgrund manuel- schiedenen Gebieten unserer Gesellschaft. ler Programmierung für Steuerungs- und Regelsys- teme verbunden ist. Zudem lassen sich Anforderungen Zur Funktionsauslegung eingebetteter mechatroni- des Qualitätsmanagements, aufgrund der hauptsäch- scher Systeme mit hochgradig komplexer Software ist lich zufälligen Fehler, nur mit großem Kontrollauf- eine ganzheitliche, modellbasierte Entwicklungsme- wand erfüllen [3]. Durch Nutzung einer durchgängi- thodik erforderlich, um die steigende Komplexität be- gen RCP-Entwicklungsplattform können sowohl der herrschen zu können. Kennzeichnend für diese Metho- zeitliche, als auch der finanzielle Aufwand reduziert dik sind die hohe Durchgängigkeit und der Automati- und das Qualitätsmanagement nachhaltig integriert sierungsgrad, von der Modellbildung, der modellba- werden [4]. sierten Funktionsauslegung über die automatische Codegenerierung bis hin zur Echtzeit-Realisierung [1]. Aus diesem Grund wird an der Ostfalia Hochschule im Diese Entwicklungsmethodik, begleitet durch eine Rahmen eines EFRE geförderten Projektes eine Low- durchgängige, computergestützte, vollautomatisierte Cost RCP-Plattform entwickelt. Der vorliegende Bei- CAE-Plattform, wird als Rapid Control Prototyping trag fokussiert das Systemkonzept der zu entwickeln- (RCP) bezeichnet. den Plattform. Es werden RCP-Systeme im Allgemei- nen untersucht, ein Überblick über den aktuellen Stand

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 163 Systemkonzept einer durchgängigen Low-Cost RCP-Plattform

der Technik gegeben und das Konzept einer Low-Cost Parametern erfolgt die automatisierte Transformation Entwicklungsplattform dargestellt. in Programmcode sowie die Erweiterung und Optimie- rung für die Echtzeitverarbeitung. Hieraus entsteht ein 2 RCP Entwicklungsmethodik ausführbarer Code, welcher automatisiert kompiliert und auf der Zielhardware implementiert wird. Der durchgängige RCP-Prozess besteht aus einer modellbasierten, verifikationsorientierten Entwicklungs- REALES SYSTEM methodik mit den drei Entwicklungsstufen Model-in- the-Loop (MiL), Software-in-the-Loop (SiL) und Spezifikation Systemtest OK Hardware-in-the-Loop (HiL) [5]. Entscheidende Vor- Modellbildung Erprobung teile dieser Methodik sind verkürzte Entwicklungszei- Physikalisches Testbed, ten durch frühzeitige Iterationen und ein geringer Feh- Modell Feldtest leranteil im Quellcode, da dieser automatisiert erzeugt Mathematisches Komponententest Modell

wird (siehe Abbildung 1). Weiterhin erfolgt mithilfe Modellierung Modellkomponenten werden gegen reale dieser Methodik eine durchgängige Funktionsabsiche- Komponenten Analyse + ausgetauscht und rung [6]. Identifikation getestet. HiL HiL-Testbed Prototyp

Rapid Control Implementierung Funktionsdesign Analyse Prototyping Synthese und Analyse des ge- Reglerauslegung regelten Systems Prototypenbau

Mit RCP Fahrversuch Synthese Produktentwicklung

Verkürzung Verkürzung Abbildung 2. Modellbasierter, verifikationsorientierter um 70% um 30% Entwicklungsprozess nach [5] Ohne RCP

Spezifikationsentwurf Realisierung 3 Aufbau von RCP-Systemen Entwicklungszeit Bei der systematischen Analyse von RCP-Systemen Abbildung 1: Verkürzung der Entwicklungszeit durch lassen sich die verwendeten Werkzeuge grundlegend den Einsatz von RCP [7] in drei Kategorien einteilen: Offline-Simulationsum- gebung, Echtzeithardware zur Onlinesimulation und Um die Systemkomplexität zu reduzieren, erfolgt mit- Werkzeug mit Mensch-Maschine-Interface (MMI) zur tels Modularisierung zunächst die Zergliederung des Durchführung von Onlinesimulationen (sogenannte Gesamtsystems in eine hierarchisch angeordnete Experimentiersoftware). Struktur (mechatronische Strukturierung). Nach Defi- nition der Schnittstellen zwischen den Modulen er- 3.1 Offline Simulationsumgebung folgt, angefangen bei der untersten Ebene, die Ausle- In der Simulationsumgebung werden sowohl die Soft- gung der Teilfunktionen sowie dessen Integration zum warefunktionen (z.B. hochwertige Regelalgorithmen) Gesamtsystem (mechatronische Komposition) [5]. Der als auch die Steuergeräteumgebung (z.B. die Regel- Prozess der Komposition, inklusive Validierung und strecke) mittels blockschaltbildorientierter Beschrei- Optimierung mittels MiL-, SiL- und HiL-Simulatio- bungssprache abgebildet, wofür entsprechende Mo- nen, wird durch Abbildung 2 illustriert. dellbibliotheken benötigt werden. Auch eine Doku- Wird der Prozess aus Abbildung 2 genauer analysiert, mentation des Modells sollte in dieser Softwareumge- ergeben sich, angefangen bei Bibliotheken zur Model- bung möglich sein. Eine gut dokumentierte Simulation lierung bis hin zur Simulation auf der Zielhardware, stellt gleichzeitig eine ausführbare Spezifikation dar, vier Prozessschritte, welche durchlaufen werden (vgl. was Verständlichkeit und Transparenz innerhalb des Abbildung 4, links): Modellierung und Analyse, Er- Entwicklungsprozesses steigert [3]. zeugung von Programmcode, Erzeugung von ausführ- Neben der Simulation werden auch Werkzeuge zur barem Code und Codeimplementierung. Modellidentifikation und Analyse benötigt. Durch eine Während der Modellierung und Analyse werden so- Simulationsumgebung, welche all diese Funktionen wohl die Regelstrecke als auch die Reglerfunktionen integriert werden Fehler, z.B. durch manuelle Modell- als Modell nachgebildet und analysiert. Aus anhand oder Parameterübertragung, vermieden und Arbeitsab- von Offlinesimulationen optimierten Algorithmen und läufe erleichtert.

164 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Systemkonzept einer durchgängigen Low-Cost RCP-Plattform

Ist eine ausreichende Güte der zu entwickelnden Funk- diverse weitere Aufgaben wie Daten- und Versionsma- tionen erreicht, wird aus dem Blockschaltbild automa- nagement durch die Experimentiersoftware erfüllt tisiert Programmcode generiert. Dieser kann dann ge- werden. Hierdurch wird eine hohe Durchgängigkeit testet und optimiert sowie anschließend in von der des RCP-Prozesses erzielt. Zielhardware ausführbaren Code transformiert wer- a) b) den. Durch den automatisierten Ablauf dieser Funktion Codegenerierung Host Host und Aufruf der nachfolgenden Softwaretools (Compi- ler, etc.) werden wiederum Fehler vermieden und Ar- Echtzeit Host Programm Host Programm beitsabläufe optimiert [1]. Hardware Target Programm

Programmierung Echtzeit Konfigura- 3.2 Echtzeithardware zur Onlinesimulation Kommunikation Hardware tion Server Programm Mit Fortschreiten der Entwicklung werden zur weite- Abbildung 3. Mögliche RCP Hardware Architekturen ren Optimierung und Absicherung Onlinesimulationen unter Verwendung realer Komponenten durchgeführt. Hierzu müssen die entworfenen Algorithmen auf einer 4 Stand der Technik entsprechend leistungsfähigen Echtzeithardware im- Für die in Kapitel 3 dargestellten Werkzeuge gibt es plementiert werden. Nach Möglichkeit erfolgt dies wie diverse Realisierungsansätze. Wird die Analyse zu- in Abschnitt 2 beschrieben ohne manuelle Program- nächst auf die Simulationsumgebung (SW) und die mierung, vollständig automatisiert, aus der Simulati- Echtzeithardware (HW) beschränkt, ergeben sich onsumgebung heraus. Die Echtzeithardware muss über grundsätzlich vier Möglichleiten, SW und HW zu ausreichende Rechenleistung, Speicher und Schnitt- kombinieren: stellen verfügen [8]. 1. High-Cost SW + High-Cost HW: Im Folgenden Die zur Onlinesimulation notwendige Echtzeithard- als High-Cost System bezeichnet. ware lässt sich hauptsächlich in zwei Kategorien ein- 2. High-Cost SW + Low-Cost HW: Im Folgenden teilen (siehe Abbildung 3): Ausführung eines Target- als teilweise Substitution bezeichnet. Programms auf einem Echtzeitrechner und Überwa- 3. Low-Cost SW + High-Cost HW: Wird derzeit chung / Kontrolle durch ein Hostprogramm auf einem nicht unterstützt. nicht echtzeitfähigen PC (Abbildung 3a) oder Ausfüh- 4. Low-Cost SW+Low-Cost HW: Im Folgenden als rung der Softwarefunktionen auf einem speziell konfi- vollständige Substitution bezeichnet. gurierten Host-PC mit Nutzung eines Serverpro- gramms auf einer Echtzeithardware als Schnittstellen- 4.1 High-Cost Systeme karte (Abbildung 3b)[9]. Letztere Konfiguration ist in Wie im Kapitel 1 dargestellt, hat sich zur Unterstüt- der Regel nur für langsame Regelungssysteme geeig- zung der Entwicklungsmethodik die Verwendung ei- net und erfüllt keine harten Echtzeitanforderungen, ner kommerziellen „High-Cost“ CAE-Werkzeugkette, also keine garantierte Einhaltung der vorgegebenen bestehend aus MATLAB/Simulink und Echtzeit-Hard- Zykluszeit. und Software der Firma dSPACE als Quasistandard in der Automobilindustrie etabliert [10]. 3.3 Experimentiersoftware Von dieser High-Cost-Plattform stehen Bibliotheken Während der Onlinesimulation muss die Möglichkeit bereit, welche neben Funktionsblöcken auch Schnitt- bestehen, Signale zu beobachten und Parameter zu ver- stellen zwischen Hard- und Software beinhalten. Zur stellen (sogenannte Mess- und Verstellaufgaben) [6]. automatisierten C-Code-Erzeugung steht der Simulink Wird eine Topologie nach Abbildung 3a verwendet, ist Coder sowie für Echtzeitcode der Embedded Coder hierzu eine entsprechende Kopplung zwischen der zur Verfügung. Mithilfe des Real-Time Interfaces Echtzeithardware und dem Host-PC notwendig. (RTI) von dSPACE wird das zuvor generierte ausführ- In der Experimentiersoftware muss die Möglichkeit bare Echtzeitprogramm automatisiert auf die dSPACE- bestehen, intuitiv und schnell übersichtliche Oberflä- Hardware übertragen. Ein Mensch-Maschine-Inter- chen für verschiedene Onlinesimulationen zu erstellen. face (MMI) zur interaktiven Kommunikation ist durch Hierzu müssen verschiedene Anzeige- und Eingabe- das Programm ControlDesk gegeben [6]. Der Prozess- elemente platziert und mit Signalen verknüpft werden. ablauf sowie die genutzten Werkzeuge sind in der Neben den Mess- und Verstellaufgaben können noch Spalte High-Cost in Abbildung 4 illustriert.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 165 Systemkonzept einer durchgängigen Low-Cost RCP-Plattform

Insgesamt handelt es sich bei dieser High-Cost RCP- Der am meisten verbreitete Ansatz basiert auf der Ar- Entwicklungsplattform um einen in der Industrie etab- chitektur nach Abbildung 3b und basiert auf einem mo- lierten, durchgängigen Prozess, welcher die Modellbil- difiziertem Linux-Betriebssystem (RTAI) sowie ver- dung, Funktionsauslegung und Echtzeitrealisierung schiedenen Schnittstellenkarten als Echtzeithardware der Funktionen unterstützt [11]. [16]. Dieses System nutzt Scilab/Scicos als Simulati- onsumgebung und weist softwaretechnische Schnitt- 4.2 Teilweise Substitution stellen für Mess- und Verstellaufgaben auf, welche Mit der Simulationsumgebung MATLAB/Simulink ist durch verschiedene Linux-Anwendungen genutzt wer- es seit geraumer Zeit möglich für verschiedene, auch den können (z.B. RTAILab [17]). kostengünstige, Hardwaresysteme Code zu generieren Ansätze zur Topologie nach Abbildung 3a unter Nut- und automatisch zu implementieren [11]. Viele Veröf- zung Scilab/Xcos werden z.B. durch die Kombination fentlichungen, welche sich mit dem Thema Low-Cost E4Coder/MicroDAQ, X2C mit einem STM32 Mikro- RCP befassen, nutzen diese Funktion und substituieren controller oder der Xcos STM32 Toolbox verfolgt. die High-Cost Hardware meist durch für die vorgese- Diese Werkzeuge sind einfach aufgebaut und konzent- hene Anwendung ausreichend dimensionierte und vor- rieren sich auf die Programmierung der Zielhardware konfigurierte Mikrocontroller. aus Scilab/Xcos und sind daher nicht ohne Weiteres für Weit verbreitet in diesem Bereich ist das Waijung einen durchgängigen Prozess nutzbar. Blockset der Firma Aimagin. Dies ermöglicht die Pro- Im Bereich kostengünstiger Hardware gibt es, wie be- grammierung von ARM-Cortex-M basierten Syste- reits in Abschnitt 4.2 deutlich wird, seit geraumer Zeit men. Insbesondere Controller der Serie STM32 sind diverse Alternativen. Diese reichen von einfachen durch vorhandene Konfigurationen schnell und ein- Mikrocontrollern, wie dem Arduino UNO, über leis- fach in Betrieb zu nehmen [12]. Durch Erweiterungen tungsfähige Systeme mit vielen integrierten Schnitt- kann eine stabile Kommunikation mit MATLAB/Si- stellen, wie dem STM32F4, bis hin zu PowerPC- mulink aufgebaut werden, welches hierdurch für Strukturen wie dem Raspberry Pi. Mess- und Verstellaufgaben eingesetzt werden kann. Andere Simulink Erweiterungen fokussieren die Nut- Um mögliche Leistungseinschränkungen gegenüber zung Arduino-basierter Systeme oder gar für einen herkömmlicher RCP-Hardware zu kompensieren, wer- speziellen Anwendungsfall konfigurierte Mikrocon- den auch Ansätze zur auf mehreren Rechnerkernen troller (vgl. [13]). verteilten Onlinesimulation verfolgt. Zu nennen sind hier z.B. das Projekt AMALTHEA, welches aus der Für Anwendungen mit der Topologie nach Abbildung Automobilindustrie stammt oder das aktuell laufende 3b stellt Mathworks die Erweiterung Real-Time Projekt ARGO des DLR (siehe [18]). Windows Target zur Verfügung. Diese verwendet spezielle, hoch priorisierte, Windowstasks für die Berech- nung. Nach [14] sind damit Zykluszeiten von bis zu 5 Konzept der Low-Cost Plattform 2 ms möglich. Durch das Funktionsprinzip können Wie aus Kapitel 4 hervorgeht, existieren bereits einige Signale direkt aus Simulink heraus manipuliert und be- Lösungsansätze zu Low-Cost RCP-Werkzeugen. Viele obachtet werden. Ein detailliertes Beispiel zur Anwen- dieser Ansätze basieren jedoch auf der inzwischen ver- dung der Funktionsweise ist [15] zu entnehmen. alteten Softwareumgebung Scicos und sind mit dem Nachfolger Xcos nicht kompatibel. Da keine aktive 4.3 Low-Cost Systeme Weiterentwicklung bzw. Support erfolgt sind diese Lö- Die Funktionalitäten der High-Cost CAE-Werkzeug- sungen nicht für den Einsatz in KMU geeignet. kette können auch durch Low-Cost Werkzeuge erreicht werden. Hierzu wird MATLAB/Simulink durch Die für die aktuelle Low-Cost Simulationsumgebung Scilab/Xcos verfügbaren RCP-Werkzeuge konzentrie- z.B. Scicoslab oder Scilab/Xcos als Open Source Si- ren sich auf die automatische Codegenerierung, wes- mulationssoftware und die teure Echtzeithardware halb solche Low-Cost-Kombinationen mit diversen durch einen Mikrocontroller inkl. Betriebssystem als Hardware ersetzt. Dies ermöglicht eine Kostenerspar- Lücken behaftet sind (siehe Abbildung 4, Spalte „Low- Cost mit Lücken“). Aufgrund der vorhandenen Lücken nis bis um den Faktor 400 verglichen zur High-Cost sind zahlreiche manuelle Arbeiten, u. a. Handcodie- RCP-Entwicklungsplattform [11]. rung, notwendig. Dies führt zu hohem Zeitaufwand

166 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Systemkonzept einer durchgängigen Low-Cost RCP-Plattform

und Programmieren als Fehlerquellen, was die Repro- einen hohen Zeitanteil bei der Entwicklung von Soft- duzierbarkeit möglicher Fehler nicht gewährleistet und ware einnimmt [19]. Daher können solche lückenhaf- folglich deren Beseitigung erschwert. Das bedeutet ei- ten Low-Cost-Kombinationen nicht im Entwicklungs- nen langwierigen Iterationszyklus, da die Fehlersuche prozess eingesetzt werden.

Low-Cost Prozessschritt High-Cost Low-Cost mit „Lücken“ prinzipieller Lösungsweg Bibliothek Lücke im Prozess: Eigene Modellbibliothek Bibliothek zur kostenintensiv Handlungsbedarf! Konzept, Implementierung Modellierung MiL

MATLAB/Simulink, Scilab/Xcoss Scilab/Xcoss Modellierung, kostenintensiv Analyse

Simulink Coder, Xcos-Coder Xcos-Coder Erzeugung von C- SiL teure Erweiterung zu M/SS sehr simpel Automatisierungng Code

Erzeugung von Embedded Coder, Lücke im Prozess: ausführbarem teure Erweiterung zu M/SS Handlungsbedarf! Code Scilab/RTI RCP-Entwicklungsplattform Konzept, Implementierung Automatische HiL Real-Time Interface RTI Lücke im Prozess: Code- kostenintensiv Implementierung Handlungsbedarf!

Ziel- z.B. dSPACE ds1005, μ-Controller μ-Controller hardware sehr kostenintensiv

Werkzeug Lücke im Prozess: Werkzeug mit MMI ControlDesk zur Kommunikation mit MMI Handlungsbedarf! zur Kommunikation Konzept, Prototyp

Abbildung 4. Prozess des RCP, Lücken in der Low-Cost Umgebung und prinzipiell verfolgter Lösungsweg

Der prinzipiell verfolgte Lösungsweg zur Realisierung eines durchgängigen Low-Cost RCP-Systems mit 6 Zusammenfassung und Ausblick Open Source Plattform auf Basis von Scilab/Xcos ist Der vorliegende Beitrag fokussiert das Systemkonzept in Abbildung 4 rechts illustriert. Aufgrund der Struktur eines Low-Cost RCP-Systems mit Open Source Platt- von Scilab können neue Funktionen und Erweiterun- form. Nach der Vorstellung des zugrundeliegenden gen gut entwickelt und integriert werden, was eine Entwicklungsprozesses erfolgte eine allgemeine Ana- Grundvoraussetzung für die Nutzung als Software- lyse von RCP-Systemen. Hierzu wurden diese in die plattform für das Low-Cost RCP-System darstellt. Bereiche Simulationssoftware, Echtzeithardware und Experimentiersoftware eingeteilt. In der anschließen- Zunächst sind entsprechende Modellbibliotheken zu den Darstellung zum Stand der Technik wurden vor- schaffen, die es ermöglichen Softwarefunktionen handene High-Cost-, Low-Cost- und Mischsysteme durchgängig in Scilab/Xcos zu entwickeln. Der inte- vorgestellt und analysiert. Abschließend erfolgte eine grierte Xcos-Coder ist sehr einfach aufgebaut und Analyse des aktuell realisierbaren Low-Cost RCP-Pro- nicht dafür geeignet echtzeitfähigen Code zu generie- zesses sowie die Vorstellung des durch die Ostfalia ren. Dieser muss verbessert oder durch einen Codege- verfolgten Konzepts zur Entwicklung eines durchgän- nerator mit entsprechenden Eigenschaften ersetzt wer- gigen RCP-Systems. den. Eine Schnittstelle zur Echtzeithardware muss mit automatisiertem Kompilierungs- und Implementie- Folgende Arbeiten konzentrieren sich auf die Schlie- rungsprozess geschaffen werden. Letztendlich ist ein ßung der Lücken im Low-Cost RCP-Prozess. Ein be- entsprechendes Hardwarekonzept zu wählen und ein sonderes Augenmerk liegt hierbei auf dem Interface Werkzeug mit MMI zur Durchführung von Onlinesi- zwischen Onlinesimulation und Host-PC. Die Ergeb- mulationen zu schaffen. nisse werden anhand des durchgängigen Anwendungs- beispiels eines Batteriemanagementsystems validiert.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 167 Systemkonzept einer durchgängigen Low-Cost RCP-Plattform

7 Danksagung [9] Liu-Henke, X et al.: Investigation of low-cost open-source platforms for developing of mech- Der vorliegende Beitrag wurde im Rahmen des For- atronic functions with rapid control prototyp- schungsprojektes LoCoRCP von dem EFRE Fonds der ing. 10th International Conference on MSM. Europäischen Union unter Opole, Polen 2014 dem Kennzeichen ZW 6- 85003460 gefördert. Die Ver- [10] Köster, L., Thomsen, T. und Stracke, R.: Von Si- antwortung für den Inhalt liegt mulink nach OSEK. Automatische Codegene- bei den Autoren. Für die För- rierung für Echtzeitbetriebssysteme mit Target- derung bedanken sich diese Link. Embedded Intelligence. Nuremberg 2001 herzlichst. [11] Liu-Henke, X., Feind, R. u. Roch, M.: Mach- barkeitsstudie zu einem Low-Cost RCP-System 8 Referenzen mit Open Source Plattform für die Entwicklung [1] Abel, D. und Bollig, A.: Rapid Control Proto- von Batterieregelsystemen, Projektabchlussbe- typing. Methoden und Anwendungen. Springer- richt., Wolfenbüttel, 2014 Verlag, Berlin Heidelberg, 2006 [12] Tränkle, F.: Eine Anleitung zur Entwicklung [2] Liu-Henke, X., Buchta, R. und Quantmeyer, F.: von Simulink-Targets für die Lehre. Workshop Simulation eines mechatronischen Lenkungs- Modellbasierte Entwicklung eingebetteter Sys- moduls für ein Elektrofahrzeug mit dezentralen teme X., Dahstuhl, 2014 Direktantrieben. ASIM STS/GMMS Workshop [13] Zhong, Q.-C. et al.: Low-cost Rapid Control 2011 - 'Simulation Technischer Systeme', Kre- Prototyping Paradigm. UKACC International feld, 24.-25.02, 2011 Conference on CONTROL. 2010, S. 1269– [3] Otterbach, R. und Schütte, F.: Effiziente Funk- 1273 tions- und Software-Entwicklung für mechatro- [14] The MathWorks: Real-Time Windows Target. nische Systeme im Automobil. 2. Paderborner Run Simulink models in real time on Microsoft Workshop Intelligente Mechatronische Sys- Windows PCs, 2012 teme, Paderborn, 25. und 26. März 2004 [15] Xu, Z. und Tang, S.: Design of Rapid Control [4] Broy, M. et al.: Einfluss des Software-Designs Prototyping Platform Based on RTX. ICCE. auf die Wirtschaftlichkeit von Software-Ent- Melbourne, Australien, 2012, S. 427–434 wicklungen. ATZ Elektronik Nr. 2 2011, S. 34– 37 [16] Bucher, R. und Balemi, S.: Scilab/Scicos and Linux RTAI - a unified approach. IEEE Con- [5] Liu-Henke, X.: Mechatronische Entwicklung ference on Control Applications, Toronto, Ka- der aktiven Feder-Neigetechnik für das Schie- nada, 2005, S. 1121–1126 nenfahrzeug RailCab. Dissertation, Universität Paderborn 2005 [17] Serna, J. M. et al.: Real-time control platform based on free software and USB communica- [6] Hanselmann, H.: Beschleunigte Mechatronik- tion. CACSD, Buenos Aires, Argentinien, Entwicklung durch Rapid Control Prototyping 2016, S. 845–849 und Hardware-in-the-Loop-Simulation. at - Au- tomatisierungstechnik Nr. 3 1998, S. 113–119 [18] Reder, S.: The ARGO Approach: Paralleliza- tion Toolchain for Model-based Real Time Ap- [7] Hanselmann, H.: Vom Modell zum Seriencode. plications. 12th HiPEAC conference, Stock- Elektronik automotive Nr. 3 2003 holm, Schweden. 2017 [8] Lee, W., Shin, M. und Sunwoo, M.: Target- [19] Liu-Henke, X. u. Duym, S.: Modellgestützte identical rapid control prototyping platform for Funktionsabsicherung des vernetzten mechat- model-based engine control. Proceedings of the ronischen Kraftfahrzeugs. VDI-Berichte 1892 Institution of Mechanical Engineers, Journal of "Mechatronik 2005 - Innovative Produktent- Automobile Engineering Nr. 7 2004, S. 755– wicklung", VDI-Verlag, Düsseldorf, 2005, 765 S.1073-1090

168 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Simulationsgestützte Konzeption der Antriebstopologie eines fahrerlosen Transportfahrzeugs

Xiaobo Liu-Henke1, Sören Scherler, Marian Göllner, Johannes Maisik, Matthias Fritsch Ostfalia Hochschule für angewandte Wissenschaften, Fakultät Maschinenbau, Institut für Mechatronik, Salzdahlumer Str. 46/48, 38302 Wolfenbüttel [email protected]

Im vorliegenden Beitrag wird als Grundlage der weiteren Entwicklung eines fahrerlosen Transportsystems (FTF, engl. AGV) die Herleitung der kinematischen Beziehungen der Antriebe vorgestellt. Diese werden all- gemeingültig hergeleitet, sodass eine Vielzahl verschiedener Antriebstopologien durch entsprechende Para- metrierung erzeugt und untersucht werden können.

1 Einleitung 2 Stand des Wissens Im vom Europäischen Fonds für regionale Entwick- Bei der Kraftübertragung des Antriebsmoments auf die lung (EFRE) geförderten Verbundprojekt Methoden Fahrbahn werden bei dem Großteil von Fahrerlosen und Werkzeuge für die synergetische Konzipierung und Transportfahrzeugen herkömmliche Räder verwendet. Bewertung von Industrie 4.0-Lösungen (Synus), an Dabei werden hauptsächlich Vollgummireifen oder dem insgesamt fünf Professoren der Technischen Uni- Kunststoffreifen und nur selten Luftreifen verwendet. versitäten Braunschweig und Clausthal sowie der Ost- Bei dieser Art von Reifen werden nicht nur Kräfte falia Hochschule für angewandte Wissenschaften be- senkrecht zur Hauptachse des Rades, sondern auch teiligt sind, wird ein modellgestütztes Werkzeug ent- Querkräfte, beispielweise bei Kurvenfahrten, übertra- wickelt, mit welchem finanzieller Aufwand und Nut- gen. Dies hat zur Folge, dass diese Fahrzeuge nicht frei zen von Industrie 4.0-Lösungen in KMU bewertet wer- im Raum rangieren können und dass bei Kurvenfahr- den sollen, um KMU bei der Einführung beratend zu ten je nach Größe des Rads und Bodenkontaktfläche unterstützen. Schwerpunkt im Teilprojekt Modellba- immer ein entsprechender Kurvenradius zu berück- sierte Konzeption und Bewertung von Industrie 4.0- sichtigen ist. Lösungen zur Vernetzung mechatronischer Kompo- Je nach Anwendung lassen sich verschiedene An- nenten in Produktionsanlagen durch Digitalisierung triebstopologien realisieren. Die DIN 2510 zeigt bei- (MiMec) der Ostfalia Hochschule ist die Integration spielsweise Topologien mit drei Rädern, bei dem das fahrerloser Transportfahrzeuge (FTF) in intelligente, angetriebene Rad drehbar ist, und mit vier Rädern, von cyber-physische Produktionsanlagen. Aufgabe eines denen zwei Räder sowohl für den Antrieb als auch mit- FTF ist der autonome Gütertransport innerhalb des tels Differentiallenkung für die Lenkung sorgen und Produktionsumfeldes. zwei eine stützende Funktion erfüllen. Im vorliegenden Beitrag wird die Modellbildung der Um omnidirektionale Fahrmanöver zu realisieren und Antriebstopologien für eine variierende Anzahl von aus beliebiger Orientierung in jede Raumrichtung zu Mecanum-Rädern in unterschiedlichen geometrischen manövrieren, wurden u.a. das sogenannte Allseitenrad Anordnungen dargestellt. Ziel ist die Herleitung sym- und das Mecanum Rad (Abbildung 1) entwickelt. bolischer Modellgleichungen, mit welchen durch ent- Letzteres wurde 1972 von seinem Erfinder Bengt Ilon sprechende Parametrierung eine Vielzahl von Varian- als Patent angemeldet [1]. Bei diesen Rädern bestehen ten abgebildet werden können. Aufbauend darauf wer- die Laufflächen aus Rollen, deren Drehachse bei ei- den diese Antriebstopologien mithilfe verschiedener nem Allseitenrad im rechten Winkel und bei einem Simulationen bewertet und miteinander verglichen, Mecanum-Rad meistens in einem 45° Winkel zur um die für das beschriebene Projektvorhaben ideale Drehachse des Hauptrades liegt. Das gesamte Rad Antriebstopologie auswählen zu können. wird lediglich über einen Motor angetrieben, nicht die einzelnen Rollen. Der Kontakt zum Boden erfolgt jedoch ausschließlich über die Rollen.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 169 Simulationsgestützte Konzeption der Antriebstopologie eines fahrerlosen Transportfahrzeugs

Anforderungen Spezifikationen

Systemmodelle Model-in-the-Loop Regelalgorithmen (MiL) Messungen Validierung Verifikation

Systemmodelle Software-in-the-Loop Generierter Code (MiL)

Echtzeitfähige Hardware-in-the-Loop Reale Systemmodelle (MiL) Komponenten

Abbildung 1. Mecanum-Rad [2]. Abbildung 2. Durchgängig modellbasierte, verifika- tionsorientierte Entwicklungsmethodik nach [6]. Mecanum-Räder können aufgrund der Anordnung der Rollen höhere Lasten als Allseitenräder tragen. Durch Im Rahmen dieser Arbeit wird die Modellbildung der den Winkelversatz der Achsen zwischen der Haupt- Antriebstopologie eines FTF als Grundlage dieses Ent- achse des Rades und der Drehachsen der einzelnen wicklungsprozesses durchgeführt. Der Modellbil- Rolle, der bei dem Mecanum-Rad i.d.R 45° beträgt, dungsprozess (vgl. Abbildung 3) basiert auf dem rea- wird zusätzlich das Abrollen des Rades von einer Rolle len System, welches gemäß der Aufgabenstellung re- zur nächsten fließender umgesetzt, was im Gegensatz duziert bzw. vereinfacht wird, sodass sich ein physika- zum Allseitenrad eine höhere Laufruhe zur Folge hat. lisches Modell ergibt. Dieses wird mithilfe physikali- Fahrerlose Transportfahrzeuge mit Mecanum-Rädern scher Gesetzmäßigkeiten in ein mathematisches Mo- werden mit einer unterschiedlichen Anzahl an Rädern dell überführt, welches wiederum bspw. in Form von realisiert. Das FTF der Fa. Hangfa verfügt über acht Signalflussplänen im Rechner abgebildet und mithilfe Mecanum-Räder [4], der youbot der Fa. Kuka hinge- von CAE-Werkzeugen und entsprechender Numerik gen über insgesamt vier Mecanum-Räder [5]. simuliert werden kann.

Messung am realen System 3 Methodik Parameteridentifikation Modellvalidierung

Reales Physikalisches Mathematischess Abbilden im Die durchgängig modellbasierte und verifikationsori- Simulation System Modell Modell Rechner entierte Funktionsauslegung und -absicherung (vgl.

Reduktion / Abbildung 2) hat sich für die Entwicklung mechatro- Anwendung Vereinfachung Signalfluss- CAE-Werkzeuge physikalischer gemäß diagramme Numerik nischer Systeme als zeit- und kosteneffizient erwiesen. Ansätze Problemstellung

Ausgehend von Anforderungen und Lastenheft erfolgt die Model-in-the-Loop-Simulation (MiL), in welcher Abbildung 3. Modellbildungsprozess. Regelalgorithmen ohne Anspruch auf Echtzeitfähig- Der Modellbildungsprozess umfasst zudem Messun- keit entwickelt und an einem Fahrdynamikmodell er- gen am realen System, um zum einen die Parameter probt werden. Aus den simulativ erprobten Regelalgo- des mathematischen Modells zu identifizieren und rithmen wird im Rahmen der Software-in-the-Loop- zum anderen die Simulation zu validieren. Simulation (SiL) mittels automatischer Code-Generie- rung ein ausführbarer Target-Code erzeugt, welcher 4 Modellbildung wiederum mit einem Fahrdynamikmodell auf Funk- Ziel der Modellbildung ist zunächst die Herleitung ei- tion und Fehler getestet wird. Daraufhin erfolgt die nes allgemeingültigen Ansatzes zur Beschreibung der Hardware-in-the-Loop-Simulation (HiL), bei welcher Kinematik eines FTF mit mehreren Mecanum-Rädern. ein um physische Teilkomponenten ergänztes, echt- zeitfähiges Dynamikmodell zur Funktionsabsicherung 4.1 Mecanum-Rad und -optimierung verwendet wird. Abbildung 4 zeigt die kinematischen Beziehungen eines Mecanum-Rades angelehnt an [7]. Die Umfangs- Mithilfe dieser Methodik wird eine durchgängige Ent- geschwindigkeit wicklung basierend auf virtuellen Prototypen bis zum (1) ݎڄfertigen Produkt sichergestellt. ݒ = ߱ ergibt sich aus der Winkelgeschwindigkeit ߱ und dem Radradius ݎ.

170 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Simulationsgestützte Konzeption der Antriebstopologie eines fahrerlosen Transportfahrzeugs

߱ und ߛ sowie den Abstand ݎ zum Schwerpunkt des FTF eindeutig bezogen auf das Koordinatensystem des FTF ݒ beschreiben. ߙ Durch komponentenweise Betrachtung der Geschwin- ݒ௥ ݎ digkeiten in x- und y-Richtung kann eine mathemati- Abbildung 4. Kinematik eines Mecanum-Rades. sche Beschreibung der Kopplung zwischen Mecanum- Rad und FTF hergeleitet werden. In x-Richtung gilt Zusätzlich ergibt sich aufgrund der im Winkel ߙ zur ( ) ( ) + െ sin ߙെߚെߛ ݒ௥ = ݎRadachse versetzt stehenden Rollen eine zu den Rollen ݒ௫ െ sin ߛ ߱ (sin(ߚ + ߛ) ݒ (4 .senkrechte Geschwindigkeitskomponente ݒ௥ und in y-Richtung (ήcos ߙ (2ݎڄݒ௥ = ߱ ( ) ( ) െ cos ߙെߚെߛ ݒ௥ െ = ݎDie orthogonale Querbewegung des Mecanum Rades ݒ௬ +cos ߛ ߱ ist durch dessen Rollen frei. Das heißt eine Drehung cos(ߚ + ߛ). (5) des Rades wird über die orthogonale mit einer Dre- Durch Umstellen von Gleichung „2“ ergibt sich mit hung der Rollen abgeleitet: ି௩ ିୡ୭ୱ(ఊ)ఠ௥ିୡ୭ୱ(ఉାఊ)௩ (ݒ = ೤ (6 ௥ ( ) ௌௐ ή߮ሶ ௌௐ =0 (3) ୡ୭ୱ ఈିఉିఊݎήsin ߙെݎڄ߱ Unter der Berücksichtigung dieser Eigenschaften kann eine Gleichung zur Kopplung von „1“ und „2“. Durch die Lage und Orientierung des Rades mit den bekann- Einsetzen von „3“ in „1“ und Äquivalenzumformun- ten Axiomen der Kinematik beschrieben werden. gen ergibt sich die Umfassungsgeschwindigkeit des Mecanum-Rades

4.2 Kinematik eines FTF mit einem Mecanum- ୡ୭ୱ(ఈିఉିఊ)௩ ିୱ୧୬(ఈିఉିఊ)௩ ିୱ୧୬(ఈିఉ)ఠ௥ (ݒ = ೣ ೤ (7 Rad ୱ୧୬(ఈ) Um die kinematischen Beziehungen für eine beliebige in Abhängigkeit der Bewegung des FTF. In Matrizen- Anzahl an Rädern in beliebiger Lage (nur beschränkt schreibweise ergibt sich durch den Momentanpol) herleiten zu können, wird = [zunächst ein FTF mit einem Mecanum-Rad betrachtet [ݒ ݒ௫ (vgl. Abbildung 5). ୡ୭ୱ(ఈିఉିఊ) ିୱ୧୬(ఈିఉିఊ) ିୱ୧୬(ఈିఉ)௥ (ቂ ቃቈݒ ቉. (8 ୱ୧୬(ఈ) ୱ୧୬(ఈ) ୱ୧୬(ఈ) ௬ ߱ ߛ 4.3 Allgemeine Beschreibung eines AGV ݒ ߙ Da die Lage der Winkel ߙ௜, ߚ௜, ߛ௜ jedes Rades von ݅ = ߱ 1 bis zum ݊-ten Rad durch den konstruktiven Aufbau ݒ௥ ݒ ௬ ݒ bestimmt und fortan ortsfest ist, sollen diese durch die konstruktiven Ersatzwinkel ߚ ݒ ௫ ߜ = ߙ െߚ െߛ (9) ߱ ௜ ௜ ௜ ௜ ݎ und

ߝ௜ = ߙ௜ െߚ௜ (10) substituiert werden.

Abbildung 5. Kinematik eines FTF mit einem Me- Für ein AGV mit mehreren Rädern kann basierend auf canum-Rad. Gleichung 8 eine allgemeine Darstellungsform

ୡ୭ୱ(ఋభ) ିୱ୧୬(ఋభ) ିୱ୧୬(ఌభ)௥భ ې (ୱ୧୬(ఈభ) ୱ୧୬(ఈభ) ୱ୧୬(ఈభ ۍ Die Lage und Orientierung dieses FTF kann über zwei ݒଵ ݒ ۑ ୡ୭ୱ(ఋ ) ିୱ୧୬(ఋ ) ିୱ୧୬(ఌ )௥ ێ translatorische Freiheitsgrade in x- und y-Richtung ݒ మ మ మ మ ௫ (ቈݒ ቉ (11 ۑ ( ୱ୧୬(ఈ ) ୱ୧୬(ఈ ) ୱ୧୬(ఈ ێ = ቎ ଶ቏ మ మ మ ௬ ڭ -und einen rotatorischen Freiheitsgrad um seine Hoch ߱ ۑڭ ڭڭ ێ achse definiert werden. Lage und Orientierung des ݒ௡ ۑ ୡ୭ୱ(ఋ೙) ିୱ୧୬(ఋ೙) ିୱ୧୬(ఌ೙)௥೙ێ ے (ୱ୧୬(ఈ೙) ୱ୧୬(ఈ೙) ୱ୧୬(ఈ೙ۏ Mecanum-Rades lassen sich nun durch die Winkel ߚ

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 171 Simulationsgestützte Konzeption der Antriebstopologie eines fahrerlosen Transportfahrzeugs

gefunden werden. Durch Einsetzten der konstruktiven 11െݎ ݒ ې ଺ା ଶ ଺ି ଶ ۍ ݒଵ Winkel repräsentiert diese Matrix die Rückwärtskine- െ ξ ξ െ ξ ξ െݎ ௫ (ቈݒ ቉ (16 ܴ ۑ ξଶ ξଶ ێ = ൥ݒଶ൩ matik des FTF. Durch Vorgabe der Geschwindigkeiten ௭ ௬ ۑ ξ଺ିξଶ ξ଺ାξଶ ێ ݒ ଷ െ െ െݎ ߱ ے ξଶ ξଶ ۏ -ݒ௫, ݒ௩ in x- und y- Richtung des Ursprungskoordina tensystems und der Drehwinkelgeschwindigkeit ߱ Diese Matrix kann als Konstant angesehen und fortan -können die notwendigen Radgeschwindigkeiten ݒ be ௜ zur direkten Berechnung der Radgeschwindigkeiten rechnet werden. verwendet werden. 4.4 Anordnung mit drei Mecanum-Rädern 4.5 Anordnung mit vier Mecanum-Rädern Die in Abbildung 6 gezeigte Antriebstopologie be- Die kinematischen Beziehungen eines AGV mit vier steht aus drei Rädern die jeweils auf einem Radius in symmetrisch angeordneten Mecanum-Rädern sind in einem Winkel von 120° zueinander gleichmäßig ver- Abbildung 7 dargestellt. teilt sind. Dabei ist die Drehachse der einzelnen Räder

jeweils zum Koordinatenmittelpunkt des FTF Ausge- ܾଶ ܾସ ݒ richtet. ߱ଶ ߱ଵ ௥ଵ ߙ ߱ଵ ݒଶ ݒଵ ݒଵ ߙ ߙ ݒ௥ଶ ଵ ݒ௬ ܾଵ ݒ௥ଵ ݒ ݎ ߱ ଵ ݒ௬ ߛଵ ݒ ݒ௫

߱ ݒ௫ ߙ ݒ ܾଷ ଷ ߱ଷ ௥ଷ ߱ସ ݒଷ ݒ ௥ଷ ߙ ݒସ ݒ௥ଶ ݒଷ ߙ ߱ଶ ߱ଷ ߙଶ ݒ ݒ௥ସ ଶ Abbildung 7. Kinematik mit vier Mecanum-Rädern. Abbildung 6. Exemplarische Kinematik mit drei Me- canum-Rädern. Folgende Winkel und Radien beschreiben die Lage Es ergeben sich die folgenden Winkel für die Lage und und Orientierung der einzelnen Räder in Polarkoordi- Orientierung der einzelnen Räder im Raum: naten ausgehend vom Koordinatenursprung: ߙ =(െ1)௜ ή 45° (17) ߙ௜ = 45° (12) ௜

௕೔ ߜ௜ = ߙ௜ െ (90° + ݅ή120°) (13) ߚ௜ =arcsinቀ ቁെ(݅െ1) ή 90° (18) ௥೔ ߝ = ߙ (14) ௜ ௜ ௕೔ ߛ௜ =arcsinቀ ቁ + (݅െ1) ή 90° (19) Setzt man diese Winkel in die Gleichung 11 ein, so ent- ௥೔ steht folgende Matrix für die Rückwärtskinematik die- ට ଶ ଶ ට ଶ ଶ ses Systems: ݎଵ = ܾ௜ + ܾ௡ , ݎ௜வଵ = ܾ௜ିଵ + ܾ௜ (20)

ୡ୭ୱ(ఋభ) ିୱ୧୬(ఋభ) ିୱ୧୬(ఌభ)௥భ Diese werden in die Gleichung 11 eigesetzt: ې (ୱ୧୬(ఈభ) ୱ୧୬(ఈభ) ୱ୧୬(ఈభۍ ݒଵ ݒ௫ ۑ ୡ୭ୱ(ఋమ) ିୱ୧୬(ఋమ) ିୱ୧୬(ఌమ)௥మێ (൥ݒଶ൩ = ܴ௭ ቈݒ௬቉ (15 ۑ (ୱ୧୬(ఈమ) ୱ୧୬(ఈమ) ୱ୧୬(ఈమێ ݒଷ ߱ ۑ ୡ୭ୱ(ఋయ) ିୱ୧୬(ఋయ) ିୱ୧୬(ఌయ)௥యێ ے (ୱ୧୬(ఈయ) ୱ୧୬(ఈయ) ୱ୧୬(ఈయۏ Nach Berechnung der Winkelfunktionen ergibt sich:

172 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Simulationsgestützte Konzeption der Antriebstopologie eines fahrerlosen Transportfahrzeugs

ୡ୭ୱ(ఋభ) ିୱ୧୬(ఋభ) ିୱ୧୬(ఌభ)௥భ ې (ୱ୧୬(ఈభ) ୱ୧୬(ఈభ) ୱ୧୬(ఈభۍ ߳ ۑ ୡ୭ୱ(ఋమ) ିୱ୧୬(ఋమ) ିୱ୧୬(ఌమ)௥మێ ݒଵ ݒ௫ ߛ ۑ ( ୱ୧୬(ఈ ) ୱ୧୬(ఈ ) ୱ୧୬(ఈێ ݒ ଶ మ మ మ ݒ (௭ ቈ ௬቉ (21ܴ ۑ ( ) ( ) ( ) ێ = ቎ ቏ ݎ ݒଷ ୡ୭ୱ ఋయ ିୱ୧୬ ఋయ ିୱ୧୬ ఌయ ௥య ߱ ۑ ( ୱ୧୬(ఈ ) ୱ୧୬(ఈ ) ୱ୧୬(ఈێ ݒ ସ య య య ܾ ߛ ۑ ୡ୭ୱ(ఋర) ିୱ୧୬(ఋర) ିୱ୧୬(ఌర)௥రێ ے ( ୱ୧୬(ఈ ) ୱ୧୬(ఈ ) ୱ୧୬(ఈۏ ర ర ర ܽ Ein Sonderfall dieser Topologie ist die Anordnung al- Abbildung 8. Schaubild zur Berechnung der Radposi- ler Räder auf einem gemeinsamen Radius und in glei- tion und Orientierung. chen Abständen, so dass: Unter der Annahme, dass der Winkel ߚ null beträgt, ܾଵ = ܾଶ = ܾଷ = ܾସ = ܾ (22) ergibt sich die Ausrichtung des rechtwinklig zu ݎ ste- Dadurch entstehen die folgenden expliziten Winkel henden Mecanum-Rades zu und Radien: ߳ = ߛെ90°, (30) ௜ ߙ௜ =(െ1) ήെ45° (23) woraus der Winkel

ߚ௜ = െ45° (24) ߚ = ߳ௗ௘௦ െ߳= ߳ௗ௘௦ െߛ+ 90° (31)

ߛ௜ = 45° + (݅െ1) ή 90° (25) mithilfe der Wunschausrichtung ߳ௗ௘௦ berechnet werden kann. Der Winkel ߙ kann nachträglich definiert ݎ௜ = ܾήξ2 (26) werden und beschreibt lediglich die Richtung der Aus diesen wird die konstante Matrix zur Berechnung .Querkraft ݒ௥ der Rückwärtskinematik gebildet:

ݒଵ 1 െ1 െܾ 6 Verifikation/Untersuchung ݒ௫ ݒଶ 11െܾ ൦ ൪ = ൦ ൪ܴ௭ ቈݒ௬቉ (27) Es wird eine Topologie mit vier Mecanum-Rädern wie ܾ ݒଷ 1 െ1 ߱ in Abbildung 7 betrachtet, um zum einen den Algo- ܾ ݒସ 11 rithmus zur Parametrierung zu demonstrieren und zum Die gefundene Matrix kann nur zur kinematischen anderen eine Verifikation durchzuführen. Die Ab- Analyse herangezogen werden. stände ܾଵ und ܾଷ betragen 1 ݉, die Abstände ܾଶ und ܾସ betragen 2 ݉. Die weiteren Parameter werden nach 5 Modellparametrierung Kap. 5 berechnet und in Tabelle 1 zusammengefasst. Zur Parametrierung der in Polarkoordinaten vorliegen- Rad 1 Rad 2 Rad 3 Rad 4 den Kinematik Matrize wird nachfolgend ein Algorith- mus beschrieben, mit dem die Lage des FTF mithilfe ߙ െ45° 45° െ45° 45° von kartesischen Koordinaten und der gewünschten Winkelorientierung festgelegt werden kann. Gesucht ݎ 2,24 ݉ 2,24 ݉ 2,24 ݉ 2,24 ݉ werden die Winkel ߚ und ߛ sowie der Abstand ݎ. ߛ 26,6° 153,4° 206,6° 333,4° Zunächst wird der Radius ݎ mithilfe der Abstände ܽ und ܾ zwischen Schwerpunkt des FTF und Schwer- ߳ௗ௘௦ 0° 0° 0° 0° punkt des Mecanum-Rades definiert (vgl. Abbildung ߚ 63,4° 296,6° 243,4° 116,6° 8). Mithilfe des Satzes des Pythagoras ergibt sich der Radius Tabelle 1. Parametrierungsbeispiel für ein AGV mit vier Mecanum-Rädern. ݎ = ξܽଶ + ܾଶ. (28) Die Ergebnisse der Verifikation werden in Tabelle 2 Ebenfalls ergibt sich aus den beiden Abständen der dargestellt. In der ersten Spalte ist jeweils der vorgege- Winkel bene Vektor der AGV-Bewegung ௕ ݐܽ݊ ቀ ቁ. (29) ݒܿݎܽ = ߛ ௔ ௫ (ቈݒ௬቉ (32 ߱

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 173 Simulationsgestützte Konzeption der Antriebstopologie eines fahrerlosen Transportfahrzeugs

und in den Rad-Spalten die ensprechende Radge- (MiMec) des Verbundprojekts Methoden und Werk- -schwindigkeit ݒ eingetragen. zeuge für die synergetische Konzipierung und Bewer tung von Industrie 4.0-Lösungen (Synus) durch den Rad 1 Rad 2 Rad 3 Rad 4 Europäischen Fonds für regionale Entwicklung (EFRE) unter dem Förderkennzeichen 5 ݉ ݉ ݉ ݉ ൥0൩ 5 5 5 5 ZW 6 85012454 gefördert. Die Verantwortung für den ݏ ݏ ݏ ݏ 0 Inhalt liegt bei den Autoren.

0 ݉ ݉ ݉ ݉ ൥5൩ െ5 5 െ5 5 ݏ ݏ ݏ ݏ 0

0 ݉ ݉ ݉ ݉ ൥0൩ െ15 െ15 15 15 ݏ ݏ ݏ ݏ 5

Tabelle 2. Verifikationsergebnisse.

Erkennbar sind kinematisch plausible Ergebnisse: Im ersten Szenario, einer Fahrt des FTF in x-Richtung, 9 Literatur zeigen alle Radumfangsgeschwindigkeit definitions- [1] B. E. Ilon. Wheels for a course stable selfpro- gemäß in die gleiche Richtung und sind positiv. Im pelling vehicle movable in any desired direction zweiten Szenario, einer Fahrt in y-Richtung, ist er- on the ground or some other base. US Patents kennbar, dass die Räder alternierende Vorzeichen auf- and Trademarks office, Patent 3,876,255, 1975 weisen. Dies ist auf die unterschiedlichen Winkel ߙ zu- rückzuführen, aus welchen unterschiedliche Quer- [2] Imetron. Bewegung wie auf Luftkissen bei vol- kraftübertragungsrichtungen resultieren. Das dritte ler Bodenhaftung. https://www.donkey-mo- Szenario zeigt eine Drehung des FTF um seine Hoch- tion.de/donkeymotion/mecanum, Zugriff am achse. Die Räder „oberhalb“ des Schwerpunkts drehen 11.01.2018 entgegen ihrer definierten Richtung, die Räder „unter- [3] T. Rennekamp. Analyse und Kompensation von halb“ des Schwerpunkts in ihre definierte Richtung. Fahrfehlern bei Mecanum-Wheel Fahrzeugen. Diese einfachen Szenarien verifizieren die hergeleitete Autonome Mobile Systeme 2003, Karlsruhe, 4. Kinematik für das FTF mit vier Mecanum-Rädern - 5. Dezember, 2003

7 Zusammenfassung und Ausblick [4] Chengdu Hangfa Hydraulic Engineering Co. LTD. Navigator, Compass and Discovery series Im vorliegenden Beitrag wurde in allgemeiner Form Robots, http://www.hangfa.com/EN/ro- die Kinematikberechnung für FTF in beliebiger Kon- bot.html, Zugriff am 11.01.2018 figuration bzgl. Anzahl und Anordnung der antreiben- den Mecanum-Räder hergeleitet. Diese Berechnungs- [5] Kuka Roboter GmbH. KUKA omniMove An- methodik soll zunächst im Rahmen der modellbasier- triebstechnologie. https://www.kuka.com/de- ten Reglerauslegung als Grundlage für die Berechnung de/technologien/kuka-omnimove-antriebstech- der Dynamik des Gesamtfahrzeugs FTF genutzt wer- nologie, Zugriff am 11.01.2018 den. Weiterhin können die kinematischen Zusammen- [6] X. Liu-Henke, S. Duym. Modellgestützte Funk- hänge als Rückwärtskinematik für die Verkopplung tionsabsicherung des vernetzten mechatroni- der Stellgrößen des zu entwickelnden Regelalgorith- schen Kraftfahrzeugs. VDI-Tagung Mechatro- mus herangezogen werden. nik 2005, Wiesloch, 01. - 02. Juli, 2005. [7] E. Maulana, M. A. Muslim, V. Hendrayawan. 8 Danksagung Inverse Kinematic Implementation of Four- Dieser Beitrag wurde im Rahmen des Teilprojekts Mo- Wheels Mecanum Drive Mobile Robot Using dellbasierte Konzeption und Bewertung von Industrie Stepper Motors. International Seminar on Intel- 4.0-Lösungen zur Vernetzung mechatronischer Kom- ligent Technology and Its Applications (ISITIA ponenten in Produktionsanlagen durch Digitalisierung 2015), Surabaya, Indonesia, May 20-21, 2015.

174 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

*HVDPWNRQ]HSWGHV)RUVFKXQJVSURMHNWVL5(;

6|UHQ6FKHUOHU;LDRER/LX+HQNH 2VWIDOLD+RFKVFKXOHIUDQJHZDQGWH:LVVHQVFKDIWHQ)DNXOWlW0DVFKLQHQEDX ,QVWLWXWIU0HFKDWURQLN6DO]GDKOXPHU6WU:ROIHQEWWHO [email protected], [email protected]

=LHOGHV3URMHNWVIntelligente Elektrofahrzeuge mit Range-Extender in Verkehrssystemen mit Fahrzeug 4.0 (iREX 4.0)LVWGLH(QWZLFNOXQJHLQHVSUlGLNWLYHQHOHNWURQLVFKHQ)DKU]HXJPDQDJHPHQWVZHOFKHVGHQDXWR QRPHQXQGHQHUJLHRSWLPLHUWHQ)DKUEHWULHEHLQHV(OHNWURIDKU]HXJVPLW]ZHL(QHUJLHTXHOOHQ /LWKLXP,RQHQ %DWWHULHXQG%UHQQVWRII]HOOH HUP|JOLFKW*UXQGODJHGHV(QWZLFNOXQJVSUR]HVVHVLVWGLH0RGXODULVLHUXQJXQG +LHUDUFKLVLHUXQJ GHV *HVDPWV\VWHPV ]XU %HKHUUVFKXQJ GHU 6\VWHPNRPSOH[LWlW XQG HLQH GXUFKJlQJLJ PR GHOOEDVLHUWHPHFKDWURQLVFKH(QWZLFNOXQJVPHWKRGLNHUJlQ]WXPHLQHIOH[LEHONRQILJXULHUEDUH3UILQIUDVWUXN WXU

(LQOHLWXQJ +LHUDUFKLVLHUXQJLP7RS'RZQ9HUIDKUHQ'DVNRP SOH[H *HVDPWV\VWHP ZLUG LQ LQWHOOLJHQWH JHNDSVHOWH $QGHU2VWIDOLD+RFKVFKXOHZLUGYRPELV 7HLOV\VWHPHEHVWHKHQGDXVPHFKDWURQLVFKHQ.RPSR ]XP GDV YRP 0:. 1LHGHUVDFKVHQ XQG QHQWHQ PLW GHILQLHUWHQ 6FKQLWWVWHOOHQ JHWHLOW XQG KLH GHU 9RONVZDJHQVWLIWXQJ JHI|UGHUWH WUDQVGLV]LSOLQlUH UDUFKLVFK VWUXNWXULHUW $EELOGXQJ ]HLJW H[HPSOD 9HUEXQGSURMHNW Zukünftige Fahrzeugtechnologien im ULVFKGLHKLHUDXVUHVXOWLHUHQGHPHFKDWURQLVFKH6WUXN Open Region Lab =X)25 GXUFKJHIKUW WXU GHV )RUVFKXQJVHOHNWURIDKU]HXJV )UHG\ )XQNWL 'DV 9HUEXQGSURMHNW XPIDVVW HLQ LQWHJUDWLYHV 4XHU RQVWUlJHU IU UHJHQHUDWLYH (OHNWURPRELOLWlW XQG VFKQLWWVSURMHNW ZHOFKHV GHQ :LVVHQVDXVWDXVFK ]ZL )DKUG\QDPLNUHJHOV\VWHPH YJO .DS PLW GHQ VFKHQ GHP 9HUEXQG XQG 8QWHUQHKPHQ )RUVFKXQJV YLHU +LHUDUFKLHHEHQHQ GHU 0HFKDWURQLVFKHQ )XQNWL HLQULFKWXQJHQ VRZLH 1HW]ZHUNHQ LP 5DKPHQ HLQHV RQVPRGXOH 0)0 GHU 0HFKDWURQLVFKHQ )XQNWLRQV 2SHQ5HJLRQ/DEVI|UGHUQVROO:HLWHUKLQXPIDVVWHV JUXSSHQ 0)* GHU $XWRQRPHQ 0HFKDWURQLVFKHQ GUHL WHFKQLVFKH 7HLOSURMHNWH PLW 6FKZHUSXQNWHQ DXI 6\VWHPH $06 XQGGHU9HUQHW]WHQ0HFKDWURQLVFKHQ LQQRYDWLYHQ )DKU]HXJWHFKQRORJLHQ GHU DNWLYHQ 6L 6\VWHPH 906 QDFK>@ FKHUKHLWVV\VWHPH IU 3.: GHU OHLFKWHQ .XQ

VWRIIVWUXNWXUHQLP$XWRPRELOEDXVRZLHGHULQWHOOLJHQ &06 &\EHUSK\VLVFKHV9HUNHKUVV\VWHP WHQ XQG YHUQHW]WHQ (OHNWURIDKU]HXJH PLW 5DQJH ([

WHQGHU )RUVFKXQJV )RUVFKXQJV $06 WUlJHU)5('< WUlJHU)5('< ,P 5DKPHQ GLHVHV %HLWUDJV VROO GDV *HVDPWNRQ]HSW GHV 7HLOSURMHNWV Intelligente Elektrofahrzeuge mit ,QWHJULHUWH)DKUG\QDPLNUHJHOXQJ )DKUHU /lQJV /lQJV /lQJV (QHUJLH DVVLVWHQ] 0)* Range-Extender in Verkehrssystemen mit Fahrzeug G\QDPLN G\QDPLN G\QDPLN PDQDJHPHQW V\VWHPH 4.0 L5(; GDUJHVWHOOW ZHUGHQ =LHO LVW GLH (QW

$NWLYHU $NWLYH $NWLYH %DWWHULH %UHQQVWRII ZLFNOXQJ HLQHV SUlGLNWLYHQ HOHNWURQLVFKHQ )DKU $NWLYHU $NWLYH $NWLYH 0)0 $QWULHE /HQNXQJ )HGHUXQJ$NWLYH PLW%06 ]HOOH $QWULHE /HQNXQJ )HGHUXQJ$NWLYH )HGHUXQJ ]HXJPDQDJHPHQWVZHOFKHVGHQDXWRQRPHQHQHUJLH )HGHUXQJ /HLVWXQJVIOXVV RSWLPLHUWHQ)DKUEHWULHEHUP|JOLFKW ,QIRUPDWLRQVIOXVV $EELOGXQJ 0HFKDWURQLVFKH 6WUXNWXULHUXQJ GHV 0HWKRGLN )5('< $XIJUXQG GHU VWHLJHQGHQ $QIRUGHUXQJHQ XQG .RP 'DV 0)0 VWHOOW GLH QLHGULJVWH +LHUDUFKLHHEHQH GDU SOH[LWlWIDKU]HXJWHFKQLVFKHU6\VWHPHLVWGLH9HUZHQ (VKDQGHOWVLFKXPHLQQLFKWZHLWHUWHLOEDUHVPHFKDW GXQJHLQHUNODUVWUXNWXULHUWHQ(QWZLFNOXQJVPHWKRGLN URQLVFKHV 6\VWHP EHVWHKHQG DXV HLQHU PHFKDQLVFKHQ XQHUOlVVOLFK 7UDJVWUXNWXU6HQVRULN$NWRULNXQG,QIRUPDWLRQVYHU 'LHYHUZHQGHWH0HWKRGLNEDVLHUWDXIGHUPHFKDWURQL DUEHLWXQJ'LHVHVJHNDSVHOWH0RGXOHUIOOWHLQHGHIL VFKHQ 6WUXNWXULHUXQJ PLWWHOV 0RGXODULVLHUXQJ XQG QLHUWH)XQNWLRQDOLWlWELOGHWGDVG\QDPLVFKH6\VWHP

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 175 Gesamtkonzept des Forschungsprojekts iREX 4.0

YHUKDOWHQ DE XQG UHSUlVHQWLHUW .LQHPDWLN '\QDPLN HLQDXWRQRPHU)DKUEHWULHEEHQ|WLJWGDHLQPHQVFKOL XQGPHFKDWURQLVFKH)XQNWLRQHQ'XUFKGLHPHFKDQL FKHU)DKUHUQLFKWLQGHU/DJHLVWHLQ)DKU]HXJH[DNW VFKHRGHULQIRUPDWLRQVWHFKQLVFKH.RSSOXQJPHKUHUHU QDFKHLQHU9RUJDEHLP:LUNXQJVRSWLPXP]XIKUHQ 0)0 HUJHEHQ VLFK 0)* PLW HLJHQHU ,QIRUPDWLRQV YHUDUEHLWXQJ ZHOFKH ZLHGHUXP ]X$06 NRPELQLHUW )DKU]HXJNRQILJXUDWLRQ ZHUGHQ N|QQHQ 'LH 9HUQHW]XQJ PHKUHUH $06 ]X 'DVLQGLHVHP3URMHNW]XUH[HPSODULVFKHQ/|VXQJGHU 906 VWHOOW GLH K|FKVWH +LHUDUFKLHHEHQH GDU %HL HL 3UREOHPVWHOOXQJ IRNXVVLHUWH )DKU]HXJNRQ]HSW YJO QHP DXWRQRPHQ )DKU]HXJ KDQGHOW HV VLFK XP HLQ $EELOGXQJ VLHKW HLQ (OHNWURIDKU]HXJ PLW ]ZHL $06ZHOFKHVGXUFK'LJLWDOLVLHUXQJXQGGDV,QWHUQHW UDGQDKHQ HOHNWULVFKHQ$QWULHEHQ DQ GHU +LQWHUDFKVH GHU 'LQJH PLW DQGHUHQ )DKU]HXJHQ ]X HLQHP 906 YRUZHOFKHPHFKDQLVFKGXUFKMHHLQ3ODQHWHQJHWULHEH YHUQHW]W ZLUG 'LH 906 VWHOOHQ GLH *UXQGODJH GHV PLWGHQ5lGHUQYHUEXQGHQVLQG-HGHU$QWULHEYHUIJW DXWRQRPHQ)DKUHQVGDU EHU HLQH ELGLUHNWLRQDOH /HLVWXQJVHOHNWURQLN GLH MH QDFK/DVWIDOODOV*OHLFKRGHU:HFKVHOULFKWHUIXQJLHUW 1DFK GHU PHFKDWURQLVFKHQ 6WUXNWXULHUXQJ GHV *H XQG VR QHEHQ GHU 9HUVRUJXQJ GHV$QWULHEV DXFK GLH VDPWV\VWHPV HUIROJW GLH PHFKDWURQLVFKH .RPSRVLWL 6WURPUFNVSHLVXQJLQGHQ=ZLVFKHQNUHLVHUP|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lFKHQGHFNHQGHQ/DG OHLVWXQJVVFKZDFKHU .RPSRQHQWHQ PLW HLJHQHU %DWWH HLQIUDVWUXNWXUHLQZHVHQWOLFKHU*UXQGIUGLHJHULQJH ULHZLUGDXVGHP+9%RUGQHW]PLW(QHUJLHJHVWW]W .XQGHQDN]HSWDQ] YRQ (OHNWURIDKU]HXJHQ >@ 'DV (LQH NRQYHQWLRQHOOH K\GUDXOLVFKH %UHPVDQODJH JH 5HLFKZHLWHQSUREOHP NDQQ GXUFK9HUEUHQQXQJVPRWR ZlKUOHLVWHWHLQVLFKHUHV%UHPVHQZHQQGDVUHNXSHUD UHQPLWHLQHP*HQHUDWRURGHU%UHQQVWRII]HOOHQJHO|VW WLYH %UHPVHQ PLW GHQ HOHNWULVFKHQ $QWULHEHQ DXI ZHUGHQZHOFKH]XJHIKUWHQ.UDIWVWRIILQHOHNWULVFKH JUXQG ]X NOHLQHU *HVFKZLQGLJNHLWHQ RGHU GHU 0D (QHUJLHZDQGHOQ>@$XV|NRORJLVFKHU6LFKWLVWKLHU VFKLQHQJUHQ]HQQLFKWDXVUHLFKW0LWKLOIHUDGLQGLYLGX EHLGLH%UHQQVWRII]HOOHGHP9HUEUHQQXQJVPRWRUYRU HOOHU6WHHUE\:LUH/HQNPRGXOHQDQGHU9RUGHUDFKVH ]X]LHKHQGDGLHVHMHQDFK$UWGHU6WURPHU]HXJXQJ N|QQHQ QHEHQ KHUN|PPOLFKHQ /HQNPDQ|YHUQ EVSZ ]XPLQGHVWORNDOHPLVVLRQVIUHLEHWULHEHQZHUGHQNDQQ DNWLYH 6SXUZLQNHOYHUVWHOOXQJHQ YRUJHQRPPHQ XQG $XV GHQ EHLGHQ (QHUJLHTXHOOHQ %DWWHULH XQG %UHQQ VRPLW GDV )DKUYHUKDOWHQ VRZLH (QHUJLHYHUEUDXFK VWRII]HOOH PLW LKUHQ XQWHUVFKLHGOLFKHQ:LUNXQJVJUDG VLWXDWLRQVDEKlQJLJYHUEHVVHUWZHUGHQ FKDUDNWHULVWLND HUJLEW VLFK HLQ 2SWLPLHUXQJVSUREOHP =XU5HDOLVLHUXQJZLUGHLQH]HQWUDOH,QIRUPDWLRQVYHU GDGHU*HVDPWZLUNXQJVJUDGGHU(QHUJLHEHUHLWVWHOOXQJ DUEHLWXQJ EHQ|WLJW ZHOFKH 6HQVRU XQG &DU; XQGVRPLWDXFKGLHUHVXOWLHUHQGH5HLFKZHLWHYRQGHU 'DWHQ YHUDUEHLWHW XQG 6ROOZHUWH IU GLH$NWRULN GHV /HLVWXQJVDXIWHLOXQJ ]ZLVFKHQ GHQ EHLGHQ 4XHOOHQ )DKU]HXJV JHQHULHUW %HL GHU DXWRQRPHQ )DKUW EHU DEKlQJLJVLQG0LWKLOIHSUlGL]LHUWHU'DWHQXQG,QIRU QLPPWGLHVLHGLH$XIJDEHQGHV)DKUHUVXQGJHZlKU PDWLRQHQ DXV &DU;.RPPXQLNDWLRQ NDQQ GLH OHLVWHWGLHVLFKHUH4XHUXQG/lQJVIKUXQJ /HLVWXQJVYHUWHLOXQJ YRUDXVVFKDXHQG HUIROJHQ XQG 5HVWULNWLRQHQ ZLH YHUIJEDUH .UDIWVWRIIPHQJH RGHU $QIRUGHUXQJHQ /DGHXQG7DQNP|JOLFKNHLWHQEHUFNVLFKWLJHQ $XV GHP )DKU]HXJNRQ]HSW XQG GHU JHVFKLOGHUWHQ (LQZHLWHUHV2SWLPLHUXQJVSRWHQ]LDOHUJLEWVLFKLQGHU 3UREOHPVWHOOXQJ HUJHEHQ VLFK IROJHQGH $QIRUGHUXQ )DKU]HXJIKUXQJ 0LWKLOIH GHU SUlGL]LHUWHQ 'DWHQ JHQDQGLH]XHQWZLFNHOQGH,QIRUPDWLRQVYHUDUEHLWXQJ NDQQ HLQH HQHUJLH LQIUDVWUXNWXU XQG YHUNHKUVRSWL x )UHLQHQHQHUJLHRSWLPDOHQ)DKUEHWULHEPVVHQ PLHUWH5RXWHJHZlKOWZHUGHQDXVZHOFKHUHLQHQHU GLH =LHOIKUXQJ RSWLPLHUW XQG HLQ LGHDOHV *H JLHRSWLPDOHV *HVFKZLQGLJNHLWVSURILO JHELOGHW ZLUG VFKZLQGLJNHLWVSURILOHU]HXJWZHUGHQ =XU5HDOLVLHUXQJGLHVHV*HVFKZLQGLJNHLWVSURILOVZLUG

176 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Gesamtkonzept des Forschungsprojekts iREX 4.0

x =XU(LQUHJHOXQJGLHVHV*HVFKZLQGLJNHLWVSURILOV x (LQH )DKUG\QDPLNUHJHOXQJ PXVV GLH /lQJV PXVVGDV)DKU]HXJDXWRQRPDJLHUHQN|QQHQGD 4XHUXQG9HUWLNDOG\QDPLNUHJHOQ HLQ PHQVFKOLFKHU )DKUHU HLQHU 9RUJDEH QLFKW x (LQ $OJRULWKPXV ]XU /HLVWXQJVDXIWHLOXQJ ]ZL H[DNWIROJHQNDQQ VFKHQ %DWWHULH XQG %UHQQVWRII]HOOH PXVV HLQ x )U GHQ DXWRQRPHQ )DKUEHWULHE PVVHQ ,QIRU :LUNXQJVJUDGRSWLPXP HU]LHOHQ XP GHQ HQHU PDWLRQHQ EHU GHQ DNWXHOOHQ )DKU]XVWDQG GLH JLHRSWLPDOHQ)DKUEHWULHE]XHUP|JOLFKHQ YRUDXVOLHJHQGH6WUHFNHGLH)DKUXPJHEXQJXQG x 'HU/HLVWXQJVIOXVVLP$QWULHEVVWUDQJXQG%RUG DQGHUH9HUNHKUVWHLOQHKPHUYHUIJEDUVHLQ QHW] PXVV JHVWHXHUW ZHUGHQ N|QQHQ XP HLQH x %DVLHUHQGDXIGHU=LHOIKUXQJPVVHQ6ROOZHUWH VWDELOH%RUGQHW]VSDQQXQJ]XJHZlKUOHLVWHQXQG IU GLH /lQJV XQG 4XHUIKUXQJ JHQHULHUW ZHU .RPSRQHQWHQZLHGLH%DWWHULHYRUXQ]XOlVVLJHQ GHQXPGDV)DKU]HXJVLFKHU]XIKUHQ =XVWlQGHQ]XVFKW]HQ

%UHQQVWRII '& +7DQN *HWULHEH

]HOOH '& (OHNWUR PRWRU PRGXO /HQN %UHPV $& K\GUDXOLN '& (OHNWUR PRGXO /HQN

'& '& '& PRWRU '& '& $&

%DWWHULH %DWWHULH *HWULHEH 19 +9

,QIRUPDWLRQVYHUDUEHLWXQJ 6HQVRULN $NWRULN $' '$

&DU; .RPPXQLNDWLRQ $EELOGXQJ)DKU]HXJNRQILJXUDWLRQ

6WUXNWXUGHU,QIRUPDWLRQVYHUDUEHLWXQJ 1HW]ZHUNHQ QDFK ,((( S RGHU 0RELOIXQN YHUQHW]W LVW XQG ,QIRUPDWLRQHQ DXVWDXVFKW 'DV *HPlPHFKDWURQLVFKHU(QWZLFNOXQJVPHWKRGLN YJO SH)=0 EHUQLPPW GLH $XIJDEH GHV PHQVFKOLFKHQ .DS ZLUG PLWKLOIH GHU$QIRUGHUXQJHQ .DS )DKUHUV XQG SODQW EDVLHUHQG DXI GHQ YHUIJEDUHQ GLH6WUXNWXUGHUKLHUDUFKLVFKHQ,QIRUPDWLRQVYHUDUEHL ,QIRUPDWLRQHQ EHU )DKU]XVWDQG XQG 8PZHOW GLH WXQJKHUJHOHLWHW YJO$EELOGXQJ =LHOIKUXQJ'LH=LHOIKUXQJEDVLHUHQGDXIHUZHLWHU .HUQ LVW GDV SUlGLNWLYH HOHNWURQLVFKH )DKU]HXJPD WHQ .DUWHQGDWHQ VROO GHQ (QHUJLHYHUEUDXFK GLH YHU QDJHPHQW SH)=0 ZHOFKHV GLH K|FKVWH ,QVWDQ] LP IJEDUH/DGHLQIUDVWUXNWXUVRZLHGDV9HUNHKUVJHVFKH )DKU]HXJGDUVWHOOW(VLVW7HLOHLQHVF\EHUSK\VLVFKHQ KHQEHUFNVLFKWLJHQXPHLQHRSWLPDOH5RXWHDXV]X 9HUNHKUVV\VWHPVLQZHOFKHPGDV)DKU]HXJPLWDQGH ZlKOHQ XQG HLQ *HVFKZLQGLJNHLWVSURILO ]X SODQHQ UHQ9HUNHKUVWHLOQHKPHUQXQGGHU,QIUDVWUXNWXUPLWWHOV $XVGHU=LHOIKUXQJZHUGHQ6ROOZHUWHIU/lQJVXQG GUDKWORVHU .RPPXQLNDWLRQ ]% LQ DGKRF 4XHUIKUXQJDEJHOHLWHW

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 177

Gesamtkonzept des Forschungsprojekts iREX 4.0

'LHVH6ROOZHUWHZHUGHQ]XPHLQHQGHPXQWHUODJHUWHQ XQGGHPHOHNWULVFKHQ(QHUJLHPDQDJHPHQWPLWXQWHU )DKUZHUNVPDQDJHPHQW ZHOFKHV IU GLH )DKUG\QD ODJHUWHQ )XQNWLRQHQ ZLH GHP %DWWHULH %UHQQVWRII PLNUHJHOXQJ XQG 6WHOOJU|HQYHUWHLOXQJ VRUJW VRZLH ]HOOHQ $QWULHEV RGHU %RUGQHW]PDQDJHPHQW 'LHVH ZHLWHUH )DKUZHUNVDVVLVWHQ]IXQNWLRQHQ XPIDVVW XQG XQWHUODJHUWHQ)XQNWLRQHQGLHQHQGHP0RQLWRULQJXQG ]XP DQGHUHQ GHP SUlGLNWLYHQ (QHUJLHPDQDJHPHQW GHU 6LFKHUKHLWVEHUZDFKXQJ VRZLH GHU %HWULHEVIK EHUJHEHQ 'DV SUlGLNWLYH (QHUJLHPDQDJHPHQW ZLH UXQJGHUMHZHLOLJHQ$JJUHJDWHDXIORNDOHU(EHQH'DV GHUXP EHVWHKW DXV (QHUJLHDVVLVWHQ]IXQNWLRQHQ ]XU HOHNWULVFKH (QHUJLHPDQDJHPHQW XPIDVVW ]XGHP GLH 3UlGLNWLRQ ]XNQIWLJHU %RUGQHW]]XVWlQGH XQG /HLV /HLVWXQJVDXIWHLOXQJ ]ZLVFKHQ %DWWHULH XQG %UHQQ WXQJVEHGDUIH GHP WKHUPLVFKHQ (QHUJLHPDQDJHPHQW VWRII]HOOH ]XU (UK|KXQJ GHV :LUNXQJVJUDGV LP $Q ]XU 6WHXHUXQJ XQG 2SWLPLHUXQJ YRQ :lUPHVWU|PHQ WULHEVVWUDQJ

&\EHUSK\VLVFKHV 9HUNHKUVV\VWHP

9HUNHKUV 3UlG)DKU]HXJ ,QIUDVWUXNWXU WHLOQHKPHU PDQDJHPHQW

)DKUZHUNV (QHUJLH PDQDJHPHQW PDQDJHPHQW

)DKUG\QDPLN 6WHOOJU|HQ $VVLVWHQ] (QHUJLH (O(QHUJLH 7K(QHUJLH UHJHOXQJ YHUWHLOXQJ V\VWHPH SUlGLNWLRQ PDQDJHPHQW PDQDJHPHQW

%DWWHULH %= $QWULHEV %RUGQHW] PDQDJHPHQW PDQDJHPHQW PDQDJHPHQW PDQDJHPHQW $EELOGXQJ+LHUDUFKLVFKH6WUXNWXUGHVSUlGLNWLYHQ)DKU]HXJPDQDJHPHQWV

GHQ360'DV6RIWZDUHPRGXOXPIDVVW0RGHOOHQLFKW 5HDOLVLHUXQJ UHDO YRUKDQGHQHU 6\VWHPEHVWDQGWHLOH 5HJHODOJRULWK PHQ VRZLH GLH 6FKQLWWVWHOOH ]ZLVFKHQ 1XW]HU XQG )OH[LEHONRQILJXULHUEDUHU+L/3UIVWDQG 3UIVWDQG ]XU =XVWDQGVYLVXDOLVLHUXQJ XQG 3UI =XUPRGHOOEDVLHUWHQGXUFKJlQJLJHQ(QWZLFNOXQJXQG VWDQGVWHXHUXQJ 'LH 0RGHOOH XQG 5HJOHU ZHUGHQ $EVLFKHUXQJ ZLUG HLQ IOH[LEHO NRQILJXULHUEDUHU +L/ PLWWHOVDXWRPDWLVLHUWHU&RGHJHQHULHUXQJDXIGHQ'63 3UIVWDQG HQWZRUIHQ 'XUFK GHQ PRGXODUHQ $XIEDX JHODGHQ%HLGHQ360KDQGHOWHVVLFKXPHLQ%UHQQ N|QQHQ YHUVFKLHGHQH $QZHQGXQJVIlOOH YRQ GHU 3D VWRII]HOOHQPRGXOHLQ%DWWHULHPRGXOHLQ$QWULHEVPR UDPHWHULGHQWLILNDWLRQ XQG 9DOLGLHUXQJ YRQ 6LPXODWL GXO VRZLH HLQ /DVW XQG 4XHOOHQPRGXO ZHOFKH JH RQVPRGHOOHQ ELV ]XU (USUREXQJ 9HULILNDWLRQ XQG NDSVHOW EHWULHEHQGLH IROJHQGHQ$QZHQGXQJVV]HQDUL 2SWLPLHUXQJ HQWZLFNHOWHU )XQNWLRQHQ DEJHGHFNW HQHUP|JOLFKHQ ZHUGHQ*UXQGODJHGHV3UIVWDQGVLVWGLHLQ.DS EHVFKULHEHQH)DKU]HXJNRQILJXUDWLRQ x %UHQQVWRII]HOOHQPRGXO 8QWHUVXFKXQJ YRQ %UHQQVWRII]HOOHQ]XU3DUDPHWHULGHQWLILNDWLRQ 'HU 3UIVWDQG $EELOGXQJ EHVWHKW DXV HLQHP (FKW]HLWPRGXO (=0 HLQHP6RIWZDUHPRGXO 6:0 x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

178 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Gesamtkonzept des Forschungsprojekts iREX 4.0

x $QWULHEVPRGXO8QWHUVXFKXQJYRQHOHNWULVFKHQ x %DWWHULH %UHQQVWRII]HOOHQ XQG /DVW $QWULHEHQXQG/HLVWXQJVHOHNWURQLNVRZLH(USUR 4XHOOHQPRGXO 8QWHUVXFKXQJ YRQ 5HJHONRQ EXQJXQG2SWLPLHUXQJYRQ$QWULHEVUHJHOXQJHQ ]HSWHQ ]XU /HLVWXQJVDXIWHLOXQJ ]ZLVFKHQ %DWWH ULHXQG%UHQQVWRII]HOOH x /DVW XQG 4XHOOHQPRGXO 'LHVHV +LOIVPRGXO OLHIHUW UHJHOEDUH 9HUVRUJXQJVVSDQQXQJHQ XQG x %DWWHULH $QWULHEV XQG /DVW4XHOOHQPRGXO VWU|PH VRZLH UHJHOEDUH /DVWVWU|PH XP .RP (USUREXQJYRQ$OJRULWKPHQ]XU5HNXSHUDWLRQ SRQHQWHQGHV%RUGQHW]HV]XVLPXOLHUHQ x %UHQQVWRII]HOOHQ %DWWHULH $QWULHEV XQG /DVW4XHOOHQPRGXO 8QWHUVXFKXQJ GHV $Q 'XUFK HQWVSUHFKHQGH 6FKQLWWVWHOOHQ NDQQ LP JHNRS WULHEVVWUDQJVEHVWHKHQGDXV%UHQQVWRII]HOOH%DW SHOWHQ%HWULHEPHKUHUHU3UIVWDQGVPRGXOHHLQH9LHO ]DKO ZHLWHUHU $QZHQGXQJVV]HQDULHQ DEJHGHFNW ZHU WHULH$QWULHEXQG4XHOOHVRZLH/DVWGLHZHLWHUH GHQ %RUGQHW]NRPSRQHQWHQUHSUlVHQWLHUHQ

6RIWZDUHPRGXO 3UIVWDQGVPRGXOH (OHNWULVFKH9HUELQGXQJ

%UHQQVWRII]HOOHQ %DWWHULHPRGXO $QWULHEVPRGXO /DVW4XHOOHQPRGXO PRGXO

&$1%XV 6ROOZHUWH 0HVVZHUWH

$':DQGOHU 'LJLWDOHU6LJQDO '$:DQGOHU 0HVVYHUVWlUNHU 9HUVWlUNHU 'LJLWDOHLQJlQJH SUR]HVVRU 'LJLWDODXVJlQJH

(FKW]HLWPRGXO $EELOGXQJ.RQ]HSWGHVIOH[LEOHQ+L/3UIVWDQGV

)XQNWLRQVWUlJHU)5('< /LWKLXP,RQHQ%DWWHULHSDNHWHQPLW/HLVWXQJYHUVRUJW 'HU )XQNWLRQVWUlJHU IU UHJHQHUDWLYH (OHNWURPRELOL (LQH0LFUR$XWR%R[GHU)DG63$&(VWHOOWGLH]HQWUD WlWXQG)DKUG\QDPLNUHJHOV\VWHPH )5('< GLHQWGHU OH,QIRUPDWLRQVYHUDUEHLWXQJGDUXQGHUIOOWDOOH0HVV 9DOLGLHUXQJ XQG 2SWLPLHUXQJ YRQ )DKU]HXJIXQNWLR XQG5HJHODXIJDEHQ QHQLQGHU5HDOLWlWQDFKGHPVLHLQ6LPXODWLRQHQXQG ,QGHU]XNQIWLJHQ$UEHLWZLUGGHU)5('@ >@ HLQHV 3ODQHWHQJHWULHEHV PHFKDQLVFK PLW GHQ 5lGHUQ RGHU>@HQWQRPPHQZHUGHQ YHUEXQGHQVLQG'LH$QWULHEVPDVFKLQHQZHUGHQPLW KLOIH ELGLUHNWLRQDOHU /HLVWXQJVHOHNWURQLNHQ DXV ]ZHL

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 179

Gesamtkonzept des Forschungsprojekts iREX 4.0

'DQNVDJXQJ =HQWUDOH 'LHVHU %HLWUDJ ZXUGH LP 5DKPHQ GHV 3URMHNWV Zu- ,QIRUPDWLRQVYHUDUEHLWXQJ künftige Fahrzeugtechnologien im Open Region Lab GXUFKGDV0:.1LHGHUVDFKVHQXQGGLH9RONVZDJHQ VWLIWXQJ XQWHU GHP )|UGHUNHQQ]HLFKHQ 9:=1 JHI|UGHUW'LH9HUDQWZRUWXQJIUGHQ,QKDOWOLHJWEHL GHQ$XWRUHQ

%DWWHULHSDNHW %DWWHULHSDNHW

5HIHUHQ]HQ /HLVWXQJVHOHNWURQLN >@ ; /LX+HQNH Mechatronische Entwicklung 5DGQDKH der aktiven Feder-/Neigetechnik für das $QWULHEVPDVFKLQHQ Schienenfahrzeug RailCab 9',)RUWVFKULWW %HULFKWH 5HLKH 1U 9',9HUODJH $EELOGXQJ$NWXHOOHU$XVEDXVWDQGGHV)5('< 'VVHOGRUI 5HVPHHXQG$XVEOLFN >@ 6+SNHV*+LOOHEUDQG:%ULQJVFlexibler Antriebsstrang für Elektrofahrzeuge $7= 'HUYRUOLHJHQGH%HLWUDJ]HLJWGDV*HVDPWNRQ]HSWGHV %DQG+HIW6 )RUVFKXQJVSURMHNWVL5(;1DFKHLQHU'DUVWHOOXQJ GHU YHUZHQGHWHQ PHFKDWURQLVFKHQ (QWZLFNOXQJVPH >@ -*RURFQ\:3HVWHU„Range Extender“ gibt WKRGLNHUIROJWHHLQH'DUVWHOOXQJGHU3UREOHPVWHOOXQJ Elektroautos nötigen Charme 9',1DFKULFK DXVGHUVLFKXQWHU%HUFNVLFKWLJXQJGHU)DKU]HXJNRQ WHQ%DQG1U6 ILJXUDWLRQ$QIRUGHUXQJHQDQGLHKLHUDUFKLVFKH,QIRU >@ ; /LX+HQNH 0 *|OOQHU 0 )ULWVFK 5 PDWLRQVYHUDUEHLWXQJ HUJHEHQ GHUHQ 6WUXNWXU XQG )HLQG)4XDQWPH\HUFreDy – an electric ve- )XQNWLRQVZHLVHGDUJHVWHOOWZXUGH'DUXDIKLQZXUGHQ hicle with intelligent chassis control systems HLQ IOH[LEHO NRQILJXULHUEDUHV +L/3UIV\VWHP ]XU WK,(((,QWHUQDWLRQDO&RQIHUHQFHRQ(FROR 6\VWHPLGHQWLILNDWLRQXQG)XQNWLRQVYHULILNDWLRQVRZLH JLFDO 9HKLFOHV DQG 5HQHZDEOH (QHUJLHV GDV)RUVFKXQJVHOHNWURIDKU]HXJ)5('@ ; /LX+HQNH 6 6FKHUOHU 0 )ULWVFK ) (QWZLFNOXQJ GHU 7HLOIXQNWLRQHQ GHU KLHUDUFKLVFKHQ 4XDQWPH\HUHolistic development of a fullac- ,QIRUPDWLRQVYHUDUEHLWXQJ VRZLH GHQ SDUDOOHOHQ $XI tive electric vehicle by means of a model- EDXGHVIOH[LEHONRQILJXULHUEDUHQ+L/3UIVWDQGV]XU based systems engineeringQG,(((,QWHUQD 6\VWHPLGHQWLILNDWLRQ XQG )XQNWLRQVYHULILNDWLRQ XQG WLRQDO 6\PSRVLXP RQ 6\VWHPV (QJLQHHULQJ YDOLGLHUXQJ:HLWHUKLQIOLHHQ GLH 3URMHNWHUJHEQLVVH ,66( (GLQEXUJK6FRWODQG2FWREHU6 GLUHNWLQGLH:HLWHUHQWZLFNOXQJGHV)XQNWLRQVWUlJHUV )5('@ ;/LX+HQNH66FKHUOHU0*|OOQHUSystem Architecture of a full active Autonomous Electric Vehicle,(((,QWHUQDWLRQDO7UDQVSRU WDWLRQ (OHFWULILFDWLRQ &RQIHUHQFH DQG ([SR ,7(& &KLFDJR,OOLQRLV86$-XQH

180 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Modellbasierte Entwicklung einer Spurfolgeregelung mittels zeitdiskreten modellprädiktiven Regelalgorithmen (DMPC)

Jie Zhang1, Marian Göllner1, Xiaobo Liu-Henke1 1 Ostfalia Hochschule für angewandte Wissenschaften, Fakultät Maschinenbau, Institut für Mechatronik, Salzdahlumer Str. 46/48, 38302 Wolfenbüttel [email protected]

Im vorliegenden Beitrag wird die modellbasierte Entwicklung einer Spurfolgereglung mittels zeitdiskreten modellprädiktiven Regelalgorithmen vorgestellt. Dazu wird zunächst ein vereinfachtes lineares Zustandsraum- modell des zu regelnden Fahrzeugs hergeleitet und erweitert. Anschließend werden Regelalgorithmen ausgelegt welche mittels diesem in einem Prädiktionshorizont das Spurfolgen optimieren

schreibweise formuliert und durch die Ausgangsgrö- ßen erweitert. Auf Basis des erweiterten Zustands- Zentraler Bestandteil der autonomen Fahrt ist neben raummodells kann der zukünftige Verlauf der Zu- der effizienten Planung, das Folgen einer Trajektorie. standsgrößen des Systems, die auf den aktuellen Zu- Diese wird auf globaler und lokaler Ebene durch Na- standsgrößen und den zukünftigen Änderungen der vigation und Umfelderfassung generiert [1] und stellt Stellgröße basieren, prädiziert werden [4]. Da die zug- im eigentlichen Sinne eine Folge von abzufahrenden rundliegende Modellbeschreibung nicht vollständig Wegpunkten dar, welche einer unterlagerten Regelung mit dem realen System übereinstimmt, wird das Prin- als Sollwerte übergeben werden. Werden nun einfache zip der „Receding horizon control“ angewandt [5]. lineare Regler zum folgen dieser Punkte genutzt, wird zwar bei entsprechender Regelgüte die Trajektorie ab- Im Rahmen des Vorliegenden Beitrags wird der mo- gefahren, jedoch auf die Änderungen der Zielkoordi- dellbasierte Entwicklungsprozess dieses zeitdiskreten naten wie auf einen Sollwertsprung reagiert. Bessere modellprädiktiven Regelalgorithmus (DMPC) be- Ergebnisse liefern also Regelstrategien welche den schrieben. Zudem wird die Funktionalität durch Veri- nächsten zu erwarten Sollwertpunkt mitberücksichti- fikation mittels MiL- SiL und HiL getestet. gen [2]. Aus diesem Grunde sollen im Rahmen eines For- Zur Entwicklung dieses komplexen Regelsystems schungsvorhabens der Ostfalia Hochschule für ange- wird der in Abbildung 1 dargestellte mechatronische wandte Wissenschaften zur Spurfolgeregelung des Entwicklungskreislauf herangezogen. Am Beginn der Forschungsträgers M-Mobile ein modellprädiktiver theoretischen Untersuchung steht die Modellbildung. Regelalgorithmus (DMPC) entwickelt und validiert Das technische System wird nach Funktionsprinzipien werden. Das M-Mobile ist ein autonomes, vollaktives im Hinblick auf die Anforderung in ein physikalisches Elektrofahrzeug im Maßstab 1:3 mit dezentralen Di- bzw. mathematisches Ersatzmodell aus unterschiedli- rektantrieben und fungiert als Funktionsträger zur In- chen Fachdisziplinen wie Mechanik, Hydraulik und tegration von Elektromobilität und intelligenten Fahr- Elektronik abgebildet. Es repräsentiert das Systemver- werksystemen [3]. halten. Die Regelstrategie, die vom einfachen Regler Zunächst soll ein lineares Fahrdynamikmodell entwi- bis hin zu hierarchisch angeordneten Mehrgrößenre- ckelt werden welches die Prädiktion zukünftiger Fahr- gelstrukturen aufgebaut sein kann, wird anhand des zustände erlaubt und so die direkte Integration von fol- Systemverhaltens festgelegt. genden Wegpunkten ermöglicht. Dieses lineare Mo- Die anschließende modellbasierte Komposition er- dell basiert auf einem Einspurmodell und berücksich- folgt gemäß des Rapid Control Prototypings (RCP) in tigt bereits die unterlagerten Antriebs- und Brems-, Fe- einem durchgängig verifikationsorientierten Prozess derungs- und Lenkmodule. Um diese integrale Funkti- aus Model-in-the-Loop (MiL), Software-in-the-Loop onalität im Modell einzubetten, wird es in Differenz- (SiL) und Hardware-in-the-Loop (HiL) [3].

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 181 !

Unter Annahme kleiner Seitenkräfte und unter Ver- nachlässigung des transienten Reifenverhaltens bei

trockner Fahrbahn ergibt sich eine lineare Abhängig- keit zwischen Schräglaufwinkel vorn ߙ௏ bzw. hinten ߙு und der entsprechenden Reifenseitenkraft: % ܨ ൌܥ D ௬௏ D௏ ௏ (3) ! % ¾ $ % ¾ " ! ܨ௬ு ൌܥDுDு (4)

Aus dem Zusammenhang zwischen den Schräglauf- winkeln, dem Lenkwinkel an der Vorderachse G௩ und % dem Schwimmwinkel E vereinfacht sich die Gleichung – für den Schräglaufwinkel von Vorder- und Hinter- achse: Abbildung 1. Mechatronischer Entwicklungskreislauf ݈௏ (5) D௏|G௩ െ E െ ߰ሶ ݒ௫ ݈ு (6) Eine wesentliche Grundlage für die Auslegung und D |െE ൅ ߰ሶ ு ݒ Entwicklung eines leistungsfähigen prädizierenden ௫ Regelungssystems ist ein mathematisches Modell der Anhand des physikalischen Modells und des dynami- Regelstrecke. Das Streckenmodell des Fahrzeugproto- schen Verhaltens erhält man, wie bereits erwähnt, das typs M-Mobile wird hierfür, wie in der folgenden Ab- vereinfachte mathematische Modell des M-Mobile bei bildung 2 dargestellt, durch ein vereinfachtes lineares , einer bestimmten konstanten Geschwindigkeit ݒ Einspurmodell angenähert, welches die Kinematik und ௫ welche im Zustandsraum dargestellt wird: Dynamik des Systems repräsentiert.

(G௩ (7ܤݔ൅ܣݔሶ ൌ ݒ ௏ # ߙ௏ ߜ௏ :௖ werden definiert zuܤ ௖ undܣ ,Die Größen ݔ

் (ݔൌሾE߰ሶሿ (8 $ $ ஼ ା஼ ஼ ௟ ି஼ ௟ െ Dೇ Dಹ Dಹ ಹ Dೇ ೇ െͳ ݒ ௠௩ ௠௩ మ ߚ ೣ ೣ ܣൌ቎ మ మ ቏ ݒଶ # ஼Dಹ௟ಹି஼Dೇ௟ೇ ஼Dಹ௟ಹ ା஼Dೇ௟ೇ ߰ െ ௃ೋ ௃ೋ௩ೣ $& ߩ ஼Dೇ ஼Dೇ௟ೇ ൌሾ ሿ்ܤ ȉݒଶ݉ ௠௩ೣ ௃ೋ ଶ ߩ ȉݒ݉ &# ߙ ு 3.2 Erweitern des Zustandsraums ݒு # Folgend wird der Zustandsraum so angepasst, dass er

$ sich für den Einsatz in einer modellprädiktiven Rege- lung der lateralen Fahrzeugposition eignet. Durch Einsetzen der zusätzlichen Zustandsgrößen

-Abbildung 2. Physikalisches Fahrzeugmodell [6] bzw. der lateralen Fahrzeuggeschwindigkeit ݒ௬, latera

-len Fahrzeugposition ݔ௬ und Gierrate ߰ kann der Zu 3.1 Einspurmodell standsraum wie folgt umgeformt werden: Anhand der Zusammenfassung und auch Vereinfa- ௖G௩ܤ௖ݔ൅ܣchung der Kinematik und Dynamik des Fahrzeugs ݔሶ ൌ (௖ݔ (9ܥwerden die Bewegungsgleichungen durch Impulsbi- ݕൌ ሶ ் lanz in y-Richtung sowie die Drehimpulsbilanz um die ݔൌሾE߰ݒ௬ݔ௬߰ሿ ் z-Achse aufgestellt: ݕൌሾ\ሶ ݔ௬ሿ

ሷ ܬ௓߰ ൌܨ௬௏݈௏ െܨ௬ு݈ு (1) Mit der Dynamikmatrix ܣ௖, der Eingangsmatrix ܤ௖

:௖ܥ ௬ு (2) und der Ausgangsmatrixܨ௬௏ ൅ܨݒ௫ሺߚሶ ൅߰ሶሻൌ݉

182 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 !

ି஼ ି஼ ஼ ௟ ି஼ ௟ ܤ ݔሺ݇ሻ ܣ Dೇ Dಹ Dಹ ಹ Dೇ ೇ െͳ Ͳ ͲͲ ݔሺ݇൅ͳሻ ் ې ௠௩ ௠௩ మ ۍ ೣ ೣ ሺ ሻ ܣ Ͳ ሺ ሻ ܤௗ మ మ οݔ ݇൅ͳ ൌ ௗ ௗ οݔ ݇ ൅ ൤ ൨ ቈ ቉൤ ൨ ൤ ൨ ۑ ஼Dಹ௟ಹି஼Dೇ௟ೇ ି஼Dಹ௟ಹ ି஼Dೇ௟ೇێ ௗܤௗܥ ௤௑௤ ݕሺ݇ሻܫ ௗܣௗܥ ͲͲͲ ݕሺ݇൅ͳሻ ۑ ௃ೋ ௃ೋ௩ೣ ێ ήοG௩ሺ݇ሻ ۑ ێ ௖ ൌܣ ି஼Dೇି஼Dಹ ஼Dಹ௟ಹା஼Dೇ௟ೇ Ͳ Ͳ Ͳ ܥ ۑ ௠ ௠௩ ێ ೣ ͳ Ͳ Ͳ οݔሺ݇ሻ (ሿ (15 ܫ ܣሾ (10) ۑ Ͳ ݒ௫ ێ ݕሺ݇ሻ ൌ ௗ ௤௑௤ ቈ ݕሺ݇ሻ ቉ ےͲ ͳ Ͳ Ͳ Ͳ ۏ ஼Dೇ ஼Dೇ௟ೇ ஼Dೇ ் ܤ௖ ൌሾ ͲͲሿ ௠௩ೣ ௃ೋ ௠ Ͳ ͳͲͲͲ Ein Vorteil dieses erweiterten Zustandsraummodells ܥ ൌቂ ቃ ௖ Ͳ ͲͲͳͲ ist, dass die Ausgangsgrößen des Systems direkt in einer Gleichung berechnet werden können. Somit kön- Somit sind neben den herkömmlichen Zustandsgrößen nen die Abweichungen von den gewünschten Werten ሶ E und ߰ weitere wichtige Größen zum Beschreiben der direkt ebenfalls in dieser Gleichung berücksichtigt Fahrzeugbewegung verfügbar. Als Ausganggrößen des werden. Systems werden die Gierrate und die laterale Position des Fahrzeugs gewählt. Auf Basis des erweiterten Zustandsraummodells kön- nen nun zukünftige Zustandsgrößen des Systems prä- diziert werden. Die Hier definierte Zustandsgröße än- Zuerst muss eine geeignete mathematische Beschrei- dert sich wie folgt: bungsform des dynamischen Systems gefunden wer- οG௩ሺ݇௜ሻܤݔሺ݇௜ሻ ൅ܣݔሺ݇௜ ൅ͳȁ݇௜ሻ ൌ den, da die gewünschte Realisierung der modellprä- οG ሺ݇ ൅ͳሻܤݔሺ݇ ൅ͳሻ ൅ܣݔሺ݇ ൅ʹȁ݇ ሻ ൌ diktiven Regelung soll auf einer Echtzeithardware mit ௜ ௜ ௜ ௩ ௜ ଶ οG௩ሺ݇௜ ൅ͳሻܤοG௩ሺ݇௜ሻ ൅ܤܣݔሺ݇௜ሻ ൅ ܣfester Schrittweite erfolgen soll. Um die Integration zu ൌ ڭ erleichtern, ist eine diskrete Beschreibungsform des

Systems erstrebenswert. Die kontinuierliche Zustands- ேು ேುିଵ ڮοG௩ሺ݇௜ሻ ൅ܤ ܣݔሺ݇௜ሻ ൅ ܣݔሺ݇௜ ൅ܰ௉ȁ݇௜ሻ ൌ raumdarstellung in Gl. (9) wird dazu in eine diskrete ேುିே಴ Darstellung überführt: ൅ܣ ܤοG௩ሺ݇௜ ൅ܰ஼ െͳሻ Die prädizierten Ausgangsgrößen dementsprechend: (ௗG௩ሺ݇ሻ (11ܤ ௗݔሺ݇ሻ ൅ܣ ݔሺ݇ ൅ ͳሻ ൌ οG௩ሺ݇௜ሻܤܥݔሺ݇௜ሻ ൅ܣܥௗݔሺ݇ሻ ݕሺ݇௜ ൅ͳȁ݇௜ሻ ൌܥ ݕሺ݇ሻ ൌ

οG௩ሺ݇௜ ൅ͳሻܤܥݔሺ݇௜ ൅ͳሻ ൅ܣܥݕሺ݇௜ ൅ʹȁ݇௜ሻ ൌ Die Berechnung der Zustandsgröße kann ebenfalls wie οG ሺ݇ ൅ͳሻܤܥοG ሺ݇ ሻ ൅ܤܣܥଶݔሺ݇ ሻ ൅ܣܥൌ folgt beschrieben werden: ௜ ௩ ௜ ௩ ௜ ڭ (ௗG௩ሺ݇ െ ͳሻ (12ܤ ௗݔሺ݇ െ ͳሻ ൅ܣ ݔሺ݇ሻ ൌ ேು ேುିଵ ڮοG௩ሺ݇௜ሻ ൅ܤ ܣܥݔሺ݇௜ሻ ൅ ܣܥݕሺ݇௜ ൅ܰ௉ȁ݇௜ሻ ൌ

ேುିே಴ Wird nun die Änderung der Zustandsgröße innerhalb ൅ܥܣ ܤοG௩ሺ݇௜ ൅ܰ஼ െͳሻ eines Zeitschrittes zu Die prädizierten Größen basieren auf den aktuellen -οݔሺ݇ሻ ൌݔሺ݇ሻ െݔሺ݇െͳሻ (13) Zustandsgrößen bei ݐൌ݇௜ und den zukünftigen Ände rungen der Stellgröße (bis zu ܰ ). Allgemein muss der οG௩ሺ݇ሻ ൌ G௩ሺ݇ሻ െ G௩ሺ݇ െ ͳሻ ஼ Prädiktionshorizont ܰ௉ größer gleich dem Kontrollho- Definiert, kann die Gl. (10) in folgender Differenz- rizont ܰ஼ sein. schreibweise dargestellt werden: Dargestellt in einer kompakten Matrixform ergibt sich:

ௗοG௩ሺ݇ሻܤௗοݔሺ݇ሻ ൅ܣοݔሺ݇൅ͳሻ ൌ (ݔሺ݇௜ሻ ൅ȰοG௩ (16ܨൌܻ (ௗοݔሺ݇൅ͳሻ (14ܥοݕሺ݇൅ͳሻ ൌ οG ሺ݇ሻ ܤ ܥοݔሺ݇ሻ ൅ ܣ ܥ ൌ ௗ ௗ ௗ ௗ ௩ Mit

Ͳ ڮ Ͳ ܤܥ ܣܥ Dargestellt in einem erweiterten Zustandsraummodell ې Ͳ ڮ ܤܥ ܤܣܥ ۍ ې ଶܣܥ ۍ ۑ ଶ ێ ۑ ଷ ێ ۑͲڮܤܣܥܤ ܣܥ ێǢȰൌ ۑ ܣܥ ێൌܨ kann das dynamische System wie folgt beschrieben ۑڭڰڭڭ ێ ۑ ڭ ێ :werden (17) ےܤே೛ିே೎ܣܥڮܤே೛ିଶܣܥܤே೛ିଵܣܥۏ ے ே೛ܣܥۏ

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 183 !

Die Kostenfunktion ܬ wird auf Basis der vorgestellten Gleichung als Solltrajektorie für einen Doppelspur- Beschreibungsform des dynamischen Systems formu- wechsel auf den Regler gegeben. Abbildung liert. Bei der Wahl eines quadratischen Ansatzes der 4Abbildung 4. stellt die Querverschiebung ܻ des Kostenfunktion kann sichergestellt werden, dass das Fahrzeugschwerpunktes über die longitudinale Bewe-

.dar ݏglobale Minimum gefunden wird. gung ܺ bei ݒ௫ ൌͳ݉Ȁ

் ் ܬൌሺܴௌ െܻሻ ሺܴௌ െܻሻ൅οG௩ ܴοG௩ (16)

Mit ܴௌals Sollwertvektor und ܴ zur Beeinflussung der Schnelligkeit des geschlossenen Regelkreises. Im ersten Teil der Kostenfunktion wird die Abweichung von den Sollwerten, im zweiten Teil die Stellgrößenände- rung gewichtet. Das Minimum durch partielles Ablei- tung nach der Stellgrößenänderung bestimmt:

் ିଵ ் (ݔሺ݇௜ሻ൯ (17ܨοG௩ ൌ ሺȰ Ȱ൅ܴሻ Ȱ ൫ܴௌ െ

Dieser Vorschrift entsprechend werden die Stellgrö- ßenänderungen über den gesamten Kontrollhorizont Abbildung 4. Doppelspurwechsel ܰ஼ berechnet. Da die zugrundliegende Modellbe- schreibung nicht vollständig mit den realen System Aus dem Simulationsergebnis ist ersichtlich das der übereinstimmt, wird in jedem Berechnungsschritt le- Regelkreis fast genauso schnell agiert wie es die Soll- diglich das erste Element des Vektors οG௩ als Stell- trajektorie vorgibt. Die Abbildung 4 zeigt entspre- größe ausgegeben und die restlichen Elemente verwor- chend das die Soll-und Istquerverschiebung sich ohne fen [5]: Abweichung überlagern. ݔሺ݇ ሻ൯ܨοG ൌ ሾͳͲ ǥ Ͳሿ ሺȰ்Ȱ൅ܴሻିଵȰ்൫ܴ െ ௩ ଵ௫ே೎ ௌ ௜ (18) Der Verlauf des Lenkwinkels an der Vorderachse wird verändert sich ݏெ௉஼ݔሺ݇௜ሻ in Abbildung 5 dargestellt. Bei ݐൌͳܭሺ݇௜ሻ െݎ௬ܭ ൌ der Lenkwinkel um der Solltrajektorie zu Folgen. Bei ் ିଵ ் .erreicht das Fahrzeug die geplante Sollposition ݏ௬ das erste Element von ሺȰ Ȱ൅ܴሻ Ȱ ܴௌ ݐൌͷܭ wobei ் ିଵ ் und ܭெ௉஼ die erste Reihe von ሺȰ Ȱ൅ܴሻ Ȱ ܨ ist. Anschließend folgt das Fahrzeug der neuen Fahrspur Dieses Vorgehen wird im nächsten Berechnungsschritt in Vorwärtsrichtung und der Lenkwinkel ändert sich -befährt das Fahrzeug wieder die ur ݏwiederholt und als gleitender Horizont beschrieben. nicht. Bei ݐൌ͹ D.h. das Optimierungsproblem ist in einem bewegli- sprüngliche Fahrspur und erreicht die geplante Endpo- sition. chen Zeithorizontfenster zu lösen.

Mithilfe des Zustandsreglers ܭெ௉஼ und des Vorfilters ܭ௬ wird der geschlossene Regelkreis bestimmt:

Abbildung 3. Geschlossener Regelkreis

Abbildung 5. Lenkwinkel der Vorderachse Zur Funktionsabsicherung wird zunächst die Modell- in-the-Loop-Simulation herangezogen. Ziel der Spurfolgeregelung ist primär das das M-Mo- In dieser Arbeit wurde ein modellprädiktiver Regler bile einer Solltrajektorie so schnell und exakt wie mög- anhand eines vereinfachten linearere Zustandsraum- lich folgt. Um dies zu Testen wurde eine polynomische modells einer Einspurfahrzeugs als Näherung des M-

184 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 !

Mobile entwickelt. Dazu wurde dieses Modell um für die Regelung notwendige Zustandsgrößen erweitert und für die spätere Ausführung auf Target Hardware in fester Schrittweite diskretisiert. Der diskrete Modell- prädiktive Regelalgorithmus kann mit dessen Hilfe in einem beweglichen Ereignishorizont zukünftige Stell- größen vorhersagen. Dies wurde mittels einer Modell- in-the-Loop Simulation anhand eines Referenzmodells des M-Mobile nach [3] validiert. Im weiteren Verlauf dieser Arbeit wird der gefundene Algorithmus in das bestehende Fahrzeugmanagement- system des M-Mobile eingebettet und in Hardware-in- the-Loop Test weiter verifiziert werden.

[1] Stenzel, R.: Steuerungsarchitektur für autonome mobile Roboter. Dissertation, RWTH Aachen, 2002

[2] Jezierski, A.; Mozaryn, J.; Suski D.: A Compar- ison of LQR and MPC Control Algorithms of an Inverted Pendulum. In: Mitkowski, W. et al: Trends in Advanced Intelligent Control, Opti- mization and Automation. Advances in Intelli- gent Systems and Computing, vol 577. Springer, Cham, 2017 [3] Buchta, R.: Mechatronische Entwicklung eines Forschungselektrofahrzeugs zur Erprobung von Fahrdynamikregelungen und Fahrerassis- tenzsystemen. Dissertation, Universität Magde- burg, 2016 [4] Wang, L.: Model Predictive Control System De- sign and Implementation Using MATLAB. Springer, 2009 [5] Kwon, W.H. and Han, S.: Receding Horizon Control- model predictive control for state models. Springer, 2005. [6] Liu-Henke, X.: Fahrzeugdynamikregelung, Vorlesungsskript zur Vorlesung Fahrdyna- mikregelung, Hochschule Ostfalia, Wolfenbüt- tel, 2016

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 185 186 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

IoT gestütztes Maschinen-Monitoring − „Wearables“ für Maschinen

Prof. Dr.-Ing. Martin Strube Ostfalia Hochschule für angewandte Wissenschaften − Hochschule Braunschweig Wolfenbüttel [email protected]

Die zunehmende Digitalisierung im Maschinen- und Anlagenbau führt zu einer stetig voranschreitenden horizontalen und vertikalen Vernetzung, von der Feld- bis hin zur ERP-Ebene. Damit einhergehend nimmt der Stellenwert von Methoden aus den Bereichen des Knowledge Discovery in Database und der Künstlichen Intelligenz für die Prozess- und Produktionsoptimierung sowie für Ansätze des Predictive Maintenance zu. Dem gegenüber stehen heute oftmals erhebliche Investitionskosten in „Brownfield“ geprägten Hochlohnlän- dern, um heterogene Maschinen- und Anlagenparks mit den notwendigen Messdatenerfassungs- und Über- tragungslösungen auszustatten. Um dem entgegenzuwirken, wird in diesem Beitrag ein Ansatz vorgestellt, der sich an bereits etablierten Soft- und Hardwarelösungen für Human Activity Recognition orientiert und diese mit Datenübertragungslösungen des Industrial Internet of Things kombiniert.

1 Einleitung Unter HAR lassen sich verschiedene Technologien zusammenfassen, die das Ziel verfolgen, menschliche In vielen Produktionsbereichen finden sich heute Aktivitäten mit Hilfe von Sensordaten in Real-Life Maschinen aus unterschiedlichen Dekaden wieder. Im Szenarien zu identifizieren. In Kombination mit Zuge der Digitalisierung, insbesondere älterer Ma- Wearables, wie z. B. Fitness-Armbändern, findet schinen, entstehen häufig erhebliche Kosten durch HAR heute bereits eine breite Anwendung in medizi- den notwendigen Ausbau der Netzwerkinfrastruktur, nischen Bereichen sowie im Freizeit- und Profisport zusätzliche Messtechnik, Schnittstellenanpassungen, (vergleiche hierzu [3], [4], [5]). Anpassungen in der Automatisierungssoftware zur Bereitstellung der erfassten Daten und nicht zuletzt Bei der Erkennung von menschliche Aktivitäten mit durch die Einhaltung von Auflagen aus dem Bereich Hilfe von Sensordaten finden zwei unterschiedliche der IT-Sicherheit [1]. Da sich ein Return On Invest- Herangehensweisen Anwendung. Diese werden fach- ment dieser Maßnahmen meist nur sehr schwer ermit- sprachlich durch die Begriffe Activity Recognition teln lässt, stellen die damit verbundenen Investitionen und Activity Pattern Discovery beschrieben [6]. Beim oft ein Hemmnis dar. Activity Recognition werden zunächst Aktivitäts- Modelle für die zu identifizierenden Bewegungsab- Im Kontrast dazu finden sich am Markt immer güns- läufe definiert und darauf basierend geeignete Sen- tigere Soft- und Hardwarelösungen für das Erfassen sorsysteme zur Detektion dieser Bewegungsabläufe menschlicher Aktivitäten und für die Machine-to- entwickelt. Die Modellbildung kann dabei z. B. mit Machine-Kommunikation (M2M) mit Hilfe von IoT- Hilfe des Hidden Markov Models erfolgen (verglei- Funktechnologien wieder. Vor diesem Hintergrund che hierzu [6], [7], [8]). beschreibt dieser Beitrag einen Ansatz, um die zuvor genannten Entwicklungen aus dem Consumer- Im Gegensatz dazu werden beim Activity Pattern Bereich auf industrielle Anwendungen zu übertragen. Recognition zunächst Sensordaten bestimmter Bewe- gungsabläufe aufgezeichnet, um diese dann auf Mus-

ter hin zu untersuchen, die eine eindeutige Zuordnung 2 Human Activity Recognition zu bestimmten Aktivitäten ermöglichen. Bei der Mus- Der Markt für Wearables ist im Jahr 2017 um ca. tererkennung finden Methoden wie Adaptive Neuro- 17 % gewachsen, so dass in diesem Jahr weltweit Fuzzy Inference Systems, Classification and Regres- mehr als 300 Mio. dieser Geräte verkauft wurden [2]. sion Tree und Iterative Dichotomiser 3 Anwendung Verbunden mit dem enormen Wachstum dieses Mark- [9]. tes hat sich innerhalb der letzten Jahre ein starkes Infolge der zahlreichen Forschungsbemühungen auf Forschungsfeld im Bereich Human Activity Recogni- dem Gebiet HAR stehen heute eine Vielzahl von tion (HAR) etabliert.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 187 IoT gestütztes Maschinen-Monitoring „Wearables“ für Maschinen

modellbasierten Ansätzen für die Aktivitätserkennung systemen durch drahtlose Sensorknoten ein nahelie- von menschlichen Individuen zur Verfügung. gender Anwendungsbereich. Gemessen an der Anzahl der genutzten Sensoren und Die Herausforderung bei der Auswahl geeigneter der Funktionalität, den Großteil der Messdaten direkt IIoT-Funktechnologien liegt in den anwendungsbe- auf dem Wearable ohne zusätzlichen Konfigurations- zogen stark variierenden Anforderungen, wie z.B. aufwand zu verarbeiten, stellen diese Systeme im Reichweite, Latenz, Robustheit und Quality of Ser- Vergleich zu industriellen Lösungen für die Maschi- vice, und den am Einsatzort befindlichen Umge- nendatenerfassung und -auswertung ein hervorragen- bungsbedingungen. des Preis-Leistungs-Verhältnis dar. Eine weitere Einschränkung der Anwendungsszenari- en ergibt sich durch die im Vergleich zu kabelgebun- denen oder etablierten Funktechnologien, wie WLAN 3 Industrial Internet of Things oder LTE, verminderten Datenübertragungsraten, „Der Wandel der Automatisierungsindustrie […] ist wodurch hochfrequent erfasste Sensordaten nicht ohne den kombinierten Einsatz moderner Technolo- ohne Weiteres übertragen werden können. gien und deren Vernetzung nicht umsetzbar, denn die

Verknüpfung aller Komponenten ist Voraussetzung für eine hochdynamische und flexible Industrie 4.0- 4 „Wearables“ für Maschinen Produktion.“ [10] Betrachtet man die aktuellen Entwicklungen aus dem Mit dem Ausbau bereits verfügbarer Low Power Bereich der Kommunikationslösungen des Industrial Wide Area Network (LPWAN) Kommunikationslö- Internet of Things gemeinsam mit den Fortschritten sungen des Internet of Things, wie z.B. SigFox [11], der Forschung zum Thema HAR, so ergeben sich in LoRa [12] und NB-IoT [13], und der Weiterentwick- Bezug auf die in Abschnitt 3 aufgeführten Anwen- lung dieser Funktechnologien im Rahmen von Pro- dungsbereiche zwei Fragestellungen: grammen wie Horizon 2020 [14], entsteht auch für 1. Lassen sich für Wartung, Diagnose und Zustand- industrielle Anwendungen ein neues Portfolio an süberwachung mit nachträglich implementierten Datenübertragungslösungen. kostengünstigen Sensorknoten, ähnlich wie bei Diese zeichnen sich nicht nur durch sehr kostengüns- einem Fitness-Armband, relevante Informationen tige und einfach inbetriebzunehmende Hardwarelö- mit Hilfe von Methoden des HAR generieren? sungen, sondern auch durch vergleichsweise sehr Ein Beispiel hierfür wären Rückschlüsse auf den niedrige Datenübertragungskosten aus. Werkzeugverschleiß auf Basis der Schwin- gungsmessung an der Außenhaut einer Werk- „Mit der Entwicklung neuer Funktechnologien wer- zeugmaschine. den digitale drahtlose Kommunikationsnetze zu- künftig eine Vielzahl neuer industrieller Anwendun- 2. Können Ansätze des HAR auf maschinenbauli- gen erschließen und technische Anforderungen er- che Fragestellungen übertragen werden, um füllen, die bisher nur durch kabelgebundene Netze hochfrequent erfasste Sensordaten im Sinne des erfüllt werden konnten.“ [10] Edge-Computing direkt am Sensorknoten soweit vorzuverarbeiten, dass Funktechnologien mit ge- Ein prädestinierter Anwendungsbereich für Industrial ringeren Datenübertragungsraten für die Anbin- Internet of Things-Funktechnologien (IIoT) ist z. B. dung an bestehende Monitoring- und Automati- die Erweiterung von Maschinen und Anlagen mit sierungslösungen Anwendung finden können? drahtlosen Sensorknoten, um zusätzliche Informatio- nen für Wartung, Diagnose und Zustandsüberwa- In der aktuellen Forschungsarbeit wird untersucht, chung zu gewinnen. Die Energieeffizienz der wie sich Ansätze aus dem Bereich Human Activity LPWAN Technologien ermöglicht dabei zum Teil Recognition mit Hilfe von industrietauglichen Sen- Realisierungen mit batteriebetriebenen Sensorknoten, sorplatinen mit IIoT-Funkmodulen auf für den Ma- wodurch Messungen auch an Stellen ohne das Her- schinen- und Anlagenbau relevante Fragestellungen stellen einer externen Energieversorgung möglich übertragen lassen. Dabei werden diese Sensorplatinen werden. Des Weiteren ist auch die Ergänzung von ähnlich wie „Wearables“ nachträglich an leicht zu- Anlagen- und Maschinensteuerungen und Prozessleit- gänglichen Stellen der Maschinen angebracht. Des

188 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 IoT gestütztes Maschinen-Monitoring „Wearables“ für Maschinen

Weiteren sind die Platinen mit kostengünstigen Sen- Im Anschluss werden Zusammenhänge zwischen den soren, z. B. Beschleunigungssensoren wie sie in von der Maschinensteuerung aufgezeichnten Daten Smartphones oder Wearables zum Einsatz kommen, und den Sensordaten der Sensorplatinen untersucht. bestückt. Des Weiteren finden Methoden der Mustererkennung In Anlehnung an das in Abschnitt 2 vorgestellten des Activity Pattern Discovery Anwendung, um nach Activity Pattern Discovery werden in einem ersten Mustern für verschiedene maschinenbauliche Frage- Schritt Versuche mit Werkzeugmaschinen, z.B. Fräs- stellungen zu suchen. Diese reichen von der Ermitt- und Drehmaschinen, verschiedener Generationen lung OEE relevanter Kenngrößen, über die Erken- durchgeführt. Um Messdaten zu gewinnen, werden nung von Werkzeugverschleiß und qualitätsrelevanten die Werkzeugmaschinen dabei mit unterschiedlichen Parametern bis hin zu Predicitve Maintenance An- Sensorplatinen an verschiedenen Stellen ausgerüstet. wendungen. Abbildung 1 zeigt exemplarisch eine der Maschinen, In einem zweiten Schritt sollen wie beim Activity an denen die Versuche durchgeführt werden. Recognition Modelle für die zu identifizierenden Abläufe ausgewählter Werkzeugmaschinen definiert und darauf basierend geeignete Sensorplatinen zur Detektion dieser Abläufe entwickelt werden. Darauf aufbauend muss untersucht werden, wie generalisie- rungsfähig die Modelle im Hinblick auf das Übertra- gen der Ergebnisse auf verschiedene Maschinen eines Typs sind. Aufbauend auf den Ergebnissen der zuvor beschriebenen Arbeiten, gilt es zu untersuchen, ob sich die entwickelten Modelle und Algorithmen im Sinne des Edge-Computings eignen, um hochfrequent erfasste Sensordaten informationsverlustfrei mit Hilfe eines Mikroprozessors auf der Sensorplatine soweit vorzuverarbeiten, dass die daraus resultierenden Informati- Abbildung 1. Fräsmaschine von DMG Mori [15] onen mittels IIoT-Funkmodulen an bestehende Moni- toring- und Automatisierungslösungen übertragen Abildung 2 zeigt ein Beispiel der verwendeten Sen- werden können. Auch hier lassen sich Parallelen zu sorplatinen mit den Abmessungen 50 mm x 50 mm x den technischen Realisierungen von Wearables aus 15 mm. Auf der hier dargestellten Oberseite befindet dem Consumer Bereich ziehen, denn auch diese ver- sich ein Beschleunigungssensor, ein GPS-Modul und arbeiten und visualisieren einen Teil der Messdaten ein Mikrocontroller. Das IoT-Funkmodul befindet direkt auf dem Wearable und übertragen die Ergeb- sich auf der Unterseite dieser Platine. nisse für komplexere Auswertungen an Apps oder Cloud-basierte Dienste.

5 References [1] Bundesministerium für Wirtschaft und Ener- gie. IT-Sicherheit für die Industrie 4.0 – Ab- schlussbericht. 2016. [2] Gatner. Forecast: Wearable Electronic Devices Worldwide, 2017. [3] A. Avci et. al. Activity Recognition Using In- ertial Sensing for Healthcare, Wellbeing and Sports Applications: A Survey. 23th Interna- Abbildung 2. Sensorplatine tional Conference on Architecture of Compu-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 189 IoT gestütztes Maschinen-Monitoring „Wearables“ für Maschinen

ting Systems, Hannover, Germany, S. 1-10, 2010. [4] U. Jensen et al. A wearable real-time activity tracker. Biomedical Engineering Letters, Vol- ume 5, S. 147-157, 2015. [5] H.-J. Kim und Y. S. Choi. Eating Activity Recognition for Health and Wellness: A Case Study on Asian Eating Style. IEEE Interna- tional Conference on Consumer Electronics (ICCE), Las Vegas, USA, S. 446-447, 2013. [6] E. Kim et al. Human Activity Recognition and Pattern Discovery. IEEE Pervasive Compu- ting, Volume 9, S. 48-53, 2010. [7] S. Shaily, V. Mangat. The Hidden Markov Model and its Application to Human Activity Recognition. 2nd International Conference on Recent Advances in Engineering & Computa- tional Sciences (RAECS), Chandigarh, India, 2015. [8] Y.-J. Kim et al. Hidden Markov Model En- semble for Activity Recognition using Tri-axis Accelerometer. IEEE International Conference on Systems, Man, and Cybernetics, Kowloon, China, S. 3036-3041, 2015. [9] L. C. Jatobá et al. Context-aware mobile health monitoring: Evaluation of different pattern recognition methods for classification of physical activity. 30th Annual International Conference of the IEEE Engineering in Medi- cine and Biology Society, Vancouver, Canada, S. 5250-5253, 2008. [10] VDE-Positionspapier Funktechnologien für Industrie 4.0. Verband der Elektrotechnik Elektronik Informationsrechnik e.V. 2017. [11] https://www.sigfox.com/ [12] https://www.lora-alliance.org [13] https://www.telekom.com/de/medien/medienin formationen/detail/erste-narrowband-iot- servicepakete-in-deutschland-auf-dem-markt- 497480 [14] http://www.horizont2020.de [15] https://de.dmgmori.com/produkte/maschinen/f raesen/vertikal-fraesen/cmx-v

190 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Approximation von Materialflussmodellen durch neuronale Netze und Gradient-Boost Verfahren

Bernd Allmendinger1 Stefan Pfaff1 1PPI-Informatik [email protected], [email protected]

Das Bilden von Ersatzmodellen in der Simulation hat sich in der Praxis durchgesetzt. Durch das Ersatzmo- dell können sehr schnell und effizient Berechnungen für neue Parameter Konstellationen durchgeführt werden. Bisher werden diese Modelle meist durch lineare Regressionsverfahren ermittelt. Wir zeigen hier an einem Beispiel einer realen Materialflussplanung und deren Simulation, dass sich Gradient-Boost Verfahren wie z.B. mit XGBoost und neuronale Netze (z.B. mit Keras) viel besser als Ersatzmodelle eignen, da sie die nichtlinearen funktionale Zusammenhänge in Simulationsmodellen meist viel besser approximieren können.

1 Einleitung Datenmengen hinsichtlich der darin enthaltenen Re- geln und Muster ist eine klassische Anwendung des Simulieren1 heißt probieren. Bei real existierenden maschinellen Lernens. Das maschinelle lernen um- Systemen wie z.B. Fertigungslinien kann man jedoch fasst sehr viele unterschiedliche Methoden/Verfahren. aus naheliegenden Gründen nur sehr eingeschränkt Die große Herausforderung ist, für ein gegebenes "probieren". Und bei Systemen im Planungsstadium Problem das richtige Verfahren auszuwählen oder geht das erst recht nicht. Hier bietet die Simulation mehrere unterschiedliche Verfahren mit einander zu den Ausweg: Man erstellt zunächst ein realistisches kombinieren (Bildung von Ensembles). Modell des zu untersuchenden Systems mit dem man In der Praxis, sowie bei Maschine-Learning- dann systematisch experimentieren kann. Wettbewerben wie z.B. auf der Plattform Kaggle hat

sich gezeigt, dass sich Gradient-Boost basierte Me- Simulationsmodelle werden eingesetzt, um z.B. in thoden sehr gut eignen um komplexe Probleme mit komplexen Systemen Engpässe zu erkennen, Grenz- einer hohen Genauigkeit zu lösen. Auch neurale Net- kapazitäten zu ermitteln oder um Zielgrößen wie den ze (Deep Learning) setzen sich in der Praxis immer Durchsatz zu optimieren. Dabei werden die Pro- mehr durch. Beide Methoden setzen große Daten- zessparameter vorgegeben, di im Modell systematisch mengen voraus was beim praktischen Einsatz der variiert und die Auswirkungen dieser Variationen auf Materialflusssimulation nicht immer gegeben bzw. das Verhalten des Simulationsmodells mit Hilfe ge- praktikabel ist. Durch die Regulierungsverfahren eigneter Kenngrößen untersucht. Ziel ist es, aus den beider Methoden ist es jedoch möglich, diese Verfah- einzelnen Experimenten den Zusammenhang zwi- ren auch auf Probleme mit einer „kleineren“ Anzahl schen den vorgegebenen Prozessparametern und den an Datensätzen durchzuführen. daraus resultierenden Zielgrößen des simulierten

Modellprozesses abzuleiten. Wir untersuchen die Einsetzbarkeit dieser beiden

Methoden an einem Beispiel aus der täglichen Praxis In der Praxis führt das jedoch aufgrund der meist sehr bei der Simulation von Produktions- und Logistiksys- großen Anzahl sinnvoller Variationen der Prozesspa- temen. rameter auf eine entsprechend große Anzahl von Als Gradient-Boost Verfahren verwenden wir Modellexperimenten, wenn man die wesentlichen XGBoost was aktuell (2018) zusammen mit Light- Kombinationen untersuchen will. Außerdem führen GBM und CatBoost zu den leistungsstärksten Gradi- die Experimente u.U. zu extrem große Datenmengen, ent-Boost Verfahren zählt. die sich einer Auswertung mit „klassischen“ Metho-

den entziehen. Als Deep Learning Software wird Keras verwendet.

Keras ist ein Backend für Tensor-Flow bzw. Theano Hier setzt die Einbeziehung von Verfahren des ma- mit sich sehr schnell neuronale Netze erstellen und schinellen Lernens ein, denn die Untersuchung großer trainieren lassen.

1 Siehe VDI 3633

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 191 Approximation von Materialflussmodellen durch neuronale Netze und Gradient-Boost Verfahren

2 Vorteile einer Approximation Als Ergebniskenngröße wird die Ausbringung pro Durch die Approximation bzw. der Überführung eines Schicht verwendet. Um den Prozess optimal auszule- Simulationsmodells in ein „maschinellen Lernens“ gen stehen folgende Prozessparameter zur Verfügung: Modell generiert man aus dem Simulationsmodell x Anzahl Fahrzeuge eine mathematische Formel. Diese Formel kann dann x Prozesszeiten an den Stationen 1, 2 und 3 zusammen mit einer Optimierung dazu verwendet x Aushärtezeit werden um z.B. Ressourcen optimal auszulegen (z.B. x 2 unterschiedliche Geschwindigkeiten Puffer optimal zu dimensionieren oder die Geschwin- digkeiten von Förderstrecken optimal zu bestimmen). Das Materialflussmodell wurde mit Plant Simulatio- Da das Modell als Formel vorliegt, können die Simu- nen Version 13.0 der Firma Siemens erstellt. lationsergebnisse auf „Knopfdruck“, ohne Simulati- onssoftware und zeitlich aufwändige Experimente, Ziel ist es eine Berechnungsvorschrift zu entwickeln, erzeugt werden. die die Ausbringung pro Schicht in Abhängigkeit der Parameter: Anzahl Fahrzeuge, Prozesszeiten, Aushär- Durch die Regulierungsverfahren von XGBoost und tezeit und Geschwindigkeiten) in einen funktionalen Keras kann die Stochastik die im Simulationsmodell Zusammenhang bring. Modell entsteht ggf. geglättet werden. Dadurch kön- nen Daten die für das maschinelle Lernen benötigt = (#ℎ, ,,,ä,,) werden ggf. mit einer geringen Anzahl von Simulati- onsexperimenten bzw. Parametervarianz erzeugt 3.1 Datengenerierung werden. Die Parameter Konstellationen für die Experimente Ein weiterer Vorteil ist das bessere Systemverständnis wurden über einen zweistufigen voll faktoriellen das aus den Daten erlernt wird und über die „feature Versuchsplan erzeugt, der zusätzlich mit 5000 raum- importance“ Funktion der Lernverfahren extrahiert füllenden Experimenten angereichert wurden. werden kann. Für das Training der Approximation stehen somit 5128 Datensätze zur Verfügung 3 Anwendungsfall und Modell Untersuchungsgegenstand ist ein Modell aus der Praxis. Das Modell bildet ein Produktionssystem mit 3 Prozessstationen ab. Der Transport zwischen den Prozessstationen erfolgt über ein fahrerloses Trans- port System (FTS). Die Bearbeitung an den Prozess- stationen erfolgt jeweils auf dem Fahrzeug (FTF). Nach der Letzen Prozessstationen muss das Produkt erst aushärten bevor es vom FTF abgenommen werden kann. Während der Aushärtezeit verweilt das FTF in einem der drei Bahnhöfe. Der Kurs ist in zwei Bereiche mit jeweils unterschiedlicher FTF Fahrge- schwindigkeit eingeteilt.

Abbildung 2. Definition der Experimente für das Simulationsmodell

Die Experimente wurden auf einem DELL Inspiron 5759 mit 16 GB Ram und einem i7-6500U CPU mit 2.6 GHz Prozessor durchgeführt. Die Rechenzeit bei paralleler Nutzung aller CPU Kerne betrug 9h 35 min.

Abbildung 1 Modell in Siemens Plant Simulation

192 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Approximation von Materialflussmodellen durch neuronale Netze und Gradient-Boost Verfahren

4 Ersatzmodelle Für die Bestimmung der Ersatzmodelle stehen insgesamt 5128 Datensätze, die durch die Simulation generiert wurden zur Verfügung. Von diesen Datensätzen werden 70% für die Bestim- mung der Ersatzmodelle verwendet (Trainings- Daten). Die restlichen 30% werden verwendet um die Güte der Ersatzmodell zu überprüfen (Hold out-set). Zusätzlich wird mit den 70% Trainingsdaten eine 5 fache Kreuzvalidierung durchgeführt, die Aufschluss über die Güte des Ersatzmodells gibt. Als Fehlermetrik wird „Mittlerer absoluter Fehler“ Abbildung 3. Lasso-Prognosegüte. Die Darstellung 1 n zeigt die Prognose der Ausbringung (predict(y)) vs. (mae) verwendet: MAE ¦i 1 yi yi n der aus der Simulation bestimmten Ausbringung (y) für die 30% Testdaten Zur Bestimmung der Modelle wurde Python 2.7 mit folgenden Bibliotheken verwenden: Durch die l1 Norm werden die Koeffizienten nicht x Scikit-learn (Lasso, Aufbereiten der Daten) relevanter Variablen auf Null gesetzt. Im Beispiel x XGBoost verbleiben nur 17 der 36 Variablen Kombinationen im x Keras 2.0 mit Theano als Backend Modell.

4.1 Lineare Regression - Lasso Über das Ersatzmodell ist es nun möglich Zusam- Das einfachste Ersatzmodell, ist ein lineares Modell, menhänge zwischen der Ausbringung und jeweils bei dem die Ausbringung linear von den Eingangsva- zwei Eingangsvariablen grafisch darzustellen. riablen abhängen (Lineare Regression). Dieses Mo- Im Beispiel wird der funktionale Zusammenhang dell verwenden wir als Referenz („Base-Line“) zum zwischen der Ausbringung und Anzahl FTF sowie der Vergleich mit den anderen Verfahren. Prozesszeit t3 dargestellt. Die anderen Eingangsvari- Da in Produktion und Logistik meist nicht lineare ablen wurde für die Darstellung konstant gehalten Zusammenhänge gegeben sind, werden zusätzliche (t1=30, Härte Zeit=180, t2=26, v1=0.45 und v2=0.25) die Quadrate und die Interaktionen zwischen den Eingangsvariablen als weitere Eingangsgrößen (sog. Feature Engineering) verwendet. Da für die Ersatzmodellbildung die Regulierung sehr wichtig ist, verwenden wir hier zusätzlich die l1- Norm zur Regulierung (Lasso). Damit erhält man robuste und zuverlässige Modelle die gleichzeitig auch eine Eingangsvariablen Selektion durchführen, da die Koeffizienten nicht relevanter Variablen auf null geschätzt werden. Der Regulierungsparameter für die l1 Norm wurde über einen 5 fold cross validation gridsearch bestimmt.

Ergebnisse: mae für die 30% Testdaten: 4.6986 mae für 5-fold cross validation: 4.6620

Abbildung 4 Lasso Contour und Surface plot

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 193 Approximation von Materialflussmodellen durch neuronale Netze und Gradient-Boost Verfahren

4.2 Gradient Boost - XGBoost XGBoost ist ein weit verbreitetes und sehr beliebtes Tool in Kaggle-Wettbewerben und in der Industrie. In der Praxis hat sich gezeigt, dass sich mit diesem Tool sehr effizient auch hoch komplexe Probleme lösen lassen. Es ist ein hochflexibles und vielseitiges Werk- zeug, das für Regressions-, Klassifikations- und Ran- king-Probleme verwendet werden kann. Als Open- Source-Software ist es leicht zugänglich und kann über verschiedene Plattformen und Schnittstellen genutzt werden.

Der Name steht für eXtreme Gradient Boosting, und ist ein Teil einer größeren Sammlung von Open- Source-Bibliotheken, die von der Distributed Machi- ne Learning Community (DMLC) entwickelt wurden. XGBoost verendet eine regulierte Modell Formalisie- rung um „over-fitting“ zu verhindern. Gerade diese Eigenschaft ist wichtig für die Bildung von Ersatz- modellen, da wir aus verrauschten Daten (Störungen in der Simulation) die deterministischen Komponen- ten extrahieren wollen.

Ergebnisse: Abbildung 6 XGBoost Contour und Surface plot mae für die 30% Testdaten: 0.8513 mae für 5-fold cross validation: 0.8560 Quasi ein Abfallprodukt der Gradient Boost Verfah- ren ist die Bestimmung der Relevanz der Eingabeva- riablen. Diese Information ist für den Planer sehr nützlich für die Auslegung der Anlage und der Pro- zessparameter. Man erkennt die Wirksamkeit der Stellschrauben, also welche Veränderung der Ein- gangsgrößen wirkt sich wie stark auf das Ergebnis aus.

Abbildung 5 XGBoost-Prognosegüte. Die Darstellung zeigt die Prognose der Ausbringung (predict(y)) vs. der aus der Simulation bestimmten Ausbringung (y)

Die Approximation durch XGBoost ist sehr gut. Es gibt keine größeren Abweichungen in den Testdaten.

Visualisiert man den funktionalen Zusammenhang zwischen Ausbringung und Anzahl FTF sowie der Abbildung 7 XGBoost. Relevanz der Eingabevariablen Prozesszeit t3, stellt man fest, das XGBoost die An- zahl Fahrzeuge als diskret betrachtet. Klar ersichtlich 4.3 Künstliches neuronales Netz - Keras ist, dass die Ausbringung für kleinere Prozesszeiten t3 Deep learning ist ein Untergruppe der Machine Lear- steigt. Betrachtet man Anzahl FTF, so steigt die Aus- ning Methoden, die künstliche neuronale Netze ver- bringung von 6 auf 7 FTF. Bei mehr als 8 FTF sinkt wenden. Das Wort „deep“ leitet sich von der Anzahl die Ausbringung wider, da sich die FTF im Kurs Schichten ab, im neuronalen Netz verwendet werden. gegenseitig blockieren. Wobei das Wort „deep“ relativ ist. Vor 5 Jahren waren 10 Schichten ausreichend, heute wird ein Netz als

194 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Approximation von Materialflussmodellen durch neuronale Netze und Gradient-Boost Verfahren

„deep“ bezeichnet wenn es hunderte von Schichten zufälligen Parametrisierung der Gewichte abhängen enthält. (lokalen Minima beim trainieren des Netzes), wurden Keras, ist eine High Level API, die mit vereinfachten 10 Netzte trainiert und die Prognosen über die 10 Funktionen auf TensorFlow oder Theano aufbaut und Netze gemittelt. Dieses Mitteln ist eine sehr gute die Implementierung von Standardmodellen schnell Form der Regulierung. Durch das Mitteln konnte der und einfach gestaltet. Fehler (mae) für die 30%Testdatensätze von 0.9 auf Wenn man viele Schichten im Netz verwendet, steigt 0.61 reduziert werden. die Gefahr des „overfittings“, d.h. das Netz lernt auch das Rauschen in den Eingangsdaten mit. Man benö- Ergebnisse: tigt deshalb Regulierungsverfahren, die beim Training mae für die 30% Testdaten: 0.7023 des Modelles die Komplexität einschränken und so- mae für 5-fold cross valdierung: 0.6179 mit das „overfitting“ verhindern.

Regulierungen können über Verfahren wie Dropout, BatchNormalization, Bagging, “early stopping” und die Anzahl Schichten im Netz realisiert werden. Für das erstellen und trainieren eines Netzes benötigt man viel Zeit und Erfahrung, da das Verfahren sehr viele Freiheitsgrade aufweist. Z.B. die Wahl der Netztopologie, die Wahl der Aktivierungsfunktionen, Regulierungsverfahren, Optimierungsalgorithmus und Optimierungsparameter. Um die optimale Modelltopologie zu bestimmen wurden viele Netze mit einer unterschiedlichen An- Abbildung 10 Keras-Prognosegüte. Die Darstel- zahl an Schichten und Anzahl Neuronen in den lung zeigt die Prognose der Ausbringung (pre- Schichten trainiert. Es wurde viele verschiede Regu- dict(y)) vs. der aus der Simulation bestimmten lierungs- und Optimierungsverfahren getestet. Die Ausbringung (y) Besten Ergebnisse wurden mit einer Schicht und 50 Neuronen in dieser Schicht erzielt. Als Aktivierungs- Die Approximation durch das neuronale Netz ist sehr funktion wurde „relu“ verwendet. Als Optimierungs- gut. Nur bei den geringen Ausbringungen (147 und verfahren erwies sich „Adam“ als das Beste. 174) gibt es größere Abweichungen die in der Praxis Probleme bereiten können. Die Abweichungen entstehen durch einen sprunghaften Abfall der Ausbrin- gung bei t1 im Bereich von t1= 29 nach t1= 30. Re- gressionsfunktionen lernen solche Sprünge nur schwer. Verfahren die Entscheidungsbäume als Basis- funktionen verwenden, wie z.B. XGBoost, können diese Sprünge leichter und besser erlernen.

Abbildung 8 Topologie des Netzes

Abbildung 9 Güte der Approximation während des Trainings für Trainingsdaten und Testdaten

Die Anzahl Trainings-Epochen wurden durch „early stopping“ bestimmt. Da einzelne Netze sehr von der

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 195 Approximation von Materialflussmodellen durch neuronale Netze und Gradient-Boost Verfahren

Lieferungen etc. Simulationsstudien ohne die Abbil- dung dieser stochastischen Prozesse machen in der täglichen Praxis keinen Sinn.

Der Vorteil der Gradient Boost Verfahren liegt neben der besseren Approximation darin, dass sich die Re- levanz der Eingangsgrößen „feature –importance“ sehr einfach und schnell bestimmen lässt. Oft wird im Planungsprozess die Frage gestellt wie sich Änderun- gen einzelner Prozessparameter auf das Ergebnis auswirken. Da zum Beispiel während der Planung des Materialflusssystems, die ja als Prämisse eine stabile Planung des eigentlichen Bearbeitungsprozesses voraussetzt, wesentliche Prozessparameter. Zum Beispiel ändern sich Bearbeitungszeiten noch einmal, da sich aus der Vor-Serie heraus neue Erkenntnisse ergeben haben. Mit einer genauen Kenntnis des Wir- kungszusammenhangs der Eingangsparameter auf das Ergebnis lässt sich sofort ohne auf aufwändige Simu- lationsexperimente warten zu müssen, prüfen ob und wie die Planung davon betroffen ist.

Das Erzeugen von Ergebnissen „auf Knopfdruck“ ermöglicht, die Realisierung von Online Optimierun- gen auf Basis genauer Prozess und Materialflussmo- Abbildung 11 Keras Contour und Surface Plot dellen im Operativen Betrieb des Produktions- oder Logistiksystems. Die Approximation durch das neuronale Netz weist eine glattere Darstellung auf, als die Approximation 6 References durch XGBoost. [1] Averill M Law Simulation Modeling and

Analysis. McGrawHill, 2017. 5 Zusammenfassung [2] Antonio Gulli, Sujit Pal. Deep Learning with Die aus den Simulationsdaten bestimmten neuronale Netze (Keras)- und Gradient Boost-Verfahren Keras. Packt, 2017. (XGBoost) -Ersatzmodelle weisen eine wesentlich [3] Trevor Hastie, Robert Tibshirani, Jerome höhere Genauigkeit auf als herkömmliche lineare Friedmann. The Elements of Statistical learn- Regressionsmodelle. ing. Springer, 2001. Damit wird gezeigt, dass sich der größere Aufwand in den Aufbau des Knowhows zur Beherrschung der verfahren und in die Erstellung der Ersatzmodelle lohnt.

Lineare Regression Gradient Boost Künstliches neuronales Netz mae Lasso XGBoost Keras 30% Testdaten 4,6986 0,8513 0,7023 5-fold cross validation 4,6620 0,8560 0,6179 Abbildung 12 Vergleich der Ergebnisse

Darüber hinaus ist ein wesentlicher Faktor, dass beide Verfahren die verrauschten Experimentdaten glätten ohne die Daten zu “overfitten”. Das Rauschen in den Eingangsdaten, hervorgerufen durch die Abbildung von stochastischen Prozessen in den Materialfluss- modellen wie Beispielsweise Maschinenstörungen, Verfügbarkeit von Personalressourcen (Verteilzeiten) oder zufälligen Ankunftszeitpunkten von externen

196 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Implementing the Argesim C21 benchmark with Modelica components

Jan-Philipp Disselkamp, Peter Junglas, Alexander Niehüser, Phillip Schönfelder PHWT Vechta/Diepholz [email protected]

The Argesim C21 benchmark requires to investigate three different systems showing state events: a bouncing ball, an RLC circuit with a diode and a rotating pendulum with a free ﬂight phase. These models can be easily implemented in Modelica by coding the complete state and event equations. But the simulation practitioner is usually working in a graphical environment using components from a library, writing explicit Modelica code at most for special components. We will show how to implement such systems in a component based style by providing switchable and event handling components, thereby coping with the limitations of the complicated Modelica event system as well as with some problems of the simulation environments.

1 Introduction up a complex model. Since this is the preferred way how Modelica is used in the industrial practice, it The modelling and simulation of hybrid systems com- would be highly desirable to have components that bining a continuous dynamic evolution with state make the construction of the example models possi- events is still a nontrivial task for most simulation ble. Some appropriate components are already given environments. To compare the different approaches by the Modelica Standard Library (MSL), in other the Argesim C21 benchmark [1] defines three sys- cases one has to build them using explicit Modelica tems that show state events with event types of vary- code. ing complexity: A bouncing ball model using either a In the following we will show several different ap- simple state change event or a slightly more complex proaches to implement the example models in a com- structure change event, an RLC circuit with a diode ponent based way. Since the implementations of leading to a parameter or structural change, and a ro- Modelica often differ in subtle ways, especially with tating pendulum with a complex structural change be- regard to their event behaviour, we will compare our tween its rotating and free flight phases. models using the proprietary programs Dymola from Using Modelica [2] to implement the three models Dassault Systemes and MapleSim from Maplesoft. seems to be a simple task at first sight, since Modelica Finally, the conclusions will address the question, provides a rich set of event related features. In ad- to which extent Modelica is able to model structure dition the recent synchronous elements [3] define a changing systems. complementary set of event functions with different semantics. On the other hand Modelica’s events are quite involved, sometimes leading to a counterintu- itive behaviour [4]. And [5] even claims that Modelica 2 Bouncing ball “provides only very limited means” for the description of systems with variable structure, due to restrictions The first example is a falling ball that bounces off the of the Modelica language, which are often related to ground. The C21 benchmark contains two different its equation based foundation. contact models: The event contact describes a time- less bounce that changes the velocity immediately ac- But Modelica is more than a modelling language: It cording to provides a frame for the definition of components that can be combined with graphical tools to build vafter = −μ vbefore,

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 197 Implementing the Argesim C21 benchmark with Modelica components

where the coefﬁcient μ describes the energy loss due flying = not (s <= 0 and v <= 0); to the bounce. The dynamic contact includes the de- flange.f = if flying then 0 else -m*g; formation of the ball using a linear spring and damper model. The interesting part is the use of the additional flying s<=0 A simple approach that replicates the standard variable instead of a simple . This is necessary Simulink method, uses integrator blocks to reproduce to cope with the numerical inaccuracies, which other- the differential equation of the system directly. For the wise would lead to very small but negative values of s event contact one can utilize limit and reset integrators after an event and to the infamous fallthrough of the as shown in Fig. 1. All blocks come from the MSL ball near the scattering singularity. Problematic is the computation of the counterforce -m*g after the ﬂying phase, which needs the mass Hardstop of the falling ball. Therefore the compo- Mass nent is tightly connected to the component and cannot be used as a universally applicable component by its own. A similar problem has already surfaced when trying to include a collision detection mecha- nism in the Modelica MultiBody Library [6] and has

been listed in [5] as one of the obstacles for modelling of variable structure systems in Modelica. Figure 1: Bouncing ball with event contact (“Simulink”) The apparently more complicated dynamic contact can be easily handled in Modelica, since the 1d- except the ResetIntegrator, which can easily be mechanics library already contains a corresponding implemented with a reinit inside a when-construct. component ElastoGap. Actually its equations are a Since the MSL zeroCrossing block triggers on ris- bit more complicated than the ones in the C21 bench- ing and falling input, it must be disabled for positive mark in order to cope with unphysical effects of the velocity. This is superﬂuous if one uses a selfmade simple equations. But it is a trivial matter to create a NegativeZeroCrossing component instead. copy and strip it down to comply with C21. To be more in line with the physical modelling spirit of Modelica one can use concepts and components of the Mechanics.Translational part of the MSL. 3 RLC circuit with diode One creates a component for each force acting on the falling mass, including a Hardstop component that is responsible for the bounce (cf. Fig. 2). Its equations

Figure 2: Bouncing ball with event contact (1d mechanics)

are based on the example in [2, pp. 96f]:

s = flange.s; Figure 3: RLC circuit with diode v = der(s); when s <= 0 then The second example is a simple RLC circuit with a reinit(v, -mu*pre(v)); diode, where different diode models are to be inves- end when; tigated. It is constructed easily with standard compo-

198 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Implementing the Argesim C21 benchmark with Modelica components

nents from the Electrical.Analog part of the MSL 4 Rotating pendulum with free (cf. Fig. 3), using the IdealDiode for the shortcut diode of C21. flight phase The MSL contains a diode component implement- The last example is a point mass with air resistance on ing the common Shockley characteristic, but it differs a rope of fixed length. Its movement switches between from the “Shockley diode” of C21, because it has a swinging and free fall phases according to the direc- non-vanishing current in locking phase. Therefore one tion of the force acting on the mass. Since its structure has to create a special component here. Using a partial changes completely between states of different dimen- model provided by the MSL this is a matter of a few sion, this is the most interesting and demanding sys- lines: tem of the benchmark. Even an entirely equation-based solution is challeng- model DIshi1 "diode model after Shockley" ing. In [1] three modelling concepts are presented: a extends Analog.Interfaces.OnePort; hybrid decomposition with subsystems of different di- parameter Real IS =1e-8; mensions, a maximal state space approach and a DAE parameter Real UT =26e-3; of high index that uses cartesian coordinates through- equation out, but changes the constraint equation. Of these the ifv<0then first one seems hopeless in Modelica: Although the i=0; variables that are used as states can change dynami- else cally, their total number is fixed by an equal number v =UT*log(i/IS + 1); of equations. The second method can be applied in end if; a straighforward manner, leading to a working - but end DIshi1; monolithic - solution. The third idea seems to be most promising, since DAEs of high index are common- place in Modelica. But though a corresponding model has been formulated by the authors, none of the avail- Alternatively the model DIshu1 uses the inverse rela- able simulation programs could cope with it. i v tion to define as function of in conducting phase. Focusing on component based models, two different C21 defines a “real-time” variant, where the algebraic ideas have been followed, similar in spirit to the two equation for v in conducting phase is replaced by its different solution methods described in [7]: The first derivative in order to reduce the DAE equations of the is a “local” method using switchable components for complete model to an ODE. In the component based the structurally different phases, the other takes a top- model used here things are more complicated: If one down approach to switch globally between two differ- uses the derivative equation for v ent systems. der(v) =(UT/Is)/(i/Is + 1)*der(i);

inside the diode model, the variable changes from algebraic to state variable, when the diode switches from locking to conducting phase. To cope with this

problem, we added another variant, where the equation in locking phase is derivated as well: !" der(i) =0; Another diode variant deﬁned in the benchmark re- places the exponential Shockley characteristic with a piecewise linear interpolated approximation. This can be implemented either graphically using a

LookupTable component from the MSL together with a VoltageSensor and a generic Diode model or by implementing the linear interpolation directly with a Modelica function. Figure 4: Rotating pendulum model (2d mechanics)

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 199 Implementing the Argesim C21 benchmark with Modelica components

The first model uses graphical components as far as contains the event functions hF , hS as defined in [1] possible, coming from the MSL or from the free Pla- and computes the initial state at a system change. nar Mechanical Library [8], which is used here instead of the Modelica MultiBody library, since it is much simpler and works identically in both simulation programs. The complete model consists mainly of a Revolute joint defining the swinging motion, a selfmade Rope together with a trigger and a Body for the point mass (cf. Fig. 4). !

Figure 6: Rotating pendulum model (hybrid version)

To facilitate the implementation of the two systems a partial model SwitchableSystem has been deﬁned

that contains the state, the inputs and outputs and the triggering:

partial model SwitchableSystem parameter Integer N = 2 parameter Real[N] s0= {pi/4, 15}; RealInput[N] newState; ! BooleanInput active; RealOutput[N] sOut; Real[N] state(start=s0, each fixed=true, each stateSelect=StateSelect.always); Figure 5: Rope component equation when active then The central idea is found in the implementation of the reinit(state, pre(newState)); Rope (cf. Fig. 5): It is basically a Prismatic joint end when; which is controlled by a rod of fixed length that is at- sOut = if active then state else zeros(N); tached to a brake. According to the state of the brake end SwitchableSystem; the length of the joint is either fixed or freely variable, thus defining the swinging and falling states of the Then the implementation of a concrete system only pendulum. The RPTrigger component uses a stan- needs the definition of the state equations, usually in dard flipflop [4] to represent the state and changes it form of an ODE. But even a graphical approach is according to outward force and slack of the rope. possible: One starts with a new component that in- From a practical point of view the model works fine, herits from SwitchableSystem, thereby getting the but technically it is not a complete solution of the necessary input and output connectors automatically. benchmark: The transition from falling to swinging Inside the model one simply ignores these connec- state takes a short time due to the large, but finite force tors and constructs the system graphically with com- delivered by the brake. Presumably this could be fixed ponents from the MSL or other libraries (cf. Fig. 7). with an event-based brake, but this would destroy the charme of the model that consists almost entirely of Finally one adds a few lines of explicit Modelica code standard components. to identify the (inherited) state variable with corre- The second implementation takes a global approach: sponding variables from the graphical model. For the It consists of separate blocks for the two different sys- pendulum this is as simple as tem configurations and a SystemSwitch that alternatively activates one or the other system, depending on state[1] = pi/2 - revolute.phi; the state of the active system (cf. Fig. 6). The switch state[2] = -revolute.w;

200 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Implementing the Argesim C21 benchmark with Modelica components

"# ! % worked identically in both programs. Execution times were always small except for one notable example: The Shockley diode model DIshi1, which deﬁnes the characteristic as v(i), was about 100 times slower than

! the i(v) variant, when using MapleSim. This is proba-

bly due to a poor choice of the state variable. $ Another problem showed up only in MapleSim: When

running the hybrid version of the pendulum model using graphically constructed subsystems, the simulation stops immediately with the error message Figure 7: SwitchablePendulum component 'reinit' applied to an algebraic variable `Main.switchablePendulum\_1.state[2]`(t), The attribute stateSelect=StateSelect.always will have no effect of state guarantees that these variables will be used by the solver as the actual states. Obviously the solver did not use the state[2] vari- This model looks exactly like a hybrid decomposition able as a proper state variable. Since this is in conflict (cf. Fig. 13 of [1]) and for the purpose of construct- with the stateSelect attribute, it seems to be a bug. ing the model it really is one: Both submodels can be Much more interesting in the present context is the be- created independently and almost in the same way as haviour of the different “real-time” diodes: The vari- standalone systems. But formally this again is a maxi- ants using derivated equations for both phases ran in mal state space approach: The variables of an inactive both programs, whereas the versions with the equation system are simply ignored or their derivatives set to i=0in locking phase worked only in MapleSim. zero. In any case they always exist, enlarge the total Dymola stopped the simulation, when the first lock- state space and have to be computed always albeit triv- ing phase appeared, claiming to hit upon a singular ially. On the other hand Modelica compilers routinely linear system of equations. At this point the variable handle large systems with lots of trivial equations, so i changes from a state to an algebraic variable, which this should not be a large burden. might be the root of the problem. A very strange bug came up, when we tried to implement a pendulum that gets an additional kick (i. e. a 5 Differences between Dymola sudden change in angular velocity) as requested in [1]: and MapleSim models The first version contained several independent when- clauses with reinits. Dymola claimed this to be non- deterministic and combining two of the whens with All models have been tested with Dymola 2018 and elsewhen, in fact, did the trick and worked properly. MapleSim 2017.3 under Kubuntu 16.04. MapleSim But not with MapleSim: It always stopped with an in- uses an internal (non-Modelica) format to save the ternal error. To make it work one had to delete the models, but can import Modelica libraries. Therefore else-branch in all components have been collected in a Modelica library, which is identical for both programs. To make when {state[2] < 0, state[2] > 0} then this possible we couldn’t use the Modelica MultiBody if abs(psi) < psiEnd then library, because MapleSim uses its own proprietary awaitKick = true; version, which is incompatible with the Modelica else one. Fortunately the free Planar Mechanical Library awaitKick = false; [8] works in both programs and was sufficient here. end if; Furthermore it allows to access internal variables, end when; which was useful for some tests, but not possible with MapleSim’s MultiBody library. This is definitively a bug, but more interesting is what Except for the differences mentioned in the follow- happened after this strange workaround: The defec- ing and for minor numerical deviations all models tive model with independent whens runs properly,

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 201 Implementing the Argesim C21 benchmark with Modelica components

but after the elsewhen correction has been applied, it Acknowledgements misses the kick. This strongly suggests some errors deep in the event system. The authors are thankful to the Maplesoft Support for providing the basic idea of the rope model.

6 Conclusions References

[1] A. Körner, F. Breitenecker. State Events and The basic question is: Can one implement structure- Structural-dynamic Systems: Definition of AR- variable systems of different dimension in Modelica? GESIM Benchmark C21. Simulation Notes Eu- This is a hotly debated topic, and the answers given in rope, 26(2), pp. 117-122, 2016. the literature are quite different, e. g. [2] Modelica Association. ModelicaR - A Unified Object-Oriented Language for Systems Model- • “There is until now no possibility implemented to ing - Language Specification Version 3.4, April make graphical model switching for subsystems 10, 2017. Online: with different state space dimension.” [7] https://modelica.org/documents/ModelicaSpec34.pdf (called 2018-01-08). [3] H. Elmqvist, M. Otter, S. E. Mattsson. Funda- • “Even though ... the set of variables and the set mentals of Synchronous Control in Modelica. of equations is fixed over time, it is the case that Proc. 9th Int. Modelica Conf., Munich, pp. 15- conditional equations in hybrid DAEs can be ac- 26, 2012. tivated and deactivated...... Thus the active part of the hybrid DAE can be [4] P. Junglas. Pitfalls using discrete event blocks structurally dynamic, i.e., at run-time change the in Simulink and Modelica. Proc. ASIM Symp. number of active variables and equations in the STS/GMMS, Lippstadt, pp. 90-97, 2016. DAE.” [9]. [5] D. Zimmer. Enhancing Modelica towards Vari- able Structure Systems. Simulation News Eu- rope, 17(2), pp. 23–28, 2007. Even though the authors of the first quote are correct formally, the results presented here emphasize the [6] M. Otter, H. Elmqvist, J. Díaz López. Collision point of the second one. At least Modelica’s event sys- Handling for the Modelica MultiBody Library. tem is rich enough to provide working and interesting Proc. 4th Int. Modelica Conf., Hamburg, pp. 45- solutions to the tasks of the C21 benchmark, even if 53, 2005. one concentrates on graphical modelling. [7] G. Zauner, D. Leitner, F. Breitenecker. Mod- Nevertheless, the most straighforward way to imple- eling Structural - Dynamics Systems in MOD- ment the pendulum example - a DAE system us- ELICA/Dymola, MODELICA/Mosilab and Any- ing only cartesian coordinates - did not succeed in Logic. Simulation News Europe, 17(2), pp. any program, though it seems to be correct formally. 49–54, 2007. Whether this is a problem of Modelica itself or of the implementations, is an open question. [8] D. Zimmer. A Planar Mechanical Library for Teaching Modelica. Proc. 9th Int. Modelica Which concepts work and which do not can depend Conf., Munich, pp. 681-690, 2012. on the concrete implementing software. There will always be differences because of bugs, but some of [9] H. Lundvall, P. Fritzson, B. Bachmann. Event the problems seem to indicate that they are rather due Handling in the OpenModelica Compiler and to different interpretations of the exact semantics of Runtime System. Technical report, PELAB, the event system. For further progress on structure- Dept. Computer Science, Linköping University, variable systems in Modelica, this needs to be clarified 2008. in a precise manner.

202 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Regressionsmethoden zur Ersatzmodellbildung und analytischen Beschreibung von Erdstoffmodellen

Christian Richter1, Frank Will1, 1Stiftungsprofessur für Baumaschinen, Technische Universität Dresden [email protected]

Die numerische Simulation von Erdstoffen oder granularen Stoffen erfolgt oft mithilfe der Diskreten Ele- mente Methode (DEM). Ein bisher ungelöstes Problem der DEM besteht in der efﬁzienten und richtigen Be-stimmung der Kontaktmodellparameter. Oft wird dabei auf Kalibrierungsverfahren zurückgegriffen, welche die Parameter solange variieren, bis die Simulationsergebnisse hinreichend genau mit der Realität überein-stimmen. Aufgrund sehr langer Rechenzeiten soll die Gesamtanzahl notwendiger Simulationen dabei so ge-ring wie möglich gehalten werden. Eine Möglichkeit dies zu Erreichen ist der Aufbau von Ersatzmodellen. In der nachfolgenden Arbeit soll gezeigt werden, wie verschiedene Regressionstechniken zur Ersatzmodell-bildung genutzt werden können. Dabei soll besonders auf die symbolische Regression eingegangen werden. Bei dieser wird unter Nutzung der genetischen Programmierung nach einer analytischen Funktion gesucht, welche die Ergebnisdaten möglichst genau abbildet.

1 Einleitung Prozess mehrere Stunden bis Wochen dauern. Bisher wird für jedes zu untersuchende Material eine neue Kalibrierung durchgeführt. Ersatzmodelle, welche Ein wichtiger Bestandteil zur Auslegung von Bau- die Zusammenhänge zwischen den Modellparame- maschinen, wie Radlader oder Bagger, ist die richtige tern und Zielgrößen abbilden, können helfen diesen Abschätzung der während des Arbeitsprozesses Aufwand maßgeblich zu reduzieren. Im Rahmen entstehenden Kräfte und Momente. Diese wer- dieser Arbeit soll gezeigt werden, wie sokche Mod- den überwiegend durch die Interaktion mit Erdstof- elle mithilfe unterschiedlicher Regressionsmethoden fen (z.B. Kies, Sand, Lehm) verursacht. Für eine aufgebaut werden können. prospektive Analyse des Erdstoffverhaltens hat sich die Diskrete Elemente Methode (DEM) in den letzten Jahren immer mehr durchgesetzt. Bei dieser Methode handelt es sich um ein numerisches Berechnungsver- 2 Schüttgutsimulationen fahren, welches zur Simulation von Schüttgütern eingesetzt werden kann. 2.1 Diskrete Elemente Methode Um ein realitätsgetreues Verhalten des simulierten Materials zu erhalten, müssen vor Beginn der Die Diskrete Elemente Methode wurde erstmals von eigentlichen Simulation die richtigen Modellparam- Cundall und Strack [1] vorgestellt. Mithilfe dieser eter gewählt werden. Diese werden im Rah- Methode lassen sich die Bewegungen goßer Men- men eines aufwändigen Kalibrierungsprozesses er- gen diskreter, interagierender Objekte untersuchen. mittelt. Hierzu werden zunächst eine oder mehrere Als vereinfachte Modellvorstellung werden diese Ob- charakteristische Größen des zu untersuchen Mate- jekte dabei oftmals als ideale Kugeln abgebildet. rials in Laborversuchen festgestellt. Anschließend Zur Berechnung der entstehenden Kontaktkräfte sich wird der gleiche Versuch im Simulationsmodell abge- berührender Kugeln werden sogenannte Kontaktmod- bildet und die Modellparameter solange variiert bis elle verwendet. Ein einfaches und oft angewen- die Simulationsergebnisse mit den real gemessenen detes Kontaktmodell ist das lineare Kontaktmodell Größen übereinstimmen. Aufgrund der sehr lan- mit viskoser Dämpfung, welches in Abbildung 1 gen Rechenzeiten für DE-Rechnungen kann dieser dargestellt ist. Neben zwei Feder-Dämpfer-Paaren in

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 203 Nachteil dieser Vorgehensweise ist, dass sie für jedes zu untersuchende Material neu durchgeführt werden muss.

2.2 Schüttwinkelversuch

Der statische Schütt- oder auch Böschungswinkel, welcher sich aufgrund der innereren Reibungseigen- schaften des Materials ausbildet, gilt als charakteristische Größe für nicht-kohäsive Erdstoffe. Dieser kann mittels verschiedener Versuche gemessen werden, wobei sich je nach Versuchsanordnung ein anderer Winkel ergibt. Nachfolgend soll die Schüt- twinkelmessung mittels Scherboxversuch betrachtet werden, welche in Abbildung 2 dargestellt ist. Hierzu wird eine rechteckige Box mit dem Schüttgut gefüllt und anschließend eine seitliche Klappe geöffnet, so dass das Material ausﬂießen kann. Am Ende wird der Winkel α gemessen.

Abbildung 1: Lineares Kontakt Modell mit viskoser Dämp- fung (Quelle: [2])

Normal- und Tangentialrichtung, verfügt das Mod- ell über ein zusätzliches Element zur Beschreibung der Gleitreibung zwischen Partikeln und Oberflächen. Die abgebildeten Parameter kcn,kcs,cn,cs und μ werden als Kontaktmodell- oder Mikroparameter bezeichnet und haben wesentlichen Einfluss auf das Verhalten des simulierten Materials. Ein weiterer wichtiger Bestandteil vieler Kontaktmodelle, welcher in dieser Darstellung nicht abgebildet ist, aber trotz- dem genannt werden soll, ist die die Rollreibung μr. Die effiziente und eindeutige Bestimmung der richtigen Zahlenwerte für die einzelnen Parameter, in Ab- hängigkeit des zu untersuchenden Schüttguts, stellt eine der größten Herausforderungen und ein bis dato nicht vollständiges gelöstes Problem der DEM dar. Abbildung 2: Bestimmung des Schüttwinkels α mittels Eine weitverbreitete Methoden zur Parametrierung Scherboxversuch; Oben: Box zu Versuchsbeginn; Unten: α stellt die Nutzung von Kalibrierungsverfahren dar. Im Versuchsende mit Schüttwinkel Rahmen von kleinskaligen Laborversuchen werden hierbei zunächst charakteristische Größen des zu untersuchenden Materials ermittelt. Anschließend werden die gleichen Versuche virtuell abgebildet und mehrere Simulationen durchgeführt. Dabei werden 3 Ersatzmodellbildung die Kontaktmodellparameter solange mithilfe statis- tischer Methoden oder von Optimierungsalgorithmen Eine Simulation stellt immer eine Abbildung der Form →− →− →− variiert, bis die Simulationsergebnisse weitestgehend x → y dar, wobei x = {x1,x2,...,xN} mit N ∈ mit den realen Messwerten übereinstimmen. Ein N den Vektor der Simulations- und Modellparameter

204 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Regressionsmethoden zur Ersatzmodellbildung und analytischen Beschreibung von Erdstomodellen

→− darstellt und y = {y1,y2,...,yM} mit M ∈ N den Vek- earer Zusammenhang zwischen den einzelnen Param- tor der Simulationsergebnisse. etern und der Ergebnisgröße angenommen, welcher durch die folgende Gleichung beschrieben werden Ersatzmodelle, welche in der Literatur oftmals auch kann. als Metamodelle oder Surrogates bezeichnet werden, stellen ein vereinfachtes Modell dieser Abbil- yi = β01 + β1xi1 + β2xi2 + ···+ βNxiN + εi (1) dungsfunktion dar. Der Vorteil von Ersatzmodellen besteht darin, dass diese mit wesentlich weniger In Matrixschreibweise kann diese auch wie folgt Rechenaufwand berechnet werden können. notiert werden. →− →− Der generelle Ablauf einer Ersatzmodelbildung be- →− = β + ε ginnt immer mit der Generierung von Trainings- y X (2) daten. Hierzu wird zunächst eine Parametermatrix →− →− →− Dabei stellt ε einen Fehlerterm dar, welcher die Ab- X = { x , x ,..., x }, bestehend aus I ∈ N Param- 1 2 I weichungen vom Modell beinhaltet. Diese können aus etervektoren, gebildet und durch Simulationen die →− →− →− stochastischen Effekten oder statistischen Unsicher- zugehörige Ergebnismatrix Y = { y , y ,..., y ) er- 1 2 I heiten stammen. Ohne den Fehlerterm erhält man die mittelt. Die Anzahl und Definition der einzelnen Pa- folgende Schätzfunktion. rametervektoren ist dabei meist das Ergebnis einer statistischen Versuchsplanung. An dieser Stelle sei yî = β01 + β1xi1 + β2xi2 + ···+ βNxiN (3) darauf verwiesen, dass die meisten Ersatzmodelle nur den Zusammenhang zwischen den Parametern und Ziel der linearen Regression ist es nun eine Schätz- einer Ergebnisgröße abbilden. Die nachfolgenden Be- funktion die Koeffizienten β0 bis βN so zu bestim- trachtungen gehen deshalb von nur einer Ergbenis- men, dass die Summe der quadratischen Abweichun- größe aus. Bei der von M Ergebnissen müssten gen RSS (Residual Sum of Squares) 4, minimal wird. demzufolge M Ersatzmodelle gebildet werden. I 2 Anschließend beginnt die Trainingsphase, in der das RSS = ∑(yi − yî) (4) entsprechende Ersatzmodell mit den Trainingsdaten i=1 trainiert bzw. an diese angepasst wird. Nachdem dieser Prozess abgeschlossen ist, kann das Ersatzmod- Zur Identifikation eines Minimums wird generell ein →− Gradientenabstiegsverfahren genutzt. Auf die genaue ell genutzt werden um die Ergebnisse yˆ eines un- →−∗ Bestimmung der Koeffizienten wird unter anderem in bekannten Parametervektors x zu schätzen. [3] näher eingegangen. Mittlerweile existiert eine Vielzahl von Methoden und Verfahren, welche zur Ersatzmodellbildung eingesetzt werden können. Zu den bekanntesten Vertretern 3.2 Polynomiale Regression gehören Künstliche Neuronale Netze (KNN), Radiale Basis Funktionen (RBF), Kriging und Support Vec- Bei der Polynomialen Regression wird der Zusam- tor Machines (SVM). Ein Nachteil all dieser Meth- menhang zwischen den unabhängigen Variablen oden ist, dass die Anzahl der Daten, welche zum x0 ...xN und einer abhängigen Variablen y als Poly- Training der Modelle benötigt wird, meist sehr groß nom vom Grad K abgebildet. Diese sind allgemein ist. Eine Alternative, welche bereits mit weniger wie folgt definiert. Daten auskommt, sind die Regressionsmethoden auf =β + β (→− )+β (→− )2 + ···+ die nachfolgend näher eingegangen werden soll. yi 01 1b1 xi 2b2 xi (5) →− K βKbK( xi ) + εi 3.1 Lineare Regression →− →− →− →− Dabei stellen b 1( xi ) bis b K( xi ) die polynomialen Basisfunktionen dar. Für ein Polynom mit zwei Pa- Gegeben sei ein Datensatz bestehend aus einer Param- →− →− →− rametern a,b und einem Grad K = 2 wäre der Vektor etermatrix X = { x , x ,..., x } und einem zuge- →− 1 →−2 I b = {a,b,a2,b2,ab}. hörigen Ergebnisvektor y = {y ,y ,...,y }. Besteht →− 1 2 I jeder Parametervektor x i aus mehr als einer Vari- Bei genauer Betrachtung der Gleichungen 2 und able so wird dies auch als multiple Regressionsanalyse 5 wird ersichtlich, dass die Polynomiale Regres- bezeichnet. Bei der linearen Regression wird ein lin- sion in Wirklichkeit ebenfalls eine lineare Regression

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 205 →− k →− darstellt. So kann durch die Substitution xin = bk( xi ) βkbk( x ) mit geringem Einfluss identifiziert und eli- die Gleichung 5 in 2 überführt werden. miniert. Erreicht wird dieser Effekt durch eine L1- Regularisierung. Hierzu wird der zu minimierende Von entscheidender Bedeutung für die Güte der Ap- Fehler RSS wie folgt erweitert. proximation eines Ersatzmodells, basierend auf polynomialer Regression, ist die Wahl des Grades K. All- I N 2 gemein lässt sich sagen, je größer K, desto kleinere RSS = ∑(yi − yî) + λ ∑ |βn| (6) Unterschiede zwischen den einzelnen Datenpunkten i=1 n=0 können abgebildet werden. Allerdings besteht hierbei die Gefahr des sogenannten overfitting, was dazu führt Diese Erweiterung führt dazu, dass Terme mit kleinen dass neue Datenpunkte falsch berechnet werden. Bei β-Werten zu 0 werden. Über den Parameter λ kann zu kleinem K hingegen kann es zu einem underfitting dieser Effekt gesteurt werden. kommen. Beide Varianten sind exemplarisch in Ab- bildung 3 dargestellt. 3.4 Nichtlineare Regression

Bei den bisher betrachteten Regressionsmethoden ka- men nur Polynomielle Basisfunktionen der Form a · xk zum Einsatz. Viele funktionelle Zusammenhänge lassen sich damit nur schwer beschreiben, da sie einen periodischen Charakter besitzen bzw. einem loga- rithmischer oder exponentieller Trend unterliegen. In diesen Fällen kommt oftmals die nichtlineare Regres- sion zum Einsatz. Hierbei wird, ähnlich wie bei den bisherigen Verfahren, versucht die Koeffizienten bzw. Parameter einer parametrischen Funktion so zu bestimmen, dass ein Fehler zwischen den Schätzwerten und den realen Daten minimiert wird. Die Lösung des Minimierungsproblems erfolgt meist iterativ. Möglich Basisfunktionen sind zum Beispiel a·sin(x), a·cos(x), a · ex oder a · log(x). Neben der Verwendung anderer Basisfunktionen erlaubt die nichtlineare Regression auch die Verwendung anderer Operatoren zwischen den einzelnen Termen. Ein Nachteil der nichtlinearen Regression ist der Umstand das a priori eine parametrische Funktion definiert werden muss, für welche die notwendigen Parameter bestimmt werden. Oftmals ist diese Funk- tion unbekannt, so dass der Benutzer diese durch In- terpretation des bekannten Systemverhaltens und auf Basis seiner Erfahrungswerte definieren muss. Dies Abbildung 3: Auswirkungen des Grad K bei Polynomialer ist einer der Hauptgründe weshalb die nichtlineare Re- Regression gression selten zur Anwendung kommt.

3.5 Symbolische Regression 3.3 LASSO Regression Die symbolische Regression (SR) ist so etwas wie die Die LASSO Regression (Least Absolute Shrinkage „Königsklasse“ unter den Regressionstechniken. Das and Selection Operator) stellt eine Art Erweiterung Ziel der symbolischen Regression ist es eine analytis- oder auch Verbesserung der Polynomialen Regres- che Gleichung zu identiﬁzieren, welche die gegebe- sion dar. Hierbei werden die Linearkoefﬁzienten nen Daten möglichst genau abbildet. Das bedeutet,

206 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Regressionsmethoden zur Ersatzmodellbildung und analytischen Beschreibung von Erdstomodellen

im Gegensatz zur nichtlinearen Regression muss eine an natürliche Evolutionsprozesse angelehnt. Das be- analytische Funktion nicht a priori definiert werden, deutet, im weiteren Verlauf werden die einzelnen sondern wird durch das Verfahren selbst ermittelt. Bäume mittels Selektion, Rekombination und Muta- Wie bereits in [4] und [5] gezeigt ist die symbolische tion immer wieder verändert um den Fehler zwischen Regression in der Lage analytisch Zuammenhänge in den berechneten Daten und den Referenzdaten zu ver- Datensätzen zu entdecken und so universelle Naturge- ringern. Der Baum bzw. die Funktion mit dem besten setze aufzustellen. Fitnesswert wird als Ersatzmodell verwendet. Um eine symbolische Regression durchzuführen existieren grundsätzlich zwei Ansätze. Der erste, welcher an dieser Stelle nur genannt werden soll, 4 Anwendungsbeispiel ist die Proritized Grammar Enumeration (PGE) [6]. Weiter verbreitet ist die Lösung mittels Genetischer Zur näheren Untersuchung der einzelnen Regression- Programmierung (GP). stechniken wurde die oben beschriebene Scherbox- Grundgedanke der genetischen Programmierung ist, Simulation 100-mal durchgeführt. Dabei wurden der μ dass Funktionen als Baumstrukturen dargestellt wer- im Kontaktmodell definierte Reibungskoeffizient , μ den können. Die Operatoren und Basisfunktionen sowie der Rollreibungskoeffizient r variiert. An- einer Gleichung bilden dabei die Knoten des Baumes schließend wurden die Daten in einen Trainings- , und die Parameter und Variablen die Blätter. Ein und einen Testdatensatz (67% 33%) aufgeteilt und Beispiel für eine solche Baumstruktur ist in Abbil- jeweils ein Ersatzmodell mittels Polynomialer Re- = = dung 4 dargestellt. gression (K 8), LASSO Regression (K 8) und symbolischer Regression aufgebaut. Die mittels SR identifizierte analytische Gleichung zur Beschreibung + des Schüttwinkels α, in Abhängigkeit der Parameter, lautet wie folgt. - · μ2(μ2 − ) − . μ − . μ r 1 0 8 1 4 r α(μ, μr)= μμr (7) a / c cos + μ2( μ + μ )+ · (μ )+ . r 3 r 2 log r 42 7

Die drei Regressionsmodelle mit den Trainingsdaten x b y sind in Abbildung 5 dargestellt. Es ist zu erkennen, dass die Polynomiale Regression besonders in den x a − +(c · cos(y)) unbekannten Randbereichen des Parameterraumes ein b sehr unstetiges Verhalten aufweist. Im Gegensatz dazu besitzt die Schätzfunktion des LASSO Modells Abbildung 4: Darstellung einer Funktion als Baumstruktur in den Randbereichen einen äußerst "glatten" und gle- ichmäßigen Charakter. Dennoch ist auch hier das Ex- Zu Beginn einer symbolischen Regression werden trapolationsverhalten unzureichend. Dies zeigt sich daran, dass im Parameterursprung bei μ = 0, μr = 0 zunächst J verschiedene Funktionsbäume zufällig ◦ generiert. Dabei dürfen nur Operatoren, Variablen ein Schüttwinkel von über 20 geschätzt wird. Dies kann nicht sein, da sich bei keinerlei Reibungsver- oder Basisfunktionen aus einer zuvor deﬁnierten ◦ Menge verwendet werden. Die maximale Baumgröße, hältnissen ein theoretischer Winkel von 0 einstellt. sowie die Länge bestimmter Äste kann über Parame- Das analytische Modell weist hier ein besseres Ex- ter gesteuert werden. Nachdem die einzelnen Bäume trapolationsverhalten auf und ist nach subjektiver Ein- erzeugt wurden, werden sie evaluiert. Das bedeutet schätzung den anderen beiden Modellen überlegen. jede Funktion wird auf die Eingangsdaten X angewen- Zur objektiven Bewertung der einzelnen Modelle →− →− det und die Ergebnisse yˆ mit den realen Werten y wurde anhand der Testdaten der Determinationskoef- verglichen. Mithilfe des ermittelten Fehlers kann je- ﬁzient R2 für jedes Modell ermittelt. Dieser berechnet dem Baum ein Fitnesswert zugeordnet werden. Als sich gemäß Gleichung 8 und ist eine wichtige Kenn- Unterklasse der Evolutionären Algorithmen, sind die zahl zur Abschätzung der Anpassungsgüte eines Re- meisten Konzepte der genetischen Programmierung gressionsmodells. Die Ergebnisse sind in Tabelle 1

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 207 Ersatzmodell R2 Polynomial Reression 0.9055 LASSO Regression 0.9757 Symbolic Regression 0.9744

Tabelle 1: Determinationskoefﬁzient R2 der Ersatzmodelle

wenig untersuchte, aber vielversprechende Methode stellt die symbolische Regression dar. Diese ist in der Lage analytische Funktionen zu bilden, welche Sim- ulationsingenieuren später als Hilfestellung bei der Modellparametrierung dienen können.

References

[1] P. Cundall, O.D.L. Strack. A discrete numerical model for granular assemblies. geotechnique 29.1, pp. 47-65, 1979 [2] C.J. Coetzee. Calibration of the discrete element method and the effect of particle shape. Powder Technology, p. 50-70, 2016 [3] A. Nealen. An As-Short-As-Possible In- Abbildung 5: Ersatzmodelle zur Schüttwinkelberechnung troduction to the Least Squares, Weighted Least Squares and Moving Least Squares Methods for Scattered Data Approx- aufgelistet. Der Wert für das Polynomiale Modell imation and Interpolation. Online: ist dabei am geringsten, während die anderen beiden , Werte in etwa gleich sind. 130(150), p. 25, 2004

I ( − )2 [4] M. Schmidt, H. Lipson. Distilling Free-Form 2 ∑i=1 yˆi y¯ R = (8) Natural Laws from Experimental Data. Science ∑I (y − y¯)2 i=1 i Journal, 324, pp.81-85 ,2009 [5] M. Schmidt, H. Lipson. Symbolic Regression of Implicit Equations. Genetic Programming The- ory and Practice VII, Springer US, pp. 73-85, 5 Zusammenfassung 2010

Der Einsatz von unterschiedlichen Regressionstech- [6] A. Worm. Prioritized Grammar Enumeration niken eignet sich zum Aufbau von Ersatzmodellen für A novel method for symbolic regression. Diss. rechenintensive Simulationen. So kann zum Beispiel State University of New York at Binghamton, der Kalibrierungsaufwand von Schüttgutsimulationen 2016 mittels DEM wesentlich reduziert werden. Ein bisher

208 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Simulation der automatisierten Schaufelbefüllung eines Radladers mit Modelica Volker Waurich, Prof. Frank Will Stiftungsprofessur für Baumaschinen, TU Dresden [email protected]

Die Entwicklung von Simulationsmodellen für automatisierte Erdbewegungsmaschinen umfasst sowohl das Maschinensystem, als auch das Modell des Prozesses. Während die Modellierungs- sprache Modelica ideal für die Beschreibung von mechatronischen Systemen geeignet ist, erfordert die Maschinen-Boden-Interaktion jedoch spezifische Lösungen, welche in Modelica über externe C-Schnittstellen realisiert werden können. Am Beispiel eines automatisierten Radladers, wird der Werkzeugeingriff beim Einfahren in ein Haufwerk simuliert. Die Maschine ist dabei mit Standard-Modelica Komponenten aufgebaut. Um eine effiziente Berechnung der Reaktionskräfte des Werkzeugeingriffs im Schüttgut zu erzielen, wurde das analytische Grabkraftmodell als externe C-Bibliothek umgesetzt. Des Weiteren ist die Erkennung einer dreidimensionalen Umge- bung elementar für die Auslegung eines automatisierten Fahr- und Arbeitsprozesses. Solch eine Umgebungserkennung wird über eine Kopplung zu einer 3D-Spiele-Engine realisiert. Ein virtueller Sensor übermittelt Messgrößen an das Maschinenmodell und bildet so ein reales Umge- bungssensoriksystem simulativ ab. Für die Pfadplanung bei der automatisierten Schaufelbefül- lung wird ein zeitlich-diskreter Zustandsautomat genutzt, welcher mit dem neuem Modelica- Sprachstandard verfügbar wurde.

#$ Dabei wird der Vorschub über den Allradantrieb und eine Hub- sowie eine Kippbewegung der Schaufel Der Einsatzbereich von mobilen Erdbewegungsma- über Hydraulikzylinder realisiert. Abbildung 1 zeigt schinen, wie beispielsweise Radladern, ist äußerst viel- die externen Lasten eines Radladers bei der Einfahrt in fältig. Neben Fahr- und Transportaufgaben werden vor das Haufwerk Die Hydraulikzylinder üben die Kräfte allem Gewinnungsvorgänge von unterschiedlichen F_tilt und F_lift auf die Arbeitsausrüstung aus. Der Schüttgütern realisiert. Ein effizienter Betrieb wird Vorschub wird über das Antriebsdrehmoment T_drive maßgeblich durch den Fahrzeugführer bestimmt. Da- am Rad erzeugt, welches sich auf dem Boden abstützt her bietet die Automation von einzelnen Arbeitspro- und die Gegenkraft F_trac kompensiert. Die Prozess- zessen großes Potenzial zur Effizienz-und Produktivi- last F_dig ist eine zusammengesetzte Kraft aus tätssteigerung. Schnittkraft, Reibungskraft, Gewichtskraft und Kohä- 1.1 Automation eines Radladers sionskraft [3]. Als Beispielanwendung wird die automatisierte Schaufelbefüllung mit einem Radlader aus einem Haufwerk mit homogenem, feinkörnigem Schüttgut betrachtet. Für einen effizienten Arbeitsvorgang sind diverse Faktoren zu beachten, wie Energieverbrauch, technologische Leistung (geladene Masse pro Zeit), Verschleiß und Arbeitssicherheit. Während eines Ar- beitsspiels muss der Radlader in das Haufwerk einfahren, mit der Werkzeugschneide das Material lösen, die Abbildung 1 Externe Lasten am Radlader während ei- Schaufel befüllen und aus dem Haufen herausfahren. ner Haufeneinfahrt

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 209

Entscheidend für einen energieeffizienten Prozess ist wand der Prozesslogik verfügbar gemacht werden. An- die Trajektorie durch das Schüttgut. Die Reibung am ders ist es bei der virtuellen Abbildung einer Hauf- Werkzeug und im Erdstoff sowie die Bewegung des werkserkennung. Auf der realen Maschine soll ein 3D- Schüttguts durch den Haufen sind maßgeblich für den Lidar-Sensor zur Erkennung der Haufwerkoberfläche Energieverbrauch. Je nach Schnittbewegung variiert eingesetzt werden. Dieser erzeugt große Datenmen- die geladene Masse. Weiterhin ist zu betrachten, dass gen, deren Auswertung nicht trivial ist. Somit darf die- der Schlupf an den Rädern nicht zu groß wird um unser Aspekt des Systementwurfs nicht vernachlässigt nötigen Verschleiß zu vermeiden. Dementsprechend werden, sondern muss Teil des Modells sein. Bisher existieren verschiedene Strategien um die Schnittfüh- haben Modelica-Werkzeuge keine native Unterstüt- rung durch den Haufen zu gestalten [1]. Als guter An- zung zur komplexen 3D-Modellierung. Als Ausweg haltswert ist der „slicing cheese“ Ansatz gewählt wur- wurde eine detaillierte 3D-Szene in der Spieleentwick- den. Dabei wird versucht mit einer konstanten Spandi- lungsumgebung Unity entworfen und ein virtueller Li- cke das Material von Einstechhöhe bis Aushubhöhe dar-Sensor implementiert. Dadurch kann die Prozess- kontinuierlich aufzunehmen. Bei diesem Ansatz bleibt steuerung auf eine simulierte Umgebung zurückgrei- die Eindringtiefe konstant und die Schnittkraft mög- fen. Der Ablaufplan zur Prozesssteuerung selbst wurde lichst gering. Zudem wird wenig Erde durch das Hauf- ebenfalls in Modelica umgesetzt. Abbildung 2 stellt werk transportiert. die Komponenten des Simulationsmodells dar.

1.2 Modellierungswerkzeug Objektorientierte, gleichungsbasierte Modellierungs- sprachen wie Modelica [2] sind sehr gut geeignet um Multidomänenmodelle abzubilden. Auch die hydrauli- schen und mechanischen Subsysteme von mobilen Ar- beitsmaschinen wie Radlader oder Bagger lassen sich hinreichend gut abbilden und simulieren. Um Funkti- onalität und Systemverhalten im konkreten Einsatzfall zu untersuchen, wird weiterhin ein Prozessmodell be- Abbildung 2 Modellkomponenten nötigt, welches auf das Maschinenmodel rückwirkt und eine Prozesssteuerung, welche in der Realität durch den Bediener erfolgt. Das Prozessmodell kann !$" $&!" ebenfalls als kontinuierliches, gleichungsbasiertes Im Gegensatz zum Maschinenmodell, bei dem Ele- Modell in Modelica formuliert werden. Zur Abbildung mente der Modelica-Standardbibliothek sowie einer der Prozessstrategie wurde ein Zustandsautomat ent- Hydraulikbibliothek grafisch verknüpft werden, wird wickelt, was seit dem Sprachstandard 3.3 auch in Mo- das Erdstoffverhalten rein algorithmisch formuliert. delica möglich ist. Als Simulationsumgebung wurde Eine Anforderung ist, dass beim Einstechen in das der freie Modelica-Compiler OpenModelica genutzt. Haufwerk Material in die Schaufel transportiert wird und diese geometrische Änderung während der Simu- # lation bestehen bleibt. Aus der Literatur bekannte Grabkraftmodelle [3] sind zweidimensional, weswe- Ziel der Simulation ist der Entwurf einer Prozesssteu- gen der Haufen ebenfalls in 2D modelliert wird, wobei erung für die automatisierte Schaufelbefüllung. Aus- die Haufwerksebene der Mittelebene der Schaufel ent- gangspunkt ist das domänenübergreifende Modell von spricht. Die Oberflächenkontur des Haufens wird Maschine und Prozess. Die Steuerung der Maschine durch diskrete Punkte definiert, welche die Hauf- wird von einer Regelstrategie übernommen. Diese er- werksabschnitte begrenzen. Sobald die Schneide der hält Informationen über den Maschinenzustand und Schaufel einen neuen Haufwerksabschnitt unterhalb über die Geometrie des Haufwerks und errechnet dar- der Oberflächenkontur passiert, kann die Eindringtiefe aus die Vorgaben für die Aktorik. Virtuelle Sensoren aus der Differenz zwischen Schneidenposition und zur Geschwindigkeitsermittlung sind einfach imple- Oberflächenpunkt berechnet werden, um die Schnitt- mentiert (Wobei zu beachten ist, dass die Messung ei- kraft zu bestimmen. Verlässt die Schneide den Hauf- ner Absolutgeschwindigkeit in Realität zusätzliche werksabschnitt, wird der Oberflächenpunkt auf Messtechnik erfordert) und können ohne großen Auf- Schneidenposition verschoben und das überstrichene

210 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Volumen der geladenen Masse zugeschlagen. Abbil- Umgebung im dreidimensionalen Raum ist für auto- dung 3 zeigt eine Visualisierung des Haufenmodells matisierte, mobile Maschinen zwingend erforderlich. mit einer Schaufel im Eingriff. Die Markierung im Die Modellierung umfangreicher 3D-Umgebungen ist Haufwerk stellt die Sollgrößen für den Schnittverlauf aber nur mit großem Aufwand in Modelica-Simulati- dar. onssoftware möglich. Zur Kopplung von 3D-Umge- bung und Maschinenmodell wurde deshalb eine Schnittstelle zur Spieleengine Unity implementiert. Unity bietet die Möglichkeit umfangreiche, dreidimen- sionale Umgebungen zu visualisieren. Abbildung 4 stellt dar, wie diese Umgebungsinformationen in Mo- delica genutzt werden können.

Abbildung 3 Diskretes Haufwerksmodell mit persisten- tem Volumen. Die Markierungen zeigen die Soll- schnittkontur an. Abbildung 4 links: Modelica-Modell des Radladers mit gemessenen Haufwerkspunkten. Rechts: 3D-Szene in Das persistente Volumenverhalten ist zeitlich diskret, unity mit virtuellem Abstandssensor. was bedeutet, dass beim Eintritt in ein neues Haufen- segment ein state-event ausgelöst wird. State-events Der Datenaustausch wird über UDP-Verbindungen erfordern eine Nullstellensuche und sind somit nicht realisiert. Das Maschinenmodell übermittelt die aktu- echtzeitfähig und performant. Eine kontinuierliche elle Pose des Sensorelements an Unity. Ein gameOb- Modellierung unter Nutzung der Eindringtiefe und ject wird dementsprechend in der Szene bewegt. Die- gleichzeitiger Verschiebung der Oberfläche ist nicht ses Game-Object ist in der Lage über sogenannte ra- möglich, da Modelica solch ein Verhalten in der kon- ycast-Funktionen, den Abstand zum Terrain in einer tinuierlichen Zeitdomäne nicht erlaubt. Dies ist auch angegebenen Richtung zu ermitteln: als „Online-Minimum Problem“ bekannt [4]. Als Al- ternative bietet sich die Modellierung als externe C- Funktion an. Dazu wird ein C-Objekt mit den Ober- flächenpunkten angelegt. Das C-Objekt gibt die Schnitttiefe zurück und manipuliert die Haufwerks- Code 1. Raycast-Befehl in unity kontur ohne ein state-event auszulösen. Dies führt zu einer 2.5-fachen Laufzeitverbesserung im Vergleich Die Raycast-Messungen können über einen Winkel- zum zeitlich diskreten Ansatz. Als Einschränkung für bereich wiederholt werden um so einen 2D- bzw. 3D- den gewählten Ansatz bleibt jedoch, dass kein nume- Lidar abzubilden. Die gemessenen Abstandswerte rischer Zeitintegrator genutzt werden darf, welcher werden anschließend wieder über UDP-Nachrichten Zeitschritte verwirft, da invalide Zeitschritte nicht im an das Modelica-Modell geschickt. Zur Visualisier- externen C-Objekt erkannt werden können. Somit be- ung der erhaltenen Daten wurden in Abbildung 4 die steht nur noch die Möglichkeit Löser mit fester Strahlen mit blauen Pfeilen dargestellt und das Schrittweite zu nutzen. zugehörige Höhenprofil mit roten Quadern. Der Messbereich des virtuellen Lidars lässt sich beliebig !#$$""" ! parametrisieren, wodurch auch reale Lidarsysteme Um mit einem Simulationsmodell zu experimentieren, virtuell abgegbildet werden können. Am Beispiel müssen Randbedingungen festgelegt werden. Für die eines Velodyne VLP16 [5] wurde ein virtueller Sen- sor implementiert, welcher die Messergebnisse im Bewertung des Systemverhaltens in verschiedenen Be- original Velodyne-Datenformat via UDP verschickt. triebszuständen sind meist skalare Randbedingungen Für Hardware-in-the-Loop Anwendungen kann somit mit konstantem oder zeitlich variablen Zeitverhalten ein authentisches Sensorsignal eingebunden werden, ausreichend. Für Simulation von automatisierten Fahr- welches von einer virtuellen 3D-Umgebung erzeugt funktionen oder autonomen Fahrzeugen sind die Rand- wird. Abbildung 5 zeigt eine Unity-Szene im bedingungen jedoch komplexer. Die Erkennung der Echtzeit-Viewer VeloView[6].

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 211

Zu sehen sind drei Zustände: driving, entering, filled, welche über Transitionen miteinander vebunden sind. Im driving-state beschleunigt der Radlader bis zu einer gewählten Geschwindigkeit. Die Schaufel befindet sich dabei auf dem Untergrund. Der Abstand zum Haufen wird kontinuierlich gemessen. Tritt die Schaufel in den Haufen ein, so wird die Schaufel entlang einer errechneten Schnittkontur geführt. Die überstrichene Haufenfläche gibt Anhaltswerte über den Füllgrad der Schaufel. Dieser Wert wird genutzt,.um die Transition in den Zustand filled ein- zuleiten. Dabei wird die Schaufel angekippt und der Radlader fährt rückwärts aus dem Haufen. Damit ist der Ladevorgang abgeschlossen.

'#$ $" Systemsimulation ist ein geeignetes Werkzeug um die Funktionsweise von Maschinen abzubilden und zu un- Abbildung 5 oben: 3D-Umgebung in unity mit virtuel- tersuchen. Für die Entwicklung von automatisierten lem 3D-Lidar, unten: Visualisierung der virtuellen Funktionen, Prozessinteraktion und Umgebungserken- Sensordaten in VeloView nung muss das Systemsimulationsmodell um neue Funktionalitäten ergänzt werden. Dazu gehören bei- ! '"""#!# spielsweise Prozessmodelle als externe C-Implemen- Das Simulationsmodell ist in der Lage, die Maschine tierung und die Interaktion mit komplexen Umge- im Arbeitsprozess abzubilden und die Arbeitsumge- bungsszenarien über Netzwerkverbindungen. Für die bung zu erkennen. Unter diesen Vorraussetzungen ist Modellierung von Prozessabläufen und Steuerlogik, es möglich, einen Algorithmus zur automatisierten erlaubt der aktuelle Modelica-Sprachstandard die Be- Schaufelbefüllung modellbasiert zu entwickeln. Für schreibung von Zustandsautomaten. die Strukturierung dieser Prozessstrategie bietet sich ein Zustandsautomat an. Seit dem Modelica Zukünftig müssen die Entwicklungswerkzeuge den Sprachstandard 3.3. sind sowohl zeitlich getaktete Sys- Anforderungen bei der Entwicklung autonomer Ma- teme als auch diskrete Zustandsautomaten mit der schinen nachkommen. Das umfasst die einfache Inter- Modelicasprache nativ abbildbar. Abbildung 6 zeigt aktion mit anderen Simulationsumgebungen (bspw. wie ein Zustandsautomat im OpenModelica-Editor virtuelle Sensoren) und Hardware (HiL) über einsatz- dargestellt wird. nahe Protokolle (bspw. CAN, UDP). Mit definierten Schnittstellen und geeigneten Modellbibliotheken lässt sich so die Entwicklungszeit weiter verkürzen.

(!!%!! Diese Maßnahme wird mitfinanziert mit Steuermit- teln auf Grundlage des von den Abgeordneten des Sächsischen Landtags beschlossenen Haushalts.

!" [1] Filla R. und Frank B. Towards Finding the Op- timal Bucket Filling Strategy through Simula- tion, Proceedings The 15th Scandinavian Inter- national Conference on Fluid Power, SICFP’17, 2017

Abbildung 6 Graphische Darstellung eines Zustandsau- tomaten in Modelica

212 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

[2] Modelica Association, Modelica® -A Unified Object-Oriented Language for Systems Mode- ling Language Specification Version 3.4 Ver- fügbar unter: https://www.modelica.org/documents/ModelicaSpec34.pdf [05.01.2018] [3] Kunze G. und Göhring H. und Jacob K. Bau- maschinen, Vieweg Verlag, Deutschland, 2002 [4] Beutlich T. Experiments and an FMI Idea on the Online-Minimum Problem, Verfügbar unter:http://www.modelisax.de/wp-content/uplo- ads/2013/06/Modelica_FMI_Last.pdf, [05.01.2018] [5] Velodyne: http://velodynelidar.com/vlp- 16.html,[11.01.2018] [6] Kitware: https://github.com/Kitware/VeloView, [11.01.2018]

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 213 214 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Modeling and Simulation Based Development of Autonomy Features for Drones

Shihui Chen1, Umut Durak1,2, Sven Hartmann2 1TU Clausthal, Institute of Informatics 2German Aerospace Center (DLR), Institute of Flight Systems [email protected]

Abstract: In the last decade, more and more aerial robotics researchers show interests in developing autonomy features for drones to solve problems in different areas. But the development of autonomy features is complex and labor intensive. Accordingly, Model-based design and simulation-based verification is becoming an industry standard in development of autonomous airborne systems. This we call modeling and simulation-based development. However, commercial model-based design and simulation tools and supporting testing environments require a considerable amount of investment. In oder to provide a more economic and efficient solution, this paper investigates a pipeline for modeling and simulation-based development of autonomy features for drones using open source software and hardware stacks. In this context, a generic drone architecture is being designed based on open source hardware platforms, namely CC3D and Raspberry Pi. In the software stack, LibrePilot, an open source software suite to control multicopters is extended to support the designed architecture. The design of the autonomy features is developed using the model-based design in Scilab/Xcos. Xcos Re-useable and Customizable Code Generator is utilized for automatic code generation. The software stack will also include a generic plant model. The workflow starts from autonomy feature modeling and ends with flight testing through Model-in-the-Loop (MiL) testing, Software-in-the-Loop (SiL) testing, target deployment, Hardware-in-the-Loop (HiL) testing. The approach is demonstrated with a simple case study about an autonomous landing feature.

1 Introduction portant. It is regarded as a method to structure the algorithms for creating functionalities. Figure 1 depicts the a general autonomy architecture [15] for UAS. 1.1 Overview

An aircraft without a human pilot aboard is called an unmanned aerial vehicle (UAV), commonly known as a drone. A UAV is regarded as an essential part of an unmanned aircraft system (UAS). The other parts of the system are ground control system (GCS) and the communication system between the UAV and GCS. The usage of UAS has increased sharply in the recent years. Varies researchers have developed different autonomy features of drones to solve problems in many ﬁelds, such as health care emergency response. Es- pecially in some dangerous situations, UAS that in- corporate a high level of autonomy has the ability to accomplish the missions more efﬁciently without risk- ing lives. Figure 1: General autonomy architecture for UAS (Adapted The architecture of autonomous systems is very im- from [15]).

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 215 Modeling and Simulation Based Development of Autonomy Features for Drones

The low-level architecture implements the basic func- applied to identify dynamic characteristics of the sys- tions like navigation and control algorithms that keep tem. According to those characteristics, a control the UAV stable in the air and listen to commands from algorithm that can be executed under the condition the high level. In this paper, the low-level architecture which the physical processes are controllable is de- is realized using OpenPilot CC3D controller [5]. rived and a suitable controller is chosen. The controller has two levels, the supervisory control that de- Clough [4] and Merz [13] have elaborated the dif- termines the mode transition structure and the low- ference among automatic, autonomous and intelligent level control that decides the time-based inputs to the systems. An automatic system will exactly do as the plant [12]. For UAS, low-level controller corresponds programmings say while an autonomous system has to low-level architecture and supervisory control is a the capabilities to make decisions for achieving the part of high-level architecture. missions. An intelligent system can do whatever an autonomous system does and it can produce the goals To verify the system flexibility, we use simulation- by its own motivations without any instructions and based verification. Each unit and subsystem should be influence from the outside world. In this paper, sys- tested and finally achieve a Model in-the-Loop (MiL) tem development towards autonomous drones will be testing. Then it leads to Code Generation (CG) [7]. discussed. Software in-the-Loop (SiL) testing follows CG to verify the generated code by checking its conformance to the model. Then it comes to the Hardware in-the- 1.2 Modeling and Simulation-based De- Loop (HiL) testing where the generate code is tested velopment using the target hardware.

Model-based design [8] and simulation-based veriﬁ- cation are becoming an industry standard in development of autonomous airborne systems. This we call 2 Autonomy Feature Develop- modeling and simulation-based development (Figure ment Pipeline 2). 2.1 Architecture

This paper aims at proposing a process to enable developing complex autonomy features for drones by using open source software and hardware.

Figure 2: Modeling and simulation based development.

A plant [9] is often desired with a transfer function which indicates the relation between the input signals and the output signals of a system without feedback, commonly determined by physical properties of the system. Usually a plant model is identified by collect- ing and processing raw data from the real world. We could define the plant model by using mathematical equations or creating a block diagram model that im- Figure 3: Testbed architecture. plements known differential-algebraic equations gov- erning plant dynamics. This is called plant modeling. In this paper, regarding their availability, accessibil- The mathematical model conceived from the plant is ity, cost and flexibility, 250mm class racing drones

216 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Modeling and Simulation Based Development of Autonomy Features for Drones

are used as testbeds. Figure 3 illustrates the testbed applications like vehicle control and stabilization, un- architecture. CC3D running the LibrePilot firmware manned autonomous vehicles and robotics. is utilized as the Flight Controller (FC). In the nor- LibrePilot includes hardware and software elements mal mode, users can give command to the Remote (Figure 4). In the hardware side, UAV is manly con- Controller (RC) to control the drone. Once the flight trolled by a RC called transmitter. The transmitter has mode is switched to experiment mode, Raspberry Pi a paired receiver for signal receiving. This receiver 3, the target hardware platform of the testbed, will also connects with the FC and directly control the ac- take charge of the controlling while the RC will be tuators. The role of FC is to interpret the control com- disabled. Scilab/Xcos will be utilized as the model- mand from RC and runs control algorithm and flight based design and simulation environment. Xcos Re- code on the aircraft. If FC is connected to PC where useable and Customizable Code Generator1 is used runs LibrePilot Ground Control Station (GCS), users for generating Scilab scripts from Xcos model. For are able to monitor and log flight telemetry data of the use case, the generated Scilab script for the au- their vehicle in a real-time environment. This is the tonomous landing feature is deployed to Raspberry Pi software system of LibrePilot which includes GCS 3. It gets data from ultrasonic distance sensor and software and flight firmware. The flight firmware is CC3D controller, computes the next command and implemented in C and C++ using the FreeRTOS [1] send it to CC3D controller as the new command. The embedded real time operating system and typically communication between Raspberry Pi 3 and CC3D runs on ARM architecture micro controllers. The is physically established by Universal Asynchronous communication between GCS and FC is implemented Receiver/Transmitter (UART) interface where Sci-Py via UAVTalk protocol. [11] is used to execute Scilab scripts on target platform through. Related Python libraries are used for interface implementations. UART can control the series device that attached to the computer interface. It provides the computer with the RS-232C Data Termi- nal Equipment (DTE) interface so that it can "talk" to and exchange data with modems and other serial devices.

2.2 Open source Software and Hardware Stacks Figure 4: Elements of LibrePilot (adapted from [6]). Scilab/Xcos Scilab [3] is a open source software for numerical computation providing a powerful computing environment for engineering and scientific appli- UAVTalk is a highly efficient, extremely flexible and cations. It is a platform to be utilized for model simu- completely open binary protocol designed specifically lation, loading, design, saving and compilation using for communication with UAVs [6]. It implements the a graphic editor called Xcos. Xcos has some core fea- low level communication between the GCS and the tures like standards palettes and blocks, model build- autopilot. It acts as a transportation tool for the data ing and modification, model customization and sim- structures defined by the UAVObjects, a data con- ulation. For some special requirement blocks which tainer written in XML format for all of the teleme- are not provided in the Xcos palette browser, users try data. This protocol does not need to know the de- can create their own module by toolbox skeleton to tails of the data structure, its mission is to send byte achieve the specific goals. arrays and routing received byte arrays to specified object for dealing with the data. For example, all of the RC commands are stored in an UAVObject called 2 LibrePilot LibrePilot is an open source research ManualControlCommand. Meanwhile, the states of project which focuses on research and development the vehicle can be easily accessed from UAVObjects of software and hardware to be utilized for different including accelerate states and attitude states. This is 1https://forge.scilab.org/index.php/p/xcos-code-generator/ also the way to establish the communication between 2https://www.librepilot.org CC3D and Raspberry Pi 3.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 217 Modeling and Simulation Based Development of Autonomy Features for Drones

Figure 5: Hardware connection diagram.

Raspberry Pi Integration Raspberry Pi [14], series self . objMan . AttitudeState .metadata . telemetryUpdateMode = UAVMetaDataObject . UpdateMode .PERIODIC of small single-board computers, could be equipped self . objMan . AttitudeState .metadata . telemetryUpdatePeriod . value = 50 self . objMan . AttitudeState .metadata . updated () with operating system. Raspberry Pi 3 Model B is ... Yaw = self . objMan . AttitudeState .Yaw. value the third generation of Raspberry Pi family. It has the Pitch = self . objMan . AttitudeState . Pitch . value quad core 64bit CPU that has the best performance. Roll = self .objMan . AttitudeState .Roll. value To physically connect Raspberry Pi and CC3D, we Until here, all of the open source hardwares are inte- use the main port of CC3D which can be configured grated together for data communication between the as a serial port and GPIO pin module of Raspberry Raspberry Pi 3 and the CC3D. Pi as it shown in Figure 5. Moreover, To achieve an autonomous system, we utilize an ultrasonic distance sensor to measure distance between the drone and the at ground. An ultrasonic distance sensor transmit from 3 Demonstration and receive an ultrasonic wave with a single ultrasonic transmitting and receive element to measure proxi- 3.1 Workflow mate distances such as vehicle floor heights or distances to obstacles or pedestrians approaching relative To demonstrate the pipeline that promotes modeling to a vehicle [10]. For the testbed, a low-cost sensor and simulation-based development using open source called HC-SR04 is selected. However, The ECHO pin software and hardware stacks, we developed an au- of the sensor is rated at 5V while the GPIO input pins tonomous landing controller. are rated as 3.3V. Therefore two resistors are added to protect the GPIO module. To access the telemetry A generic Scilab/Xcos quadcopter model called data in Python, UAVTalk protocol is applied. For in- Generic Quadcopter Simulation (GQS) that employs a stance, below is a code excerpt to get attitude state of proportional-derivative flight controller as a low-level the drone. architecture is used as a plant model. GQS model is based on [2]. This generic model can be tailored using

218 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Modeling and Simulation Based Development of Autonomy Features for Drones

parameters to represent a specific platform. The high the results for one of the scenarios. level architecture is designed in a model-based fash- ion using Scilab/Xcos. MiL testing is to optimize and verify the controller design for the autonomy feature. Xcos Re-useable and Customizable Code Generator3 performs as a mean of generating code for the autonomous landing model and to evaluate how good the generated code functions are, a SiL simulation will be tested. For HiL testing, Raspberry Pi 3 executes the code that automatically generated from code generator, A second Raspberry Pi 3 is used as a real- time simulation computer target that enables an UART communication between the plant model and the controller. Finally, to verify the autonomy feature, all of the hardwares stacks is assembled on the drone and flight testing is conducted. Figure 6 explains the modeling and simulation based workflow applied: Figure 8: MiL simulation result.

The system can land for all the eight scenarios that means the designed autonomous landing controller is working properly.

3.3 Software in-the-Loop Testing

After MiL testing, the next step for evaluation is to Figure 6: Demonstration workﬂow. generate source code out of autonomous landing controller model. As mentioned before, we use Xcos Re- useable and Customizable Code Generator for gener- 3.2 Model in-the-Loop Testing ating Scilab scripts. The auto generated code is then reintroduced in MiL schema. The same eight scenar- In order to verify the autonomous landing controller, ios are executed and the results are compared with the a MiL simulation (Figure 7) is conducted. MiL results.

3.4 Hardware in-the-Loop Testing

The HiL testing is essential a further step in testing the autonomous landing feature.

Figure 7: MiL simulation.

We prepared eight scenarios to test that in different Figure 9: HiL simulation process. situations this system will be working. Figure 8 shows

3https://forge.scilab.org/index.php/p/xcos-code-generator/ Figure 9 depicts the test setup. The middle Raspberry

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 219 Modeling and Simulation Based Development of Autonomy Features for Drones

Pi 3 runs the GQS simulates the drone with controller once the flight mode changes to experiment mode, while the target Raspberry Pi 3 on the left side will Pi will take control of the drone and receive the re- execute the Auto Land Scilab function for further ver- quired system states which are sent to Scilab function ification. It is quite convenient for two Raspberry Pis for computing the movement of autonomous landing. to establish UART communication by GPIO using RX When landed, RC will take back the control of FC. and TX pins. To achieve UART between Pi and Xcos Once the code is running on the testbed platform. the model, a ATOM toolbox named serial Xcos IO mod- drone is ready to fly (Figure 11). ule4 is used. This module provides a Xcos block to interface real hardware platform for a Xcos simulation via serial ports. It can also be applied into HiL simulation. Originally, the block supports Arduino and provides the bidirectional way to receive C structure input signal from an embedded system and then send back a C structure output signal to the embedded system. On the other hand, to execute autonomous landing Scilab function in Raspberry Pi, a python module called Scilab2Py5, a mean to seamlessly call Scilab functions and scripts from Python is applied. The result for HiL simulation for the same eight scenarios matched with the MiL results.

3.5 Flight Testing

Figure 10 describes the execution logic of auto generated Scilab script on the target platform for achieving Figure 11: Flight testing. the autonomous landing.

4 Conclusion

Since the usage of drones is sharply growing while the modeling and simulation based development gets popular in many ﬁelds as well, it is quite meaningful to investigate a methodology to combine those two. In this paper, we utilize the free open source software stacks including Scilab/Xcos which serves as a model design and simulation environment and Li- brePilot. We also use open source hardware stacks like Raspberry Pi, HC-SR04 sensor and CC3D. They are sold with low price tags in the market and easy to acquire. The result shows that the pipeline is able to be used for simple autonomy feature design. How- ever, since of all the resources are open source and low-end, the whole system does not perform perfectly. Figure 10: Target execution logic. For example, the sensor can be easily broken so that the sensed data is not correct. For the future work, we will be using more reliable products with this pipeline Raspberry Pi is listening to the ﬂight mode from FC, to expect better performance.

4https://atoms.scilab.org/toolboxes/wgserialxcosio After building the pipeline for the Simulation and 5https://pypi.python.org/pypi/scilab2py Model-based development of autonomy features for

220 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Modeling and Simulation Based Development of Autonomy Features for Drones

drones using only open source software and hardware, [13] Torsten Merz. Building a system for autonomous more students who have interests in aerospace domain aerial robotics research. In Proc. of the IFAC can take this pipeline as an guidance for developing Symp. on Intelligent Autonomous Vehicles, 2004. their own autonomy features. [14] Raspberry Pi—Teach. learn, and make with raspberry pi. Raspberry Pi, 2016. References [15] Antidio Viguria. Autonomy architectures. In Encyclopedia of Aerospace Engineering. 1–14, [1] Richard Barry. Using the FreeRTOS real time 2016. kernel: a practical guide. Real Time Engineers, 2010. [2] Samir Bouabdallah. Design and control of quadrotors with application to autonomous flying. PhD thesis, 2007. [3] Stephen La Vern Campbell, Jean-Philippe Chancelier, and Ramine Nikoukhah. Modeling and simulation in Scilab/Scicos. Springer, 2006. [4] Bruce T Clough. Metrics, schmetrics! how the heck do you determine a uav’s autonomy any- way. Technical report, Air Force Research Lab, 2002. [5] LibrePilot/OpenPilot community. Coptercon- trol/cc3d/atom hardware setup, 2016. [6] LibrePilot/OpenPilot community. Librepilot documentation, 2017. [7] Tom Erkkinen. Model style guidelines for flight code generation. In AIAA Modeling and Simula- tion Technologies Conference, 2005. [8] Tom Erkkinen and Bill Potter. Model-based design for do-178b with qualified tools. In AIAA Modeling and Simulation Technologies Confer- ence and Exhibit, 2009. [9] Gene F Franklin, J David Powell, Abbas Emami- Naeini, and J David Powell. Feedback control of dynamic systems, volume 3. Addison-Wesley Reading, MA, 1994. [10] Makoto Iwabuchi and Sinichi Ohzawa. Ultra- sonic distance sensor, April 17 1990. US Patent 4,918,672. [11] Eric Jones, Travis Oliphant, and Pearu Peter- son. {SciPy}: open source scientific tools for {Python}. 2014. [12] Edward Ashford Lee and Sanjit A Seshia. Intro- duction to embedded systems: A cyber-physical systems approach. MIT Press, 2016.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 221 222 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung

Gaby Albrecht1, Anne Fischer2,0, Kurt Chudej1,2 1Lehrstuhl für Wissenschaftliches Rechnen, Universität Bayreuth 2Lehrstuhl für Ingenieurmathematik, Universität Bayreuth [email protected]

Dengue Fieber wird durch den Stich einer Asiatischen Tigermücke übertragen. Eine Mensch zu Mensch In- fektion ist nicht möglich. Die Krankheit tritt (bisher) hauptsächlich in einem Streifen rund um den Äquator auf und ist für jährlich ca. 390 Millionen Krankheitsfälle verantwortlich. Bisher sind alle in Deutschland bekannten Krankheitsfälle durch Auslands-(ﬂug-)reisen eingeschleppt. Leider breitet sich die Asiatische Tigermücke seit einigen Jahren (wieder) in Europa und insbesondere auch in Süddeutschland aus. Selbster- haltende Populationen der Asiatischen Tigermücke sind im Jahre 2017 aus Freiburg i.Br., Heidelberg und Sinnsheim (Baden-Württemberg) bekannt. Erwachsende Mücken wurden u.a. auch zwischen Rosenheim und Kufstein an der Inntalautobahn und in der Nähe des Containerbahnhofs in Regensburg gefunden. Die Tigermücken werden u.a. durch Altreifen-Importe, Lkw-Frachten auf Autobahn und Schiene und Wohn- wägen nach Deutschland eingeschleppt. Wir berechnen charakteristische Größen eines mathematischen Dengue-Fieber Modells und präsentieren numerische Simulationsergebnisse.

1 Dengue-Fieber Modell mit den. Wir betrachten ein nicht-perfektes Massenimp- fungsmodell mit abnehmender Immunität, das am En- Impfung de der PhD Arbeit [7] von Rodrigues eingeführt wird, für das aber keine theoretische Analyse mehr vorge- Seit einigen Jahren sind Funde erwachsener Tiger- nommen wird. Das hier besprochene Modell verallge- mücken, bzw. noch schlimmer eigenständige Tiger- meinert auch die Massenimpfungsmodelle, die in [8] mückenpopulationen, in einigen Orten und Städten theoretisch analysiert werden. Süddeutschlands bekannt [4]. Diese unglückliche Sze- Die Mückenpopulation wird unterteilt in die aqua- nerie wird durch die Klimaänderung begünstigt [3]. tischen Mücken A , die erwachsenen infizierba- Zudem sind 708 Erkrankungen in Deutschland im m ren Mücken S und die erwachsenen infizierenden Jahr 2015 beobachtet worden, die wohl alle durch m Mücken I . Für die Menschen wird ein SVIR-Modell Fernreisen eingeschleppt wurden [1]. Dies motiviert m benutzt: Infizierbare Menschen S , geimpfte Men- die vorliegende Forschung an mechanistischen Kom- h schen V , infizierende Menschen I und geheilte und partimentmodellen für Denguefieber. h h immune Menschen Rh. Das mathematische Modell Diese Arbeit beschäftigt sich mit einem mathema- (imperfect random mass vaccination with waning im- tischen Modell zur Bekämpfung von Denguefieber munity) enthält verschiedene wichtige Charakteristi- durch eine zukünftige Impfung. Da Dengue über einen ka eines (zukünftigen) Impfstoffs für eine Massen- Vektor, die Asiatische Tigermücke, übertragen wird, impfung (von Erwachsenen): Wichtigste Größe ist die und eine Mensch zu Mensch Übertragung nicht mög- Impfrate ψ; zunächst eine Konstante, später eine opti- lich ist, müssen sowohl die Mücken als auch die Men- mal zu steuernde Zeitfunktion. Wir nehmen an, das ein schen ins Kompartimentmodell aufgenommen wer- Anteil σ der geimpften Menschen bei Kontakt mit einer infizierenden Mücke mit der gleichen Wahrschein- 0Neue Anschrift: Josef Witt Gruppe, Weiden lichkeit erkranken kann wie die infizierbaren Men-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 223 Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung

schen. Zudem berücksichtigen wir eine Abnahmrate 2 Theoretische Analyse θ der durch die Impfung erlangten Immunität. Weitere Parameter im Modell sind: Gesamtbevölke- Das Differentialgleichungssystem (1), (2) besitzt als ≡ ( )+ ( )+ ( )+ ( ) rung Nh, durchschnittliche Stechrate B, Infektionsra- Invariante Nh Sh t Vh t Ih t Rh t . β te von Mücken auf Menschen mh, Infektionsrate von Die Analyse des math. Modells wird in der abge- β Menschen auf Mücken hm, durchschnittliche Lebens- schlossenen Menge erwartung von Menschen 1/μh, durchschnittliche Le- Ω = {( , , , | , , ) ∈ R7 | ≤ , benserwartung von Mücken 1/μm, durchschnittliche Sh Vh Ih Rh Am Sm Im + Am kNh /η Erkrankungsdauer von Menschen 1 h, Rate mit der Sm + Im ≤ mNh, Sh +Vh + Ih + Rh ≤ Nh} Larven zu ausgewachsenen Mücken reifen ηA, An- zahl an Eiern pro Brutplatz ϕ, natürliche Todesrate durchgeführt. Alle Koordinaten haben nichtnegative Werte und die Summe der Anzahlen in den Komparti- der Mückenlarven μA, Anzahl weiblicher Mücken pro Mensch m, Anzahl Mückenlarven pro Mensch k. menten, die die menschliche Population betreffen, ist kleinergleich als die angenommene Gesamtpopulati- on. Auch die Anzahl der ausgewachsenen und nicht ausgewachsenen Mücken ist, bezogen auf die menschliche Gesamtpopulation, beschränkt. Hilfssatz 1 [5]: Ω ist eine positiv invariante Menge für das Differentialgleichungssystem (1), (2). Beweis: Das DGL-System kann umgeschrie- ben werden zu X˙ = A(X)X + F mit X =

(Sh,Vh,Ih,Rh|Am,Sm,Im) , F =(Nh,0,0,0|0,0,0) A O und der Blockdiagonalmatrix A(X)= h OAm mit den Teilmatrizen ⎛ ⎞ Im −Bβmh − ψ − μh θ 00 Nh ⎜ Im ⎟ Abb. 1: Kompartimentmodell mit Impfung für die mensch- ⎜ ψ −σBβmh − θ − μh 00⎟ A = ⎜ Nh ⎟, h ⎝ Im Im ⎠ liche Population sowie die Mückenpopulation. Bβmh σBβmh −ηh − μh 0 Nh Nh 00ηh −μh

⎛ ⎞ Sm+Im −ϕ − ηA − μA ϕϕ Die zum SVIR-ASI-Kompartimentmodell (siehe ⎜ kNh ⎟ ⎜ Ih ⎟ A = ηA −Bβhm − μm 0 . Abb. 1) gehörigen Differentialgleichungen für die m ⎝ Nh ⎠ Ih 0 Bβhm −μm menschliche Population lauten: Nh I Die Matrix A(X) ist offensichtlich eine Metzler- S˙ = μ N + θV − (Bβ m + ψ + μ )S , h h h h mh N h h Matrix. Außerdem ist F ≥ 0. Damit ist das DGL- h Ω Im System in positiv invariant nach [6, 2]. V˙h = ψSh − (θ + σBβmh + μh)Vh, (1) Nh Daraus folgt, dass für jeden Anfangswert aus Ω eine Im eindeutige Lösung für alle nichtnegativen Zeiten in Ω I˙h = Bβmh (Sh + σVh) − (ηh + μh)Ih, Nh existiert. ˙ = η − μ . Rh hIh hRh Als nächstes werden die Gleichgewichtspunkte des Für die Mückenpopulation erhält man: Differentialgleichungssystems berechnet. Dazu sind die polynomialen Gleichungssysteme ˙ = ϕ( − Am )( + ) − (η + μ ) , Am 1 Sm Im A A Am 0 = A˙ = S˙ = I˙ (3) kNh m m m = ˙ = = = Ih 0 Sh V˙h I˙h R˙h (4) S˙m = ηAAm − (Bβhm + μm)Sm, (2) Nh zu lösen. Die Abkürzungen ˙ = β Ih − μ . Im B hm Sm mIm M = ϕη − μ (μ + η ), (5) Nh A m A A

224 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung

ξ = ϕμ2 (η + μ ), χ = 2β β M . m h h kB hm mh (6) Beweis: Ein ausführlicher Beweis ﬁndet sich in [9], siehe auch [7]. erweisen sich als nützlich. Jetzt berechnen wir die Gleichgewichtspunkte des Zu Vergleichszwecken wird zunächst ein vereinfach- Differentialgleichungsmodells (1), (2) mit Impfung. tes Modell ohne Impfung betrachtet, d.h. wir setzen Dies erweist sich als wesentlich anspruchsvoller. die Impfrate ψ ≡ 0 und benutzen den Anfangswert V (0)=0. Daraus ergibt sich dann sofort V (t) ≡ 0. Eine brute-force Maple Berechnung [5] liefert die fol- h h Ω Damit vereinfacht sich das Modell (1), (2) zu dem in genden drei Gleichgewichtspunkte in [7] analysierten SIR-ASI Modell. (μ +θ) ψ Nh h Nh • E1 = μ +θ+ψ , μ +θ+ψ ,0,0|0,0,0 , Satz 2 [7, 9, 5]: Man erhält in Ω für das Differential- h h ψ ≡ gleichungssystem (1), (2) mit 0 (keine Impfung) (μ +θ) ψ M M Nh h Nh kNh kNh ≡ • E2 = μ +θ+ψ , μ +θ+ψ ,0,0| ϕη , ϕμ ,0 , und Vh 0 die Gleichgewichtspunkte: h h A m • = ∗, ∗, ∗, ∗ | ∗ , ∗ , ∗ E3 Sh Vh Ih Rh Am Sm Im , • E¯1 =(Nh,0,0,0|0,0,0) kNhM kNhM wobei das Maple Ergebnis für E3 über mehrere Seiten • E¯2 = Nh,0,0,0| , ,0 ∗ ϕηA ϕμm geht. Die Komponente Am stimmt mit dem Ergebnis ∗∗ ∗ = −( ∗ + ∗ + ∗) Am von Satz 2 überein. Auch Rh Nh Sh Vh Ih • ¯ = ∗∗, , ∗∗, ∗∗ | ∗∗, ∗∗, ∗∗ E3 Sh 0 Ih Rh Am Sm Im mit ist vorab bekannt. ϕN (μ Bβ + μ (η + μ ))μ Ein Vergleich mit dem vorhergehenden Satz 2, der die S∗∗ = h h hm m h h m h Bβ (kBβ M + ϕμ μ ) Situation ohne Impfung beschreibt, zeigt, dass sich hm mh h m ¯ , μ (χ − ξ) beim trivialen Gleichgewichtspunkt E1 E1 und beim ∗∗ hNh , I = krankheitsfreien Gleichgewichtspunkt E¯2 E2 jetzt ei- h (η + μ )Bβ (kBβ M + ϕμ μ ) h h hm mh h m ne neue Aufteilung bzgl. (Sh,Vh) von in Antei- ∗∗ ∗∗ ∗∗ μ +θ ψ = − ( + ) h R Nh S I len (1,0) auf ( μ +θ+ψ , μ +θ+ψ ) ergibt. Die übrigen h h h h h M Kompartimente ändern sich beim trivialen und krank- ∗∗ = kNh Am heitsfreien Gleichgewichtspunkt nicht. ϕηA (η + μ )( β M + ϕμ μ ) Wir wünschen uns jetzt biologisch interpretierbare ∗∗ = Nh h h kB mh h m Sm Formeln der Komponenten von E . Deshalb zerlegen Bβmhϕ(Bβhmμh + μm(ηh + μh)) 3 wir das polynomiale Gleichungssystem (3), (4) für die μ N (χ − ξ) ∗∗ = h h Gleichgewichtspunkte in zwei Teilsysteme. Wir füh- Im β (ϕ β μ μ + ξ) B mh B hm h m ren die Abkürzungen = β ∗/ , = β ∗ / E¯1 ist der triviale Gleichgewichtspunkt. E¯2 ist der Bm : B hmIh Nh Bh : B mhIm Nh (7) krankheitsfreie Gleichgewichtspunkt (DFE = disea- ein. Dann lösen wir zunächst A˙ = S˙ = I˙ = 0 und se free equilibrium). E¯3 ist der endemische Gleichge- m m m wichtspunkt. erhalten M Abhängig vom Vorzeichen von M existieren in Ω bis ∗ = ∗ = kNh = ˜ Am 0 oder Am ϕη : Am (8) zu drei Gleichgewichtspunkte: A ∗ und weiter in Abhängigkeit von Am • falls M ≤ 0 existiert nur der triviale Gleichge- ∗ ∗ η μm wichtspunkt E¯1. S = A A , (9) m m μm μm+Bm ∗ η • M > ξ ≥ χ I = A∗ A Bm . (10) falls 0 und existieren die beiden m m μm μm+Bm ¯ ¯ Gleichgewichtspunkte E1 und E2. ∗ Die Anzahl Am der aquatischen Mücken im Gleichge- • falls M > 0 und ξ < χ existieren drei Gleichge- wichtspunkt ist unabhängig von den Parametern der wichtspunkte E¯1, E¯2 und E¯3. menschlichen Population mit Ausnahme von Nh. Der

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 225 Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung

∗ = M ≤ uninteressante Fall Am 0 führt eindeutig zum tri- Für 0 existiert nur der triviale Gleichgewichts- vialen Gleichgewichtspunkt E1. Sei deshalb im fol- punkt E1. Die Komponenten von E2 ergeben sich als ∗ = ˜ genden Am Am. Durch hinschauen erkennt man Lösung von (10), (13) und (7). ∗ ∗ ηA S + I = A˜m μ =: M˜ m, so dass die Anzahl M˜ m der m m m Satz 4 [5]: Die Basisreproduktionszahl R des Diffe- erwachsenen Mücken im Gleichgewichtspunkt unab- 0 rentialgleichungssystems (1), (2) erfüllt: hängig von den Parametern der menschlichen Popula- tion mit Ausnahme von N ist. Die prozentuale Auftei- ˜ μ + θ + σψ h R2 = 2β β 1 Mm 1 h lung der erwachsenen Mücken auf (gesunde) infizier- 0 B hm mh μ η + μ μ + θ + ψ mNh h h h bare und (erkrankte) infizierende Mücken hängt da- Stiche gegen von der Anzahl der (erkrankten) infizierenden Mucken¨ Menschen ∗ Menschen Ih ab. Die ersten Terme beschreiben die Stichintensität, dann folgen Terme abhängig von den Mückenparametern, Jetzt lösen wir S˙h = V˙h = I˙h = 0 und erhalten: insbesondere M˜ m/Nh. Dann folgen Terme mit den μ (σ + θ + μ ) menschlichen Parametern incl. den Impfparametern. ∗ = hNh Bh h Sh (11) (Bh + ψ + μh)(σBh + θ + μh) − θψ Beweis: Dazu werden nach [10] die beiden Matrizen ∗ μhNhψ +σ V = (12) β Sh Vh η + μ h 0 B mh N h h 0 (Bh + ψ + μh)(σBh + θ + μh) − θψ F = h ,V = Sm μ Bβhm 0 0 m Nh Damit ergibt sich: betrachtet. Die Basisreproduktionszahl ergibt sich μ [(σ +θ+μ )+σψ] −1 ∗ hNh Bh h Bh dann als R0 = ρ(FV ), wobei der krankheitsfreie I = η +μ (13) h (B +ψ+μ )(σB +θ+μ )−θψ h h h h h h Gleichgewichtspunkt (DFE) E2 einzusetzen ist.

Die Kopplung zwischen dem ASI-Modell und dem Satz 5 [10, 5]: Der krankheitsfreie Gleichgewichts- SVIR-Modell ist über die nicht-linearen Gleichungen punkt (DFE) E2 ist lokal asymptotisch stabil, wenn R < R > (10), (13) und (7) gegeben. Wenn man (7) jeweils in 0 1 ist, aber instabil wenn 0 1 gilt. (10), (13) einsetzt, dann ergibt sich nach Multiplikati- Was ist zielführend für das schwache Ziel „Verkleine- on mit den Nennern ein Gleichungssystem mit einem rung der Basisreproduktionszahl R0“? quadratischen und einem kubischen Polynom in I∗ , I∗. m h σ → Im generischen Fall erwartet man mit dem Satz von Eine höhere Efﬁzienz des Impfstoffs ( 0) verkleinert die Basisreproduktionszahl R0. Ein umschreiben Bezout höchstens sechs Lösungen. Für die Referenz- μ +θ+σψ [ −σ]ψ h 1 von μ +θ+ψ = 1 − μ +θ+ψ ∈ (0,1] zeigt, das eine werte der Parameter (siehe Abschnitt 3) erhält man h h numerisch sechs verschiedene Lösungen, von denen kleinere Immunitätsabnahmerate θ ebenfalls die Ba- drei in Ω liegen. sisreproduktionszahl R0 verkleinert. 2 Die obigen Ergebnisse lassen sich zusammen mit ver- Eine Verkleinerung von B βhmβmh verringert die Ba- feinerten Maple Rechnungen wie folgt zusammenfas- sisreproduktionszahl R0; erreichbar etwa durch die sen: Verwendung von Moskitonetzen. Auch eine Verrin- gerung der (menschgemachten) Brutplätze (k klei- Satz 3: Das Differentialgleichungssystem (1), (2) be- ner) verringert die Basisreproduktionszahl R . Eine Ω 0 sitzt höchstens drei Gleichgewichtspunkte, die in (künstliche) Verringerung der durchschnittlichen Le- liegen. Davon sind höchstens zwei Punkte krankheits- benserwartung der erwachsenen Mücken 1/μm (durch freie Equilibria und höchstens ein Punkt ist ein ende- Insektizide), siehe [7], [5], verringert ebenfalls die Ba- misches Equilibrium. sisreproduktionszahl R0. (μ +θ) ψ Nh h Nh Was ist (evtl. alleine nicht) zielführend für das starke • E1 = μ +θ+ψ , μ +θ+ψ ,0,0|0,0,0 h h Ziel „R0 < 1“ ? (μ +θ) ψ • = Nh h , Nh , , | ˜ , ˜ , Eine alleinige Erhöhung der Efﬁzienz des Impfstoffs E2 μ +θ+ψ μ +θ+ψ 0 0 Am Mm 0 μ +θ+σψ σ→ h h h 0 ist evtl. nicht hinreichend, da nur μ +θ+ψ → h μ +θ ∗ ∗ ∗ ∗ ∗ ∗ h • E3 = S ,V ,I ,R |A˜m,S ,I μ +θ+ψ = A > 0 gilt. h h h h m m h

226 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung

Eine alleinige Verkleinerung der Immunitätsabnah- merate θ ist evtl. auch nicht hinreichend, da nur μ +θ+σψ θ→ μ +σψ h 0 h μ +θ+ψ → μ +ψ = B > 0 gilt. h h

3 Numerische Simulation

Wir benutzen die folgenden Referenzwerte für die Pa- rameter [7, 5]: B = 0.8, βmh = βhm = 0.375, μh = 1 η = 1 μ = . ϕ = μ = . η = . 80·365 , h 3 , m 0 1, 6, A 0 25, A 0 08, m = 3, k = 3. Wir wählen Nh = 383 000 (Bevölkerung Landkreis Freiburg und Emmendingen). Wir wählen für die Effizienz des Impfstoffs 80%, d.h. σ = 0.2 und für die Abnahmerate der Immunität θ = 0.05. Bemerkung 6: Damit ergeben sich sechs Gleichge- wichtspunkte:. E1 =(273625,109375,0,0|0,0,0) ∈ Ω trivialer. Gleichgewichtspunkt , E2 =(273 625,109 375,0,0|1 070 006,856 005,0) ∈ Ω krankheitsfreier. Gleichgewichtspunkt (DFE) , E3 =(58 793,23 486,31,300 690| 1 070 006,855 798,207) ∈ Ω endemischer. Gleichgewichtspunkt , E4 =(−89 269 707,446 574 759,−36 666, Abb. 2: Numerische Simulation eines Krankheitsausbru- − | , ,− ) ∈ Ω 356. 885 373 1 070 006 1 200 911 344 906 , ches in einer komplett anfälligen Population [5]. E5 =(888 080 666,355 052 102,−127 667, − | , ,− ) ∈ Ω 1. 242 622 222 0 57 57 , E6 =(310 586 313,1 553 719 245,−127 667, −1 242 622 222|0,344 906,−344 906) ∈ Ω. . Auf dem Zeithorizont von 365 Tagen ergeben sich für Die Basisreproduktionszahl ergibt sich zu R0 = die Lösung des Anfangswertproblems die Ergebnisse . > 2 46 1. Damit ist der krankheitsfreie Gleichge- in Abb. 2. In Abb. 2 erkennt. man eine sehr schnelle → ˜ = + → wichtspunkt (DFE) E2 instabil, vgl. Satz 5. Konvergenz. von Am Am 1 070 006 und Sm Im M˜ = 856 005. Ausserdem sieht man, das das Ein- Hilfssatz 7: Der triviale Gleichgewichtspunkt E ist m 1 schleppen einiger mit Dengue infizierter Menschen für die Referenzparameter instabil. Der endemische beim Vorhandensein einer Tiger-Mückenpopulation Gleichgewichtspunkt E ist für die Referenzparameter 3 bereits ausreicht, um das Virus in beiden Populatio- lokal asymptotisch stabil. nen zu verbreiten. 30 bis 50 Tage nachdem die In- Beweis: Berechne numerisch die Eigenwerte der Jaco- fizierenden Menschen das erste Mal mit der anfälli- bimatrix von (1), (2) ausgewertet am Gleichgewichts- gen Population in Kontakt gekommen sind, kommt punkt E1 bzw. E3. es zum Krankheitsausbruch. Hierbei erfolgt der Aus- bruch in beiden Populationen nur leicht zeitversetzt. Als Anfangswert für die infizierende Population wur- Die Spitze der Kurve erreicht für die menschliche Po- de ein Prozentsatz von 0.01% der Gesamtpopulation pulation einen Wert von 64 000, es erkranken also gewählt, was einer Anzahl von I = 38 entspricht. h0 sehr viele Individuen gleichzeitig. Nach einem stei- Zudem setzen wir ψ ≡ 0 (keine Impfung) und V ≡ 0 h len Anstieg fällt die Kurve ähnlich steil wieder ab. Ein (keine Geimpften). Es ergeben sich die Anfangswerte: Ausbruch erfolgt also relativ rasch und zeitnah inner- I = 38,R = V = 0,S = N − I , halb der ersten zwei Monate nach Beobachtung der h0 h0 h0 h0 h h0 (14) Am0 = kNh,Sm0 = mNh,Im0 = 0. ersten Infektionen. Die Anzahl resistenter Individuen

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 227 Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung

steigt in dem Maße an, wie infizierte Individuen ge- nesen, bis die gesamte Population immun ist. Am En- de des Betrachtungszeitraums beginnt die Anzahl resistenter Menschen langsam wieder abzunehmen und die Anzahl Anfälliger wieder zuzunehmen. Nach einem kurzen anfänglichen Abfall bleibt, bedingt durch Ih N das angenommene logistische Wachstum, die Anzahl h der nicht ausgewachsenen Moskitos Am konstant. Da Moskitos keine Resistenzen aufbauen können, zeigt der Verlauf der Kurve anfälliger Vektoren zum Zeit- punkt des Krankheitsausbruchs den gespiegelten Ver- lauf zu dem der Infizierenden. Abb. 3: Anteil infizierter Individuen in den drei Fällen [5]. 4 Optimale Steuerung der Imp-

fung stoff einen Wert von 13.15%, was ca. 50 000 Infizier- ten entspricht. Wird großer Wert darauf gelegt, dass Wir betrachten jetzt ein optimales Steuerungspro- möglichst wenige Menschen erkranken, also betrach- ψ( ) ∈ [ , ] . blem: Gesucht ist eine Funktion t 0 1 , so dass tet man Fall B, so werden 8 26%, also ca. 32 000 Indi- ( ) 2 t f Ih t 2 viduen infiziert. Die Zahlen können also um die Hälfte das Zielfunktional J = γ1 · +γ2 ·ψ(t) dt 0 Nh gesenkt werden, wenn der Fokus auf einer Verringe- minimiert wird unter der Nebenbedingung, dass das rung der Infizierten liegt. Differentialgleichungssystem (1), (2) und die An- fangsbedingungen erfüllt sind. Für drei verschiedene Situationen wurde nun eine optimale Impfstrategie errechnet. In Fall A wird ein allgemeines Szenario betrachtet, wobei die Gewichte auf ungefähr denselben Wert gesetzt wurden. Es kann wieder als Vergleichsszenario zu den anderen beiden drastischeren Situationen gesehen werden. Eine kostspielige Behandlung von Erkrankten und damit ein sehr hoher Wert von γ1 wird in Szenario B berück- sichtigt. In Szenario C wird der Fall untersucht, dass der Preis des Impfstoffs im Vergleich zu den Behand- lungskosten für Infizierende sehr hoch ist (γ2 groß). Wie aus Abb. 3 ersichtlich ist, ändert sich die An- Abb. 4: Massenimpfung ψ(t) in den drei Fällen [5]. zahl an infizierten Individuen abhängig vom Gewicht γ1. In Fall B hat der Anteil an Infizierten den größ- ten wirtschaftlichen Einfluss und deshalb ist in die- In Abb. 4 sind die optimalen Impfstrategien angege- sem Fall, verglichen mit den beiden anderen Szena- ben und man sieht sofort, dass der Prozentsatz des rien, die Anzahl an Erkrankten am niedrigsten. Ver- verwendeten Impfstoffes für Erwachsene am höchsten gleicht man die absoluten Anzahlen während des Aus- in Fall B (6.44%) ist, wenn man möglichst wenig Er- bruchs mit denen aus der numerischen Simulation für krankte erreichen möchte, und am niedrigsten in Fall das Grundmodell ohne Kontrollen oder Impfung, so C(1.79%), in dem das Serum der kostenintensivste stellt sich heraus, dass der Einsatz eines Impfstoffes Einfluss ist. Nimmt man alle Gewichte als gleichgroß merkliche Auswirkungen hat. Im Gegensatz zu den an, so liegen erwartungsgemäß die Kurven der Mas- 64 000 Erkrankten (Abb. 2), die ohne Impfung auf- senimpfung zwischen denen der beiden extremen Fäl- treten, erreicht die Kurve in Fall C trotz teurem Impf- le. Der Verlauf der Kurven ist steil, was einen rasch

228 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Analyse, Simulation und Optimale Steuerung eines mathematischen Dengue-Fieber Modells mit Impfung

verlaufenden Ausbruch und eine schnelle Durchfüh- [6] W. Mitkowski. Dynamical properties of Metz- rung der Impfung impliziert, und nachdem die ersten ler systems. Bulletin of the Polish Academy Maßnahmen ergriffen wurden, ist keine weitere Hand- of Sciences, Technical Sciences, 56(4):309–312, lung nötig. In Fall B ist eine etwas längere Durchfüh- 2008. rung der Massenimpfung nötig. [7] H.S. Rodrigues. Optimal Control and Nume- rical Optimization Applied to Epidemiological Models. PhD, Universidade de Aveiro, Portugal, 5 Fazit und Ausblick 2012. [8] H.S. Rodrigues, M.T.T. Monteiro, and D.F.M. Bereits leichte Verallgemeinerungen bekannter Kom- Torres. Vaccination models and optimal control partimentmodelle für gefährliche Krankheiten mit strategies to dengue. Mathematical Biosciences, Impfungen führen bei der mathematischen theoreti- 247:1–12, 2014. schen Analyse zu erheblichem Mehraufwand. In diesem Paper lag der Focus auf der theoretischen Analyse [9] C. Schreppel. Bekämpfung des Dengueﬁebers des Kompartimentmodells – so weit wie möglich ohne als Optimalsteuerungsproblem. Masterarbeit, Bezug zu speziellen Parameterwerten. Weitere Arbei- Universität Bayreuth, 2015. ten werden sich u.a. mit der Anpassung der Parameter an die Situation in Süddeutschland beschäftigen. [10] P. van den Driessche and J. Watmough. Re- production numbers and sub-threshold endemic equilibria for compartmental models of disea- se transmission. Mathematical Biosciences, Literatur 180(1–2):29–48, 2002.

[1] Zur Situation bei wichtigen Infektionskrankhei- ten – Reiseassoziierte Krankheiten 2015. Epi- demiologisches Bulletin – Robert Koch-Institut, (39):431–446, 2016.

[2] A. Abate, A. Tiwari, and S. Sastry. Box invarian- ce in biologically-inspired dynamical systems. Automatica, 45(7):1601–1610, 2009.

[3] N. Becker, A. Krüger, C. Kuhn, A. Plenge- Bönig, S.M. Thomas, J. Schmidt-Chanasit, and E. Tannich. Stechmücken als Überträger exoti- scher Krankheitserreger in Deutschland. Bun- desgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz, 57(5):531, 2014.

[4] N. Becker, S. Schön, A. Klein, I. Ferstl, A. Ki- zgin, E. Tannich, C. Kuhn, B. Pluskota, and A. Jöst. First mass development of Aedes al- bopictus (Diptera: Culicidae)—its surveillance and control in Germany. Parasitology Research, 116(3):847–858, 2017.

[5] A. Fischer. Optimale Impfstrategien für Dengue- Fieber. Masterarbeit, Universität Bayreuth, 2016.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 229 230 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

!" #! #! " $ % #! & ' (

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

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 231 232 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Model-driven development and simulation of Integrated Modular Avionics (IMA) architectures

Björn Annighöfer1 1Institute of Aircraft Systems, University of Stuttgart [email protected]

Presented is model-driven development method for avionics systems comprising of a domain-specific model, mathematical optimization, and an attached network simulation. For Integrated Modular Avionics (IMA) the degree of freedom in chosing the system architecture is so high that determining the optimim by hand is hardly possible for large aircraft. A domain-specific model was created with the Eclipse Modeling Framework (EMF) holding system requirements and architecture variants, such that it can automatically be validated and evaluated. Moreover, combinatorial optimization is used to dertermine optimal architecturs by algorithm for single and multiple objectives. Optimization on civil aircraft and a space launcher revealed improvements of up to 30% in single design objectives. Moreover, the architecture model can automatically be converted in configuration stubs and an AFDX network simulation.

1 Introduction Requiring only a minimum mandatory information makes it applicable to the design phase. Nevertheless, Integrated Modular Avionics (IMA) are state-of-the- it can be automatically converted to mathematical op- art for large civil and military aircraft. The concept of timization problems. For instance, function assign- IMA is that computing, memory, and IO resources are ment, routing, and module sizing. Moreover, the model shared between several safety-critical and non-critical is used to derive configuration stubs or simulations au- system functions. System functions are, for instance, tomatically. All is implemented in a seamless model- cabin pressure control and landing gear retraction. driven IMA desing method depicted in Figure 1. Those are loaded as segregated software partitions. The major portion of the avionics system’s hardware The remainder of this article is organized as follows. is standardized. Computing and IO modules are con- Section 2 introduces the domain-specific avionic ar- figured in software to fulfil their purpose in multiple chitecture model. Section 3 explains a multi-objective system functions. optimization approach and section 4 shows and example of an AFDX simulation derived from the model. IMA reduced the hardware, cost, weight, and space[1, The article ends with a conclusion and outlook. 2]. Two challenges arising are first design freedom and second the massive number of configuration parame- 2 Avionics modeling ters. Considering design, questions like, what is the A standardized avionics systeme is a distributed com- lightest architecture, how many modules do I need, or puting platform, which provides computing resources what is the optimal IO distribution per module, can no and I/Os to aircraft system functions running as soft- more be answered optimally by hand. Considering ware. Since the number of differnet module types is configuration, current IMA systems require so many keepts as small as possible in order to reduce develop- parameters that the process became inefficient and er- ment costs, there is usualy a large number of equal ror-prone [3, 4, 5]. hardware modules, which could technically host the To improve the situation, a domain-specific model was same functions. Whether a certain module should host developed for computer-aided design of avionics ar- a function or not, often depends on the position, the chitectures. It holds the complete architectures, but in distance to required senasors and actuators, and safety addtion the system requirements, like functions, re- consideration. Overall, there is a high degree of free- source needs, and safety constraints. Architectures dom, e.g, the dimension of modules, the installation lo- shall be automatically validated, evaluated and com- cations, the assignement of functions, the network to- pared. It is generic in terms that no precise avionics pology, and the routing of signals. technology or function architectures are predefined.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 233 Model-driven development and simulation of Integrated Modular Avionics (IMA) architectures

Figure 1. Workflow of the model-driven IMA architecture design method

A domain-specific model was developed especialy for Functions, Hardware, Anatomy, Capabilities, Re- the purpose of avionics system design. Therefore, it strictions, Mapping. generically captures the capabilities and resources of The top-level class diagram of OAAM is depicted in hardware, without requiring a certain module type or Figure 2. The four main layers are Function, Hard- technology. Moreover, it generically covers the software, Anatomy, and Mapping. ware as atomic building blocks, so called tasks, signals, and their resource requirements. In addition, seg- The Functions layer holds all tasks to be assigned to regation, symetrie, location, and power constraints can the avionics system and the signals that must be routed. be attached to single, tasks or task groups. In addition, it includes timing and safety constraints. The first instance of an avionics architecture model [6] The Hardware layer allows modelling device in- was used in several in air and space research programs. stances and interconnection topologies without physi- At the end of 2017, a second generation of the domain- cal dimensions. specific model has been finalized [7], which is more, Within the Anatomy layer, the installation locations considering bus systems and hardware. It has been and cable routes of the aircraft including the length and made available as Open Source as the Open Avionics positions are modeled. It is a graph-like representsa- Architecture Model1 (OAAM). tion of a simplified 3-dimensional construction plan. OAAM is designed in nine almost independent layers. This maches the concurrent development process of IMA systems, which is distributed over multiple parties. The nine layers are Library, Scenarios, Systems

1 www.oaam.de

234 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Model-driven development and simulation of Integrated Modular Avionics (IMA) architectures

location. Devices and locations provide resources. An

assignment to is valid as long as the available resources r are not exceeded, i.e.

≤ . (2) ⊆ This must hold for all assignments of the architecture. In addition, constraints on devise, locations, power sources, areas, symmetries, and co-locationing control what are valid mappings. Multiple mapping variants of the same elements can be created to represent different architecture variants. For each variant the validity and design objectives are individualy be calculated. Technically OAAM is realized with the ECORE meta- modeling language of the Eclipse Modeling Frame- work (EMF)2, which allows to define formal UML- like meta-models and automatically derive the implementation, persitance layer, and edit tools. Moreover, extensions exist for the verification and evaluation of EMF derived domain-specific models. OAAM models are edited, validated, and evaluated within a special- ized Eclipse instance. In addition, an interface to MATLAB was developed. 3 Avionics architecture optimization The IMA systems of current aircraft have more than 4000 tasks and peripheral as well as more than 50 devices and thousends of possible installation locations and cable routings. The pure number of elements pre- vents that the design engineer is able to derive the optimal dimensioning, installation, and software assignment by hand. Even if he would do, he woud not be Figure 2. Top-level view on all packages of the OAAM able to prove it. Moreover, the optimality of an avion- meta-model ics system is not a unique property. There are multiple design objectives desired in the design process. Simple In the Mappings layer assignment objects can be cre- examples are cost and mass, which shall both be mini- ated, which assign task to devices, devices to installa- mal. Objectives that are more complex are installation tion locations, as well as signals and cables. The basic cost or maintenance effort. There is usually not a single constraint determining if an assignemt is valid or not, architecture optimizing all objectives, but objectives is a linar resource provisioning and resource con- are partially contradictional, such that the best trade- sumption model. Each task or device requires a set off is desired. of certain resources r in a certain amount r ∈ℝ, i.e. In order to automated and prove the optimality of re- curring design tasks, a link between the architecture model and combinatorial optimization was developed. = ,…, . (1) Overall, eight generic optimization routines for avi- A resource is an abstract unit of what has to be pro- onics architecture were developed as depicted in Fig- vided to the task or device and is consumable, e.g. ure 3. Optimization routines are classified in 1-level , computational power, memory or space in installation

2 www.eclipse.org/modeling/emf/

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 235 Model-driven development and simulation of Integrated Modular Avionics (IMA) architectures

2-level, and 3-level assignments depending on how are minimized subject to many different element types are assigned in parallel. ≤ The most basic optimization routine is function assignment, which assignes a set of functions to a given = (4) set of devices. The optimization objectives are, for in- ∈{0,1}. stance, the device weight (i.e. use a few devices as pos- encodes - depending on the optimization routine - sible) or the wire weight (i.e. put tasks as close as pos- either task assignments, signal routes, or hardware to- sible to the related sensors and acturators). In addition, pologies. The cost vectors ,…, allows for linear all defined constraints for the tasks must hold. objectives. With the addition of auxiliary variables, A more complex routine is device type optimization, also non-liniearities can be included. Linear inequali- which starts from an empty topology and selects the ties and equalities constrain the resource con- optimal number, installation, and dimensioning of de- sumption, enforce segregation, and ensure a unique vices, while assigning tasks. mapping of every object. For more information on the optimization problem formulations please refer to [9, 3-level assignment is the highest level of automation. 10, 11, 12, 13]. It derives devices and network, as well as task assignemt and signal routing in a single step. It has the Information from the domain-specific model are auto- highest degree of freedom and it was show in [8] that matically converted to the mathematical optimization in general this leads to the highes optimization poten- problems. The conversion and the invocation of com- tial. However, also the complexity of the optimization binatrorial optimization are implemented in problem rises, such that this is only feasible to calcu- MATLAB. Commercial-of-the-shelf solvers3 for late single systems with no more that 50 tasks. 1-level Mixed Integer Linear Programming (MILP) areinte- and 2-level assignments are feasible for scenarios with grated to efficiently solve BPs. The solution is con- 4000 and more tasks. Calculation times are between verted back in meaningful model information. In case several hours and four weeks. of multiple-contradicting objectives, a custom iterative multi-objective solver calculates the so-called Pareto

optimum [14], i.e. the set of best possible trade-off solutions. See an example of a Pareto optimum in Figure 1 on the lower right. Several of the optimization routines were used to derive an optimal avionics system for the ARIANE 5 space launcher [15, 16] and for deriving some general scaling laws for avionics architecture design [17]. In all application, up to 30% improvements in single objectives between the manually derived architectures and the optimized architectures were found. Figure 3. Eight generic optimization routines for avionics architecture optimization 4 AFDX simulation Technically, all optimization routines are implemented The avionics architecture model presented above is as multi-objective binary programs (BP). A multi-ob- static. For design, validation, and evaluation static jective BP searches for a binary solution vector such properties and capacities are assumed that have suffi- that cient safety margins such that the architecture should also be valid during operation. For instance, during ar- , , … , chitecture desing the CPU is modeled as a static re- (3) source, i.e. the percentage of CPU load consumed by each task vs. 100% available CPU. For sure, however,

within the real system, most tasks are periodic and must be scheduled and the schedule must be valid in

3 IBM CPLEX or GUROBI

236 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Model-driven development and simulation of Integrated Modular Avionics (IMA) architectures

terms of the individual deadlines. This can be considered by assuming, for instance, a maximum load of 70% during design. Nevertheless, real schedules have to be determined and their correctness has to be proven. Another example is the network. During desing and optimization, bandwith is assumed as a single consumable resource. Each signal has a bandwith portion it consumes. However, in the real systems, network messages have to be scheduled and maximum transfer delays have to be proven. Typically, this happens with network calcus or network simulations. A common network for IMA systems is Avionics Full Duplex Switched Ethernet (AFDX). AFDX is an asynchronous switched network based on Ethernet. AFDX messages address virtual links (VL) instead of Figure 4. An A380-like AFDX system simulated in MATLAB/SIMULINK targete devices. VLs are preconfigured and static communication routes in the network. Each VL is assigned The detailed description of the AFDX simulation and a maximum bandwidth (Bandwidth Allocation Gap - the results can be found in [18]. BAG). If too large or too many messages are send, those are droped by the switches. An AFDX network 5 Conclusion and the corresponding message routing is assumed to Current avionics systems are generic resource-sharing be valid if for each VL a valid BAG can be found and distributed computing systems. The most common if under worst case conditions the maximum delay and representatives are Integrated Modular Avionics jitter requirments for each signal are met. It is common (IMA). A domain-specific model for avionics architec- to validate this in simulations. tures and system function requirements enables com- Worst case conditions, delay, and jitter measurements puter-aided design of avionics systems including auto- cannot be made in the OAAM model. However, a sim- mated validation, evaluation, and optimization. ulation framework for AFDX was developed within Eclipse EMF and MILP solvers are used as technolo- MATLAB/SIMULINK. The simulation framework gies. Optimization of real aircraft and the ARIANE 5 provides basic components for switches, as well as the space launcher revealed improvments of up to 30% in AFDX send and receive interfaces of avionics devices. single objectives as weight, compared to the manual In addition, it is able to run-on a rapid prototyping sys- desing. The applicability of the model during system tem, which is able to output the virtual communication development is extended by the possibility to derive on a real AFDX interface. All components of the sim- dynamic simulations, which was shown for a ulation framework can be used to create virtual AFDX MATLAB/SIMULINK AFDX simulation. networks by hand and validating the timing of all mes- In future works, it is intended to extend the capabilities sages up to an accuracy of 1 ms. More commen is, of the model-driven avionics architecture tool chain by however, to derive the AFDX simulation model auto- additional optimization routines. Moreover, it is matically from the OAAM static architecture, which – worked on a self-configuring avionics system, which if a mapping was calculated – includes all necessary utilizes OAAM as its online knowledge base. information. Figure 4 shows an example of an Airbus A380-like AFDX network completely derived from an architecture model. It was possible to run the simulation in realtime on a rapid prototyping system.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 237 Model-driven development and simulation of Integrated Modular Avionics (IMA) architectures

6 References [10] B. Annighöfer, E. Kleemann, and F. Thielecke, “Automated selection, sizing, and mapping of in- [1] J. W. Ramsey, “Integrated modular avionics: tegrated modular avionics modules,” in 32st Dig- Less is more - approaches to IMA will save ital Avionics System Conference, Syracuse, NY, weight, improve reliability of A380 and B787 USA, October 2013. avionics,” Avionics magazine, 2007. [Online]. Available: http://www.aviationtoday.com/av/cat- [11] B. Annighöfer and F. Thielecke, “Supporting the egories/commercial/8420.html design of distributed integrated modular avionics systems with binary programming,” in Deutscher [2] C. Wilkinson, “IMA aircraft improvements,” Luft- und Raumfahrtkongress, Berlin 10. - 12. Aerospace and Electronic Systems Magazine, Sept. 2012. Berlin: Deutsche Gesellschaft für IEEE, vol. 20, no. 9, pp. 11–17, September 2005. Luft- und Raumfahrt, September 2012 [3] H. Butz, “Open integrated modular avionic [12] ——, “Multi-objective mapping optimization for (IMA): State of the art and future development distributed modular integrated avionics,” in 31st road map at airbus deutschland,” in Proceedings Digital Avionics System Conference, Williams- of the 1st International Workshop on Aircraft Sys- burg, VA, USA, October 2012. tem Technologies, March 2007, pp. 211–222. [13] ——, “Network topology optimization for dis- [4] C. Watkins and R. Walter, “Transitioning from tributed integrated modular avionics,” in 33rd federated avionics architectures to integrated Digital Avionics System Conference, Colorado modular avionics,” in Digital Avionics Systems Springs, CO, USA, October 2014. Conference, 2007. DASC ’07. IEEE/AIAA 26th, oct. 2007, pp. 2.A.1–1 –2.A.1–10. [14] M. Ehrgott, Multicritia Optimization, 2, Ed. Springer Berlin Heidelberg, 2005. [5] A. Wilson and T. Preyssler, “Incremental certifi- cation and integrated modular avionics,” in 27th [15] B. Annighoefer, C. Nil, J. Sebald, and Digital Avionics Systems Conference, 2008. F. Thielecke, “Structured and symmetric ima architecture optimization: Use case Ariane [6] B. Annighöfer, E. Kleemann, and F. Thielecke, launcher,” in 34th DASC, 2015. “Model-based development of integrated modular avionics architectures on aircraft-level,” in [16] B. Annighöfer, Çelen Nil, J. Sebald, and Deutscher Luft- und Raumfahrtkongress, Bremen F. Thielecke, “Ariane-5-based studies on optimal 27. - 29. Sept. 2011, no. 1395. Bremen: Deutsche integrated modular avionics architectures for fu- Gesellschaft für Luft- und Raumfahrt, September ture launchers,” in 6th EUCASS, 2015. 2011. [17] B. Annighöfer, V. Posternak, and F. Thielecke, [7] B. Annighöfer, M. Riedlinger, and O. Marquardt, “Empirical investigations on avionics scaling “How to tell configuration-free integrated modu- laws,” in 35th Digital Avionics System Confer- lar avionics what to do?!” in 36th Digital Avion- ence, Sacramento,CA , USA, September 2016. ics System Conference, Saint Petersburg, FL , [18] B. Annighöfer, H. Ihle, and F. Thielecke, “An USA, September 2017. easy-to-use real-time AFDX simulation frame- [8] B. Annighöfer and F. Thielecke, “A systems ar- work,” in 35th Digital Avionics System Confer- chitecting framework for optimal distributed in- ence, Sacramento,CA , USA, September 2016. tegrated modular avionics architectures,” CEAS

Aeronautical Journal, pp. 1–12, 2015.

[9] B. Annighöfer, “Model-based architecting and

optimization of distributed integrated modular avionics,” Dissertation, Hamburg University of Technology, March 2015. ISBN: 978-3-8440- 3420-2

238 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Variability Modeling for Engineering Applications Hendrik Folkerts1, Thorsten Pawletta1, Christina Deatcu1, Umut Durak2 1University of Applied Sciences Wismar, Research Group Computational Engineering and Automation 2German Aerospace Center (DLR) [email protected]

The System Entity Structure (SES) is a high level approach for variability modeling, particularly in simulation engineering. The SES is under continuous development. In this context, an enhanced framework is introduced that supports dynamic variability evolution using the SES approach and connects the SES to a model base (MB), which allows building executable models. However, the main focus of this paper is to show how to use the SES to model complex engineering system configurations by the example of a test bench for valves. Specifying the SES, it is clarified that the system configuration can be decomposed into generalized design patterns. The design patterns were identified during the development of our MATLAB- based SES toolbox for construction and pruning of SES trees and were employed for testing and verification of the respective functionality.

1 Introduction infrastructure has been developed and implemented within MATLAB/Simulink. Variability modeling is an approach to describe more In this paper a short introduction into the extended than one system configuration derived from one un- SES/MB framework is given. It is demonstrated how derlying configuration. The basic system configura- the framework can be used to simulate a configurable tion is often refered to as product line [1]. According test bench for valves. The main goal is to show that to [2] the most popular technique of modeling com- the whole SES can be constructed with elementary monality and variability of products in software engi- design patterns. These in turn can be classified in the neering is feature modeling. Feature models were categories of the feature relations in feature models. introduced by Kang in [3] and subsequently extended and used in various ways. An important further de- 2 Background velopment of variability modeling has been the no- According to [8], the SES is an ontology, a language tion of variability in time, known as binding time in with syntax and semantics to represent declarative product line engineering [4]. Variability can be real- knowledge. It is particularly suitable for describing ized from design time to runtime. system configurations for different application do- An approach to variability modeling in simulation mains. An SES is represented by a directed tree struc- engineering is the System Entity Structure (SES) ture. Objects are represented by nodes which are introduced by Zeigler in [5]. The objective was to connected by edges. There are four node types with describe a set of system configurations for a family of different properties describing the objects and their systems. In the early nineties the idea of combining relations. Furthermore, there are axioms for defining the SES with a model base (MB) in order to generate the SES correctly. Since an SES describes a number an executable model led to the SES/MB approach [6]. of system configurations, the SES tree needs to be An SES is represented by a tree structure, which pruned to get one particular configuration, which is describes a set of modular, hierarchical system structures, defines references to basic models in a MB and called Pruned Entity Structure (PES). specifies various parameter settings for the referenced The classic SES theory was extended by several re- basic models. The classical SES/MB framework only searchers over the last decades. Some of these exten- allows static modeling. To allow dynamic variability sions, which are introduced in [7, 9], will be used in modeling and to keep a lean SES tree, the SES/MB this presentation, too. framework was extended by several features, such as an interface to the SES and a procedural knowledge 2.1 Node Types representation [7]. In the research group Computa- tional Engineering and Automation (CEA) at the Among the four node types, there are two groups, the University of Applied Sciences Wismar a prototype entity nodes and the descriptive nodes. Entity nodes of a full SES/MB-based modeling and simulation describe objects of the real or the imaginary world.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 239 Variability Modeling for Engineering Applications

The root and the leaves of an SES tree are always SES/MB framework defines a set of transformation entity nodes. Relations between the entity nodes are methods for generating executable simulation models, specified by descriptive nodes. but automated model generation is not provided. To allow automated generation and execution of models, Descriptive nodes are the genus for aspect nodes, the SES/MB approach has been extended [7, 9, 10]. specialization nodes and multi-aspect nodes. Aspect These extensions make the SES/MB approach more nodes describe how entity nodes can be disassembled pragmatic for implementation and to be used in a in partial entities whereas the taxonomy of an entity simulation infrastructure. Figure 1 depicts the extend- is described by specialization nodes. Multi-aspect ed SES/MB infrastructure consisting of the SES/MB nodes are a special case of an aspect node with all framework, an Execution Unit, and an Experiment children being of the same kind. Control. Although the SES/MB approach and its Each node or edge can have attached variables, also extensions are usually considered in connection with called attributes. For entity nodes, the variables repre- the generation of simulation models, they are general- sent properties of the respective object whereas the ly applicable to modular-hierarchical structured soft-

variables at descriptive nodes specify relations be- ware systems. tween their parent node and children nodes or decisions for the pruning process. With the extended procedural knowledge representation as described in [7, 9], values of attached variables can be assigned dynamically.

2.2 Axioms The semantics of the SES are defined by axioms. The types of the nodes have to follow the axiom alternating mode. Every entity node has to be followed by a descriptive node, and vice versa. A strict hierarchy is needed. In every path of the tree, a name of a node may occur only once. If nodes in different paths have Figure 1. Extended SES/MB-based infrastructure the same name, they need to have the same variables and isomorphic partial trees. This is called uniformity. Operations Nodes on the same level of hierarchy, called sibling On the SES, a merge operation is defined allowing nodes, have to be valid brothers, meaning that sibling two or more SES to be combined. This allows the nodes must not have the same name. The axiom of quick reuse of a once defined SES. The essential attached variables implies that a node must not have operation on the SES is the pruning method. To ex- variables of the same name. The axiom of inheritance tract one particular system structure and configura- implies that, during pruning, the parent and the child tion, the SES needs to be trimmed to a PES. During of a specialization combine their attributes. If parent the pruning process, decisions have to be taken at and child have the same attributes, the parent attrib- descriptive nodes. Therefore, rules need to be defined utes are overwritten with the child attributes and their at aspect, multi-aspect and specialization nodes. The values. specialization rule (specrule) associated with a specialization node determines which child entity shall 2.3 Extended SES/MB Infrastructure be selected. Aspect rules (aspectrule) associated with The SES describing a set of system designs has been aspect or multi-aspect nodes on the same hierarchy associated with the idea of model generation of mod- level determine which of the siblings is to be chosen. ular, hierarchical systems from the very beginning Furthermore, cross-tree relations can be expressed by (Zeigler, Praehofer, and Kim 2000) which led to the selection constraints. Selection constraints can be SES/MB approach. Each system design is defined by used to select a certain entity based on decisions its system structure and parameter configuration in taken anywhere else in the SES tree. Next to the the SES. The core assets of all system variants are pruning method, another transformation method is the specified as a set of configurable basic models, which build method. With the help of the build method, an are organized in a Model Base (MB). The classic executable model can be built from a PES and basic

240 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Variability Modeling for Engineering Applications

models organized in an MB. The basic models are defined by constants or set via SES variables or SES specific for a simulation software. Therefore, the Functions. build method needs to match to the simulator used. SES Functions Execution Unit and Experiment Control The concept of SES Functions (SESfcn) has been For automated and reactive processing of SES mod- introduced to specify complex variability within node els, an execution unit and an overall experiment con- attributes with minimal effort and to keep a lean SES trol unit are added to the framework, as depicted in tree. Typical examples include the definition of vary- Figure 1. For automatic generation of different PES, ing coupling relations, varying port numbers of sys- leading to different simulation models, an interface to tems or the definition of variable parameter configu- the SES is needed. This interface can be established rations in attributes. During pruning, SES functions by global variables of the SES, called SES Variables are evaluated, often with SES variables as input pa- (SESvar), which can affect the decisions taken in rameters. For effective coding of SES functions, the descriptive nodes during pruning. Thus, a particular implicit attributes parent and children are introduced system configuration derived from an SES depends for each SES node. They encode the parent and chil- on the current settings of the SES variables. The val- dren node names, respectively. ue range of SES variables can be limited by defining semantic conditions, which are checked before prun- 2.4 Software Tools for the Extended SES/MB ing to exclude certain system configurations. By Infrastructure assigning values to the SES variables, the experiment In the Research Group CEA, a prototype tool for the control determines the order and system configura- SES/MB infrastructure was developed, The SES tions of executable simulation models (SM) to gener- Toolbox for Matlab/Simulink [10]. Currently, SES ate from the SES with the pruning and build opera- trees can be defined via a graphical user interface and tions. Different variants of the executable simulation a concrete variant can be extracted by pruning. The models are generated hereby. The experiment control toolbox supports the modeler with plausibility test then transmits the SM to the execution unit. The exe- during SES construction, graphical representation of cution unit links the generated simulation model to the SES, automatic generation of HTML documenta- the simulator, executes a simulation run and, finally, tion, and other features. The pruning process can be sends the results back to the experiment control. The started from the graphical user interface and, in addi- results, in turn, can influence the decision of the ex- tion, is implemented to function automatically. Auto- periment control on how to assign the SES variables matic pruning is necessary when using an SES con- next. structed with the toolbox together with the experiment control. Furthermore, there is a prototype Special Attributes Matlab function implementing a build method for the Combining basic models from the MB leads to the simulation software Simulink, including SimEvents creation of coupled models. In order to describe the and Simscape, the MatlabDEVS toolbox [11], and for structure of the executable model, some nodes need Modelica models. The SES is linked to the appropri- to define couplings. Couplings are properties of de- ate MB with the special mb-attribute of the leaf entity scriptive nodes of the type aspect and multi-aspect nodes. and consist of pairs of entity names and port names. Another software tool based on Python3/PyQt5 is They describe causal or acausal relationships. Fur- under development. The aim is to be more independ- thermore, for a multi-aspect node, a special variable, ent from a computing environment and to support a numRep, has to be defined representing the number greater number of simulators for building executable of children to generate when pruning this node. To simulation models. specify the basic model from the MB an entity node refers to, the mb-attribute is introduced. This special 3 An Engineering Application Specified attribute is permitted just for leaf nodes. Finally, for some cases, it is necessary to define priorities among with the Extended SES/MB Frame- descriptive nodes on the same level of hierarchy in work the priority attribute. All values of attributes can be For development and testing of the pruning algorithm built in the software tools, design patterns were

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 241 Variability Modeling for Engineering Applications

found. Design patterns are rather small SES frag- model can be built from the PES. The feature rela- ments with a certain behavior when pruned. They can tions, except for the OR relation, can be found in the be used to compose complex SES. The design pat- SES. Because of complexity the SES is split up into terns identified can be classified according to the several SES to increase clarity and to demonstrate feature relations in feature models. In the context of modular SES-based modeling. feature modeling, four kinds of features are used: (i) mandatory features (logical AND), (ii) alternative 3.1 Main SES features (logical XOR), (iii) optional features and, The plant is a composition of the plant structure and (iv) OR-features (logical OR). In an SES mandatory the necessary process control strategies. Firstly, the and alternative features can be expressed in several plant structure (plantStructure) shall be explained. ways [12]. In order to be able to describe optional The plant consists of the plant parts for gas (gas), features an extension of the SES is used, the NONE liquid (liquid), the electrical power supply (electrica- element [8]. A NONE element as a leaf entity node lEnergy) and finally, there are controllers to drive the means that, if the NONE branch is selected, the entity plant. The gas and liquid entities are decomposed is not included at all. OR features can only be ex- further whereas the electrical energy (electricalEner- pressed by the combination of a decomposition with gy) is a merge point to the SES in Figure 6. Merge two or more specializations. Each specialization points are written in bold letters in Figure 2. As de- needs to have one NONE element as child. scribed, merge points allow to combine two SES, which are specified seperately. A merge point is char- In this section, an engineering example describing a acterized by the same entity node name in both SES, test bench for valves is given, here called industrial which shall be combined. This implies, that both SES plant (industrialPlant) for generalization. The SES of are defined completely and fulfill all axioms. the whole plant structure and the corresponding process controls is depicted in Figure 2. However, the The mandatory relations described by the aspect node several coupling attributes are not specified in detail. plantStructureDec represent the simplest design pat- Since different valve types shall be tested, there is a tern for pruning, since the resulting PES is identical need for a variability in structure for different test to the SES. We call it design pattern #1. The design procedures. The example shall demonstrate how a pattern are numbered according to the classification complex SES tree can be composed of design pat- found in [12]. However, in the following pruning is terns, how the SES can be pruned to extract one vari- mentioned for all design patterns. One resulting PES ant in the form of a PES, and how an executable representing one test bench configuration is discussed

Figure 2. Main SES of the test bench for valves (without detailed coupling definitions)

242 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Variability Modeling for Engineering Applications

in section 3.8. defined based on an SESvar, so each value can be assigned dynamically. The value range of every Pressure vessels (pressureVessels) as well as com- SESvar should be restricted using semantic condi- pressors, valves, pumps and controllers are entities to tions. A semantic condition needs to evaluate to a subsume a varying number of identical children. They logical value and can contain more than one logical are the parentss of a multiple aspect, so during prun- expression. SESvars are assigned to the numRep ing a number of their respective children is created. attributes at the multi-aspect nodes. There are the The entity controllers for example consists of a num- SESvars spec and asp used in the specrule and the ber of the entity controller. The number is defined in aspectrule respectively. If the SESvar spec equals 1, the variable numRep. This is another mandatory fea- testA is taken, if spec equals 2, testB is selected dur- ture refering to feature models. It is refered to as ing pruning. The SESvar asp can take one of two design pattern #2. Pressure vessel (pressureVessel), possible strings as value. The evaluation of the aspec- compressor, valve, and pump are merge points to SES trule defines that, if asp equals the string p1, proce- specified later. dure1Dec is selected, if asp equals the string p2, As described before, one SES axiom urges nodes in procedure2Dec is taken. different paths with the same name to have the same The aspect and multi-aspect nodes need the special variables and isomorphic partial trees. Therefore the attribute couplings as seen in Figure 2. They describe entities pressureVessels and valves in the branch for the relations of entity nodes. An example for a cou- the liquid (written italic in Figure 2) do not need to be pling definition is given in section 3.9. In this context specified since they are specified for the partial tree the usage of SES functions is illustrated as well. defining the gas. Before listing the sub SES for merge points, the pro- 3.2 Sub SES: Pressure Vessel cess control part in the main SES shall be explained. In Figure 3 the pressure vessel (pressureVessel) is In a derived variant of the SES, either testA or testB specified. Every pressure vessel has the two attributes can be part of the PES to specify a particular system volume and maxPressure. Creating the PES depend- configuration. This is an alternative selection, called ing on the specrule defined, either steel or aluminum design pattern #4. Therefore, the entities testA and is taken as material, which is united with the pres- testB are specializations of the process control that is sureVessel entity. The mb-attribute of the leaf entities represented by the entity pcontrol. For decision, refers to a basic model in the MB as depicted in Fig- which test to execute, a specialization rule (specrule) ure 8. During pruning attributes are inherited to the has to be defined at the specialization node pcontrol- parent, which is renamed and has three attributes Spec. During pruning the specrule is interpreted and afterwards. This is another example for the design the selected testA or testB entity is united with the pattern #4 with the addition of attribute inheritance. parent entity pcontrol. As in the main SES the decision at the specialization is taken based on the specrule and the current values If testA is selected, there are two possible main pro- of SES variables. cedures which can be taken alternatively. The decision is taken by evaluation of aspectrule1 at proce- dure1Dec and procedure2Dec. This design pattern for an alternative selection is refered to as pattern #5. The decision taken leads to a number of elementary procedures (e.g. proA1.1...proA1.n) specific for the selected superordinate main procedure. For testB there is only one main procedure leading to a number of elementary procedures as explained in design pattern #1. The SES in Figure 2 demonstrates the use of SES variables (SESvars) for dynamical generation of dif- Figure 3. SES of a pressure vessel ferent system configurations. SESvars can contain any type of value. At nodes needing a decision during pruning, the corresponding attribute or rule can be

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 243 Variability Modeling for Engineering Applications

3.3 Sub SES: Compressor as design pattern #10 and is showing attribute inher- The details of the compressor can be seen in Figure 4. itance among several layers. In section 3.8 the inher- A compressor is composed of the drive, the cooling itance of names and attributes is explained in detail. and a controller. The drive is composed of the motor The controlValve is composed of the cvController and and a transmission. This is an SES construction as the cvActuator. Seen from the top entity valve, this is described in design pattern #1. The motor can be another combined design pattern consisting of a spe- specified as a three-phase asynchronous motor or an cialization with a succeeding aspect. We call it design ac motor, whereas these refer to a model in the MB pattern #11. It shows that during pruning the special- with their mb-attribute. During pruning, this part is ization typeSpec is resolved according to design pat- resolved as described for the pressure vessel in design tern #4 and the aspect cvDec is not changed like in pattern #4. The cooling is an optional element. Since design pattern #1. The dotted line in Figure 5 is a it is a specialization with a NONE element, the prun- selection constraint for cross-tree relations, which ing process resolves the cooling either to water cool- forces the use of a pneumaticalDrive, if a viceValve is ing, air cooling or no cooling at all. The optional tree selected. It may be noticed, that in Figure 5 not all section is refered to as design pattern #8. leaf nodes have an mb-attribute. Either the leaf nodes in the branch of the typeSpec entity or the leaf nodes 3.4 Sub SES: Valve in the branch of the driveSpec are allowed to have Valves are needed for the plant parts for gases as well mb-attributes. The other branch can only configure as for liquids and are only defined in the partial SES the basic model, which the mb-attribute refers to, by defining the gas as described before. A valve is of a evaluating the attributes. There is no rule to specify, type and needs to have a drive. The specialization which specialization to prune first at specialization siblings typeSpec and driveSpec in Figure 5 can be siblings. During pruning identical attributes are classified as mandatory feature and are refered to as overwritten in parent nodes, so would be the mb- design pattern #3. The entity electricalDrive is spe- attribute. cialized into acMotor and dcMotor according to design pattern #4. During the pruning process all spe- 3.5 Sub SES: Electrical Energy cializations are resolved, attributes are inherited and The SES describing the electrical energy is shown in the entity valve is renamed with the selected type, Figure 6. The electrical energy (electricalEnergy) can drive and, if the electricalDrive is selected, the motor be generated with a number of generators specified in type. Two specialization nodes in one path as seen in the variable numRep or the electrical grid (gridDec) this example is a combined design pattern refered to is used. The grid is decomposed into a power plant

Figure 4. SES of a compressor

244 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Variability Modeling for Engineering Applications

Figure 5. SES of a valve

(powerPlant) and the transmission net (transmission- leaf nodes is needed. A possible model base (MB) for Net). The decision, whether the generator or the grid this example is given in Figure 8. The MB contains is selected, is taken in aspectrule2. This alternative the dynamic models for simulation of the respective structure created of siblings of aspect and multi- devices. Every model needs input and output ports for aspect nodes is called design pattern #7. building coupling relations. A basic model in the MB can be composed of a number of other basic models as depicted for the TNT model.

Figure 6. SES of the electrical energy

3.6 Sub SES: Pump The pump can be built with the SES depicted in Fig- ure 7. It is decomposed into the motor, the wheel and a controller just like design pattern #1. The motor does not need to be specified since it is already de- Figure 8. Model Base for this example fined in the SES of the compressor (see Figure 4). 3.8 Deriving a PES Since an SES specifies a number of different system configurations, the SES has to be transferred to a PES by pruning in order to get a particular system configuration. For the configurable test bench for valves one possible PES is depicted in Figure 9. Before pruning, values are assigned to the SESvars and Figure 7. SES of a pump checked using the semantic conditions. The process of resolving all necessary decisions is described in the 3.7 Model Base following. For model generation a library containing the config- First, it shall be described how to derive a particular urable basic models specified in the mb-attribute of variant of the main SES. Since the resulting PES for

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 245 Variability Modeling for Engineering Applications

pruning pattern #1 is identical to the SES, the com- the succeeding model generation. position of the plant (industrialPlant) as well as the For generatimg the PES of a valve both specialization composition of the plant structure (plantStructure), siblings have to be resolved, the resulting names are the gas (gas) and the liquid (liquid) are part of the connected and the attributes are inherited (design PES. The multi-aspect nodes pvMasp, cMasp, vMasp, pattern #3). It depends on the pruning algorithm ctrlMasp, and pMasp are resolved following design used, which of both specializations is pruned first. pattern #2 by converting them in aspect nodes with There is no explicit rule. In this example the pruning the name extension Dec and a number of children is started with the specialization typeSpec. The type defined in numRep is created. The number of each controlValve is selected and an intermediate parent child is appended to the nodename of the child. entity controlValve_valve1 can be assumed. The value For the electrical energy (electricalEnergy) the selec- of the attribute diameter in the parent node is replaced tion for generatorMasp is taken in the aspectrule2 with the value of the same attribute in the child ac- (design pattern #7) and the respective children (gen- cording to design pattern #4. The tree beginning with erator) are created as in design pattern #2. cvDec is a composition, which is not changed during The pressure vessel is pruned according to design pruning (design pattern #1). pattern #4. As material of the pressure vessel (pres- Since electricalDrive is selected in driveSpec, both of sureVessel) aluminum is selected in the specrule. The the specializations in one path (design pattern #10) name of the selected entity (aluminum) is united with driveSpec and edSpec need to be resolved like in the parent of the specialization (pressureVessel) to design pattern #4. The entity node dcMotor is select- aluminum_pressureVessel, attributes of the children ed, the attribute dcvoltage is moved to the top entity are inherited to the renamed parent and the specializa- which is renamed to dcMo- tion node materialSpec is deleted. tor_electricalDrive_controlValve_valve1 according to The compressor drive (drive) can be pruned using the selections. design pattern #1 and design pattern #4 as before. The entities pressureVessels and valves in the branch The cooling is a specialization evaluating to NONE for the liquid (written italic in Figure 9) are specified according to design pattern #8. The NONE node is for the partial tree defining the gas and do not need to depicted for understanding, but has no relevance for be specified again. That implies, in this design the

Figure 9. Example of a PES describing one particular system configuration

246 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Variability Modeling for Engineering Applications

pressure vessels and the valves have be of the same power attribute. The relevance to relax the uniformity type and number and have to have the same proper- attribute is discussed in [7] comprehensively. ties for both plant parts. Since the PES is a decision-free tree structure, a par- A pump is a composition of a motor, a wheel and a ticular executable model can be generated based on controller and is pruned according to design pattern its information and using basic models from the MB. #1. However, since the motor of the pump is the same entity as of the compressor because of the same name 3.9 Building the Executable Model in the SES, in the PES both nodes need to have the For the generation of the executable model, the cou- same name as well. plings attributes are especially important, as dis- The process control (pcontrol) is derived by evaluat- cussed in section 2.3. Examples on how couplings are ing a specrule like in design pattern #4 and an aspec- specified and resolved are depicted in Figure 10 ac- trule for aspect siblings (design pattern #5). The cording to the SES part of a drive of a compressor in entity node testA is selected and united with pcontrol. Figure 4. Finally the aspect node procedure2Dec is selected, In the SES couplings often have to be defined dynam- which is the child of the renamed testA_pcontrol. ically, since the SES has to describe several configu- Summarized in this configuration the industrial plant ration variants. During pruning, a particular configu- has four pressure vessels, two compressors, thirty ration with static couplings is derived, so that an valves, two pumps, two generators and one controller executable model can be built. Dynamic specification for the plant. Each device of these device groups has can be done using SESfcns as illustrated in pseudo- the same structure and is of the same type. However, code in Figure 10. In the example, the attribute cou- in the case of the motors of the compressors and plings14 in the SES has to specify the coupling rela- pumps it makes sense to relax the axiom of uniformi- tions for both types of basic motor models with a ty, so that different values can be assigned to the different number of ports. In the PES the concrete

Figure 10. Specification of dynamic couplings in an SES, derivation of static couplings in the PES and building an executable model

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 247 Variability Modeling for Engineering Applications

static couplings for the selected basic models are System Entity Structure Ontology within derived, in this case for the basic model ACM. MATLAB/Simulink. Proceedings of the 2016 Particularly, when defining the couplings for a multi- Spring Simulation Multi-Conference, Pasade- ple-aspect node or for nodes refering to basic models, na/CA, USA, pp. 62-69, 2016. whose port numbers vary depending on the selected configuration, defining the couplings via SESfcns is [8] B. P. Zeigler, and P. E. Hammonds. Modeling best practice. and Simulation-Based Data Engineering. Ac- ademic Press, USA, 2007. 4 Conclusion [9] A. Schmidt, U. Durak, and T. Pawletta. Model- This paper discusses, how to use the extended Based Testing Methodology Using System En- SES/MB framework in order to describe and build a tity Structures for MATLAB/Simulink Models. set of simulation models of a complex configurable SIMULATION: Transactions of The Society engineering application by the example of a test for Modeling and Simulation International. bench for valves. It is shown that previously found 92(8), pp. 729-746, 2016. design patterns are appropriate to specify a complex [10] RG CEA. The SES Toolbox for MATLAB / engineering problem. Such engineering problems can Simulink Website. be modeled using the Software Tools for the Extend- http://www.cea-wismar.de/tbx/SES_Tbx/ ed SES/MB Infrastructure presented and can be built sesToolboxMain.html, Accessed Jan. 15, 2018. for different simulators. [11] RG CEA. The PDEVS Toolbox for MATLAB

Website. http://www.cea-wismar.de/tbx/DEVS_Tbx/ 5 References MatlabDEVS_Tbx.html, Accessed Jan. 15, [1] O. Alt. Variantenmanagement. In: Modellba- 2018. sierte Systementwicklung mit SysML, Hanser, [12] C. Deatcu, H. Folkerts, T. Pawletta, and U. Germany, pp. 139-144, 2012. Durak. Design Patterns for Variability Model- [2] K. C. Kang and H. Lee. Variability Modeling. ing Using SES Ontology. Paper submitted for In: Systems and Software Variability Man- Spring Simulation Multi-Conference, Balti- agement, Editors: R. Capilla, J. Bosch, and K. more/MD, USA, 2018. C. Kang, Springer, Germany, pp. 25-42, 2013.

[3] K. C. Kang, S. G. Cohen, J. A. Hess, W. E. Nowak, and A. S. Peterson. Feature-Oriented Domain Analysis (FODA) Feasibility Study. Technical Report, Software Engineering Insti- tute Carnegie Mellon University, USA, 1990. [4] R. Capilla and J. Bosch. Binding Time and Evolution. In: Systems and Software Variabil- ity Management, Editors: R. Capilla, J. Bosch, and K. C. Kang, Springer, Germany, pp. 57- 73, 2013. [5] B. P. Zeigler. Multifaceted Modelling and Dis- crete Event Simulation. Academic Press, UK, 1984. [6] B. P. Zeigler, T. G. Kim, and H. Praehofer. Theory of Modeling and Simulation. Academic Press, USA, 2000. [7] T. Pawletta, A. Schmidt, B. P. Zeigler, and U. Durak. Extended Variability Modeling Using

248 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Experimental Adaptation of a Training Simulator for Manual Welding Processes towards the Teach-In of Welding Robots

Benjamin Knoke1, Mareike Voskuhl2, Marcel Tebbe2, Markus Häveker³, Christian Gorldt1, Klaus- Dieter Thoben1 1 BIBA – Bremer Institut für Produktion und Logistik GmbH at the University of Bremen 2 University of Bremen 3 Daimler AG [email protected]

The programming of welding robots in the automotive industry is mostly performed through the programming by demonstration technique. During such teach-in processes, the robots are manually guided along their desired path. This path is saved as a program that can later be accessed to perform the teached tasks within the production line. The programming by demonstration technique is usually applied by dedicated programmers with limited welding experience. This results in one of the main causes for delays during the startup of new production lines. The paper describes an attempt to provide an assistance during the teach-in process by experimental adaptation of training simulator components. A mounted camera system continuously monitors the relative position and orientation of the welding torch and workpiece. The simulation contains images of metal textures and a welding seam that are computed in real-time and that are displayed using augmented reality technology. Feedback on deviations from the ideal position, orientation, and movement is displayed during the process and can also be analysed afterwards. The experimental application is strongly limited by the restriction to a given set of basic workpieces. How- ever, the visual feedback was considered by the programmers to be very helpful and the application showed great potential that could be used for dedicated industrial products.

1 Introduction lator visually tracks the relative positions and orienta- tions of welding gear and workpiece to continuously Automatisation technology within the automotive provide feedback to the user. This paper investigates sector strongly relies on welding robots [1]. Due to the application of the generated feedback information the ongoing trend towards a „digital factory“, this is to guide the teach-in process of welding robots. not expected to change within the foreseeable future [2], [3] 2 State of the Technology The setup of the welding robots is usually performed 2.1 Programming of Welding Robots by a qualified programmer in multiple iterations. The body parts that are used during setup are usually The most prevalent methods for the programming of scrapped. Nowadays, the welding programmes are welding robots include the generation of programmes often prepared in CAD environments or during other based on CAD models, where the path is defined forms of simulations, but this still does not lead to within a CAD environment [4], and the programming acceptable quality levels without conventional test- by demonstration technique. The latter is commonly ing. As current car models inherit up to 600 complex used within the automotive sector [5]. During such welding seams, this results in considerable costs. teach-in processes, the robots are manually guided along their desired path. This path is saved as a pro- The presented work focuses on the experimental gram that can later be accessed to perform the teached adaptation of a welding simulator, which is usually tasks within the production line. used within manual welding training exercises, to guide the programming of welding robots. This simu-

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 249 Experimental Adaptation of a Training Simulator for Manual Welding Processes towards the Teach-In of Welding Robots

In industrial practice, the programming is usually trodes, and GTAW welding processes; a stand; and applied by dedicated programmers with limited weld- multiple standard work pieces that are made out of ing experience. However, some complex welding plastic and are printed with reference markers [12]. seams require careful tuning of the welding parameters [6]. This results in one of the major causes for delays during the startup of new production lines. A similar approach to the presented method has been proposed by Ni et al. (2017). It generates 3D models of scanned workpieces and employs a haptic input device to define the welding path. The programming is supported by an AR interface as well as haptic force feedback. This approach is designed for scenarios in which the users do not have physical in which the users do not have physical access to the workpieces and the feedback is limited to the positioning of the welding seam, not the generated quality [7]. Figure 2. Soldamatic evaluation screen 2.2 Training Simulators for Manual Welding The current key simulation technologies in welding A mounted camera system continuously monitors the are Virtual Reality and Augmented Reality. During relative position and orientation of the welding torch the past decade these technologies were applied to and workpiece. The simulation contains images of create welding simulators and made the transition metal textures and a welding seam that are computed towards practical application [8], [9]. in real-time and that are displayed using augmented These simulators rely on optic measurement to cap- reality technology. Feedback on deviations from the ture the position and movement of a welding torch or ideal position, orientation, and movement is displayed electrode [10]. The measured characteristics include during the process and can also be analysed after- stick out, work angle, travel angle, travel path, and wards (Fig. 2). travel speed. The available welding simulators differ 3 Methodology greatly in physical and functional fidelity, as well as in price. The paper describes an attempt to provide an assistance during the teach-in process by experimental adaptation of training simulator components. The experiment uses the MIG/MAG simulation in combination with a T-joint workpiece.

Figure 1. Soldamatic welding simulator

The applied simulator system is the Soldamatic training simulator for welders (Fig. 1), which focusses on manual welding processes and is a commercial product sold by Seabery Soluciones. SL [12]. The hard- Figure 3. Experimental setup ware consists of a computing unit that is embedded in a welding equipment casing; a welder’s helmet that The main components are the Soldamatic welding holds cameras, speakers and an integrated display; simulator as well as a KUKA KR15 industrial robot attachable hand-held devices for MIG/MAG, elec-

250 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Experimental Adaptation of a Training Simulator for Manual Welding Processes towards the Teach-In of Welding Robots

with six axes and a payload of 15kg. The complete The final evaluation has been performed by industrial assembly is depicted in figure 3. The welding helmet experts, who included welding trainees, welding of the simulator has been disassembled, as only the trainers, and maintenance staff. camera system was required. Additionally, a light attachment has been constructed to mount the camera 4 Findings and Limitations system on the industrial robot (figure 4). The artificial Once the programming of the welding robot had been welding gun for the robot has been created with a 3D tuned according to the feedback of the simulation, the printer to resemble the simulator’s MIG/MAG gun, as repetition of the experiment constantly led to positive it is required to hold the reference markers in their results, which indicates a certain degree of consisten- original position. cy. The industrial experts stated the application could be used to display and correct position and orientation of the welding torch relative to the workpiece. The ideal configuration of these parameters was considered to be similar to the programming made based on the simulation. However, the velocity that is demanded by the simulation, is estimated to be too low for industrial practice and may ultimately lead to the de- struction of the workpiece due to burning through. The practical usability of the simulations in production was rated as high by the maintenance employee. Even trained welding experts benefit in his opinion from the guidance, since the programming of a welding robot, in contrast to manual welding, cannot be performed intuitively. The technology also provides Figure 4. Camera mount and custom welding torch in the opportunity to have an initial teach-in done by a position over the workpiece robot expert, so that a welding expert is only required to assist at the end of the teach-in process for addi- The simulation parameters are listed in table 1. The tional fine-tuning operations. experiment has been run in a configuration for begin- ners, as this offers the most guidance during the pro- It was also highlighted that the working position of cess. The simulations’ feedback has been applied to the programmer and his vision on the task are im- tune the position, orientation, and movement of the proved by the simulation. Only in rare moments, a welding robot. The robot has been programmed with detailed look at the exact position of the nozzle must an average speed of 1,5mm/s and five reference be taken. The adjustment of angle and distance can be points have been defined along the weld. Once the done on the monitor of the simulation device. This calibration has been optimized according to the simu- could be particularly helpful in the case of inaccessi- lation, the exercise was performed multiple times. ble or unergonomic seam positions.

parameter value Overall, the experts were sceptical as to whether the simulation device can reproduce the very complex difficulty beginner processes involved in industrial welds. Necessary material steel changes in the speed with varying wall thicknesses, workpiece thickness 10mm material changes or elaborate curves are initially not welding additive diameter 1mm provided in the system. seam type single-layer fillet weld 5 Conclusion and Outlook protective gas argon mixed gas The experimental application of the training simulator current 23A towards the teach-in of welding robots has been performed for a sample T-joint workpiece. The industrial voltage 30V experts reported the feedback through Augmented Table 1. Selected simulation parameters

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 251 Experimental Adaptation of a Training Simulator for Manual Welding Processes towards the Teach-In of Welding Robots

Reality a considerable benefit in finding the correct [4] L. A. Ferreira, Y. L. Figueira, I. F. Iglesias, & position and orientation of the welding torch. This M. Á. Souto. Offline CAD-based Robot Pro- benefit would be especially relevant in settings with gramming and Welding Parametrization of a limited access or visibility. Flexible and Adaptive Robotic Cell Using En- riched CAD/CAM System for Shipbuilding. However, the experimental application is strongly Procedia Manufacturing 11, pp. 215-223, limited by restriction to a given set of basic work- 2017. pieces. The introduction of additional workpieces to the Soldamatic simulation has already been per- [5] P. Kah, M. Shrestha, E. Hiltunen & J. Mar- formed in few cases, but requires considerable effort tikainen. Robotic arc welding sensors and and interaction with the developer. The approach programming in industrial applications. Inter- described by Ni et al. (2017) employs a scanning national Journal of Mechanical and Materials module that creates point clouds of the workpiece [7] Engineering 10(13), 2015. and could be a possible approach to overcome this [6] C. M. Horváth, P. Korondi & T. Thomessen. barrier. A method to define the seam positions would Robotized multi-pass Tungsten Inner Gas be required as well, which should be flexible enough welding of Francis hydro power turbines. Pro- to follow the outline of complex seams and allow for ceedings of the 26th International Symposium changes in material thickness. on Industrial Electronics (ISIE), pp. 1759- Additional challenges were imposed by the optical 1765, 2017. sensors, which had to be positioned at an average [7] D. Ni, A. W. W. Yew, S. K. Ong & A. Y. C. distance of 300 mm to the workpiece. The recognition Nee, Haptic and visual augmented reality in- was impeded by vibrations of the system that were terface for programming welding robots. Ad- caused by robot movement. A dedicated application vances in Manufacturing 5(3), pp. 191-198, should be designed rather compact to allow for welds 2017. that are difficult to access. [8] K. Fast, T. Gifford & R. Yancey. Virtual train- 6 Acknowledgement ing for welding. Proceedings of the 3rd IEEE The authors would like to thank the Mercedes-Benz and ACM International Symposium on Mixed plant in Bremen as well as the Daimler Zukun- and Augmented Reality (ISMAR 2004) in Ar- ftswerkstatt for the opportunity and support necessary lington, pp. 298-299, 2004. to realize the experiments, as well as the German [9] S. White, M. Prachyabrued, D. Baghi, A. Federal Ministry of Education and Research (BMBF) Aglawe, D. Reiners, C. Borst & T. Chambers. for their support in the project “MESA - Media Use in Virtual welder trainer. Proceedings of the Welding Education" (grant number 01PD14016). IEEE Virtual Reality Conference 2009 in Lafayette, pp. 303-303, 2009. 7 References [10] M. L. L. Okimoto, P. C. Okimoto & C. E. [1] T. Bauernhansl, M. Ten Hompel & B. Vogel- Goldbach. User experience in augmented real- Heuser. Industrie 4.0 in Produktion, Automa- ity applied to the welding education. Procedia tisierung und Logistik: Anwendung, Technolo- Manufacturing 3, pp. 6223-6227, 2015. gien und Migration. Springer, Vieweg, Wies- baden. 2014. [11] B. Knoke & K. D. Thoben. Integration of Simulation-based Training for Welders. Simu- [2] D. Hömberg, C. Landry, M. Skutella & W. A. lation Notes Europe 27(1), pp. 37-44, 2017. Welz. Automatic Reconfiguration of Robotic Welding Cells. Mathindustry 27, pp. 183-203, [12] Seabery Soluciones. Soldamatic educational 2017 augmented reality: la tecnología educativa más avanzada y competitiva para la formación [3] A. Lüder & N. Schmidt. Challenges of Mecha- de soldadores, 100% española. Soldadura y tronical Engineering of Production Systems: tecnologías de union 23(130), pp. 58-60, 2012. An Automation System Engineering View. Mathindustry 27, pp. 93-114, 2017.

252 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

Maschinelles Lernen beim visuellen HMI in der Testautomatisierung vernetzter Fahrzeugfunktionen bei Volkswagen

Robert Buchta, Adrian Heller Prüfinfrastruktur zur Elektronikintegration und -absicherung auf System- und Gesamtfahrzeugebene, Volkswagen AG, Wolfsburg [email protected]

In diesem Beitrag wird aufgezeigt, wie das maschinelle Lernen in der Auswertung des visuellen HMI bei der testfallfreien Testautomatisierung unterstützt. Dabei werden die einzelnen HMI-Elemente von Analysealgo- rithmen ausgewertet. Um möglichst viele Szenarien mit zahlreichen Situationen auswerten zu können, unter- stützt eine Klassifikation der HMI-Elemente erheblich. Im Beitrag wird das Vorgehen mittels merkmalsba- sierender Verfahren zur Bildauswertung vorgestellt und diskutiert. Dabei wird auf die Detektion und De- skription der Merkmale entsprechend der vorhandenen Anforderungen eingegangen. Weiterhin wird die Er- stellung eines Bag of Visual Words vorgestellt, der als Grundlage für die Klassifikation dient. Abschließend wird noch die Verwendung der Klassifikation in der testfallfreien Testautomatisierung skizziert.

! ! Die Variantenvielfalt sowohl technischer Art als auch " Ländervarianten des HMI (engl. Human Machine Interface) in Kombination mit agiler Softwareent- In der Testautomatisierung werden für die Fahrzeug- wicklung stellt hohe Ansprüche an die Testautomati- funktionen die HMI-Elemente überprüft. In den Ge- sierung. Erhöht wird die Komplexität zusätzlich samtbildern der Anzeige-Bedieneinheit des Infotain- durch das rasante Wachstum neuer Funktionen, die mentsystems und des Kombiinstruments wird das durch eine Onlineverbindung des Fahrzeugs mit dem Vorhandensein der richtigen HMI-Elemente über- Internet ermöglicht werden. prüft. Bislang erfolgte eine Bildanalyse zur Messung Die agile Softwareentwicklung mit ihren kurzen Zyk- der Ähnlichkeit von Objekten bzw. Bildern, für das len und damit häufigen Ergebnissen garantiert stetig automatisierte, testfallfreie Testen kommt nun eine wachsende Funktionshübe für das HMI des Gesamt- Objekterkennung und Klassifikation von Objekten fahrzeugs. Um diesen schnellen Intervallen in der dazu. Testautomatisierung gerecht zu werden, setzt Volks- Folgend werden die Anforderungen an die visuelle wagen verstärkt auf neuartige Testverfahren und Auswertung des HMI erläutert, um in den späteren Auswertemethoden für das HMI des Gesamtfahr- Kapiteln die Wahl der verschiedenen Methoden nach- zeugs. vollziehen zu können. Am Beispiel der Fahrzeugklimatisierung fokussiert Die Bildregistrierung bzw. Objektlokalisation spielt dieser Beitrag die Methodik zur Auswertung des eine weniger wichtige Rolle. Zwar wird bislang beim visuellen HMI in der Testautomatisierung. Hierzu Template Matching die präzise Position ermittelt, werden merkmalsbildende Verfahren der Bildauswer- jedoch aber auch nur mit dem Ziel das höchste Ähn- tung verwendet. Neben den Anforderungen für den lichkeitsmaß, zur Überprüfung der Übereinstimmung, Anwendungszweck fokussiert dieser Beitrag das zu ermitteln. Die Region of Interest (RoI) ist für eine Vorgehen zur Detektion und Deskription der Merk- erfolgreiche Klassifikation wichtig, jedoch muss für male und die anschließende Klassifikation der HMI- den angedachten Anwendungszweck nicht die exakte Elemente. Die Klassifikation unterstützt erheblich die Position eines Objektes im Gesamtbild ermittelt wer- Auswertung des Verhaltens bei testfallfreien, virtuel- den. Vielmehr soll das Vorhandensein eines Objekts len Straßenfahrten, die automatisiert durchgeführt im Gesamtbild mit hoher Zuverlässigkeit ermittelt werden. werden. Hierbei wird der Ansatz verfolgt die Merk- male eines Objektes im Gesamtbild wiederzufinden

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 253

unter der Bedingung, dass die Summe der Merkmale Zur Organisation der Arbeit fördert Transparenz in eines jeden interessierenden Objekts von allen ande- den unterschiedlichen Teilaufgaben eine allgemeine ren Objekten sicher unterschieden werden kann. Da- Akzeptanz bei den vielen beteiligten Mitarbeitern in bei variieren die Merkmale in gewissen Grenzen, da der Funktionsentwicklung der Domänen. Ebenso sich das HMI in einer sehr dynamischen Entwicklung unterstützt Transparenz bei der Wahrung des Über- mit entsprechend häufigen Softwarelieferungen be- blicks bei der stetig wachsenden Anzahl zu klassifi- findet. zierender Objekte. Und eine Aufgabenteilung lässt Freiraum, um langfristig Teilaufgaben durch andere Die Variationen der Merkmale sind zurückzuführen Methoden ersetzen zu können. Diese zusätzlichen auf eine stetige evolutionäre Entwicklung der HMI- Anforderungen begrüßen ein Vorgehen der Aufgaben- Elemente über den Entwicklungsprozess hinweg. Die teilung bei der Detektion, Deskription und Klassifika- HMI-Elemente reifen bis zum Ende des Entwick- tion. Stark integrative Lösungen, die diese Teilaufga- lungsprozesses. Weiterhin gibt es geringfügige Trans- ben integrativ und teils wenig transparent und nach- lationen, Rotationen und Skalierungen der HMI- vollziehbar durchführen, wie beispielsweise Convolu- Elemente über die Softwarelieferungen hinweg. Ro- tional Neural Networks (CNN) sind wegen der orga- buste Detektorverfahren, die in der Testautomatisie- nisatorischen Anforderungen weniger im Fokus. rung ein sicheres und zuverlässiges Erkennen von Objekten sicherstellen können, sollten für die ange- dachte Anwendung folgende Eigenschaften erfüllen [1]: Für die Klassifikation ist eine Extraktion der Merk- Reproduzierbarkeit, male von entscheidender Bedeutung, um eine hinrei- Einzigartigkeit, chende Unterscheidung der Objektkategorien sicherzustellen. Für das systematische, aufgabengeteilte Stabilität. Vorgehen erfolgte zur Auswahl eines Detektors und Zur Reproduzierbarkeit sollten die Schlüsselpunkte Deskriptors eine Analyse und Bewertung der Metho- der korrespondierenden Merkmale des Objektbildes den MSER, SURF und HOG. Als Referenz dient das und des Referenzbildes gleich sein. Dies stellt die bislang zur Bildregistrierung eingesetzte Verfahren Unabhängigkeit der Punkte gegenüber Rauschen und der Kreuzkorrelation in der Testautomatisierung. Blickwinkeländerung sicher. Die Umgebung der Anhand von 30 Bilderpaaren, wovon 15 den Gutfall Schlüsselpunkte variiert genug, um die jeweiligen (Prüfung auf i.O.) und 15 den Schlechtfall (Prüfung Punkte hervorzuheben und somit zwischen den auf n.i.O.) darstellen, wurden folgende 3 Varianten Merkmalen unterscheiden zu können (Einzigartig- zur Merkmalsextraktion und –beschreibung mitei- keit). Die Punkte sollten einzigartige Eigenschaften nander verglichen: haben, welche sie invariant gegenüber Rotation in 1) MSER-Detektor/ SURF-Deskriptor/ SSIM- mehreren Achsen, Translation in mehreren Richtun- Index gen, Unschärfe oder Skalierungsänderungen macht (Stabilität). Insbesondere stärkere Skalierungsände- 2) HOG-Deskriptor/ SSIM-Index rungen resultieren aus den unterschiedlichen Tech- 3) Normierte Kreuzkorrelation (als Referenz) nikvarianten der Infotainmentgeräte. Da für die Merkmalsmethode lediglich Grauwertbil- Das Zeitverhalten muss ebenfalls betrachtet werden. der genutzt werden können, muss die Information der Der gesamte Auswerteprozess muss mit einem lang- Farbe auf anderem Wege berücksichtigt werden. Die samen dynamischen Prozess Schritthalten können. Es empirischen Analyseergebnisse haben gezeigt, dass geht hierbei um Antwortzeiten von bis zu mehreren das Untersuchen der einzelnen Farbkanäle mittels Zehntelsekunden, die in der Testautomatisierung merkmalsbildender Verfahren schlechtere Ergebnisse eingehalten werden müssen. erzielt hat, als die SSIM Methode [1]. Folglich wird Schlussendlich müssen die Methoden für die Detekti- der SSIM-Index als Methodik zusätzlich berücksich- on, Deskription und Klassifikation mit diesen Variati- tigt. onen des sich entwickelnden HMIs umgehen können, Bei Variante 1) wird die Methode MSER (engl. Ma- um zuverlässig die Objekte prädizieren zu können. ximally stable extremal Regions) als Merkmalsdetek-

254 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

tor verwendet und der SURF-Deskriptor (engl. Spee- Betrachtet man die Rechenzeit, so ist sowohl bei ded up robust Features) zur Beschreibung der detek- jedem einzelnen Testpaar, als auch bei der Gesamtzeit tierten Merkmale. MSER wurde zur Detektion aus- aller Testpaare ein Zeitbedarf von Faktor 4 bei Vari- gewählt, da dieser Detektor besonders bei Gebieten ante 2) im Vergleich zur Referenz (Variante 3)) und gleichbleibender Intensität effektiv wird [2]. Diese ein Faktor von 5 bei Variante 1) aufgetreten. Dies Regionen haben keine vorgeschriebene Kontur oder signalisiert den erhöhten Rechenaufwand bei den Form. Zudem ist diese Methodik invariant gegenüber merkmalsbildenden Verfahren. Die erhöhte Rechen- affinen Transformationen, d.h. Translation, Rotation zeit ist jedoch bislang nicht störend bei der Anwen- sowie Skalierung der Region beeinflussen somit nicht dung. das Detektionsergebnis. MSER wurde zur Analyse

ausgewählt, da die Eigenschaften dieser Methodik die Anforderungen an die visuelle Auswertung des HMIs erfüllen. Als effektive Methode zur Beschreibung der Wegen der in den Anforderungen bewusst geforderten Umgebung der Merkmale wurde der SURF- Aufgabenteilung wurden integrative Verfahren wie Deskriptor gewählt [1]. Neben einem ähnlichen Ab- Convolutional Neural Networks (CNN) bei der Wahl lauf im Vergleich zur SIFT-Methode, wurde bei der Methodik ausgeschlossen. Mit dem Erfolg der in SURF der Rechenaufwand optimiert, was hinsichtlich Kapitel 3 beschriebenen Detektoren und Deskriptoren der Anforderungen an das Zeitverhalten sinnvoll ist. wurde für eine systematische Vorgehensweise die Als Variante 2) wurde HOG (engl. Histogram of Methodik Bag of Visual Words verwendet, da sie als oriented Gradients) zur Extraktion von Merkmalen Basis auf den bewährten Detektoren und Deskripto- verwendet. Ursprünglich wurde HOG zur Detektion ren anknüpft und die Handhabung der Merkmale für von Personen in Bildern entwickelt [3], jedoch zeigte eine anschließende Klassifikation systematisch er- sich bei der Analyse der Verfahren, dass es auch gute gänzt. Ergebnisse in der Detektion und Beschreibung von Nachfolgend werden die Teilaufgaben des maschinel- Objekten liefert [1]. HOG beruht auf der Beschrei- len Lernens aufgelistet und erläutert: bung von Objekten und Szenerien durch die Vertei- lung von Helligkeitsgradienten im Bild. Damit ist Erstellen von Objektkategorien mit Test- und dieses Verfahren nicht auf Merkmale angewiesen und Validierungsdatensatz, erfordert nicht zwingend einen separaten Detektor. Detektion und Deskription von Merkmalen, Das Ähnlichkeitsmaß wird bei den merkmalsbilden- Erstellen eines Bag of Visual Words, den Verfahren aus einer Summe der gewichteten Ergebnisse von SURF bzw. HOG und SSIM be- Training und Validierung des Klassifikators stimmt. Beim Einfluss von SSIM wird das Maximum (kNN bzw. multiclass linear SVM), der drei gleich gewichteten Farbkanäle herangezogen. Region of Interest bzw. Objektlokalisation Bei der Bewertung der Verfahren mit den 15 Gutprü- mittels Sliding Window, fungen (Prüfung auf i.O.) und den 15 Schlechtprü- Produktiver Einsatz des Klassifikators fungen (Prüfung auf n.i.O.) zeigte sich besonders bei Variante 1) ein hoher Abstand zwischen den i.O.- und Zunächst wurden die Objektkategorien anhand des n.i.O.-Ergebnissen. Im produktiven Einsatz gewähr- Testfokus definiert und hinreichende Test- und Vali- leistet diese Variante, bei Vorgabe eines konstanten dierungsdatensätze, die die relevanten technischen Sollwerts für das Ähnlichkeitsmaß, die höchste Si- Varianten des HMIs abdecken, erstellt. In diesem cherheit für ein richtiges Prüfungsergebnis. Beitrag werden exemplarisch 11 Objektkategorien des Klima-HMI betrachtet. Hierbei handelt es sich Die Abstände bei Variante 2) und 3) fallen geringer um die Luftausströmerpfeile und einige Buttons für aus. Bei Variante 3) fällt jedoch bei den Gutprüfungen Klimafunktionen. In Abbildung 1 sind diese exempla- ein stets sehr hohes Ähnlichkeitsmaß mit geringer rischen Objektkategorien enthalten. Wichtig beim Streuung auf. Folglich besteht auch hier eine hohe Trainingsdatensatz ist, möglichst alle Variationen der Sicherheit, um ein richtiges Prüfungsergebnis zu Objekte für den Gutfall zu berücksichtigen. Ebenso erhalten. sollten beim Validierungsdatensatz realistische Schlechtfälle der Objekte betrachtet werden. Der

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 255

Erfahrungsschatz vorhandener Objekte ist hierbei einzelnen Objektkategorien ermittelt werden. Ande- ausschlaggebend. rerseits werden für die restlichen Objektkategorien bereits beim Erstellen der Datensätze (für den Bag of Details zur Detektion und Deskription der Merkmale Visual Words) die relative Lage und relative Größe können Kapitel 3 entnommen werden. Die gewählten des Objekts im Gesamtbild vermerkt, so dass bei der Verfahren zur Extraktion der Merkmale dienen als produktiven Klassifizierung direkt dieser vermerkte Basis zur Erstellung des Bag of Visual Words. In den Bildbereich ausgewertet wird. Mit diesem Vorgehen Objektkategorien des vorliegenden Klimabeispiels wird der Zeitaufwand für die Gesamtauswertung wurden einige Tausend Merkmale ermittelt. Diese geringgehalten. Dies hilft insbesondere in zeitkriti- vergleichsweise geringe Anzahl resultiert aus den schen Anwendungen. kleinen Bildern der Objektkategorien, die lediglich Ausschnitte aus einem HMI-Bild darstellen und damit Abbildung 1 zeigt exemplarisch die Bereiche für die relativ wenig Inhalt haben. Region of Interest. Rahmen mit durchgezogenen Linien markieren die Buttonleisten (links, rechts und Der Großteil der am stärksten ausgeprägten Merkma- unten), wo mittels Sliding Window die Lokalisation le über alle Objektkategorien hinweg bildet die Basis der Buttons erfolgt. Weiterhin zeigen Rahmen mit für das „visuelle Vokabular“ des Bag of Visual gestrichelten Linien exemplarisch die Objekte der Words. Mittels K-Means Clustering wurden die Objektkategorien an. Merkmale als „visuelles Vokabular“ quantifiziert. Mit 2000 Clustern ermöglicht der Bag of Visual Words eine hinreichende Unterscheidung der einzelnen Ob- jektkategorien für das exemplarische Klima-HMI. Mit dem erstellten Bag of Visual Words wird ein Klassifikator trainiert und anschließend validiert. Hierbei wurden mit einer linearen Support Vector Machine (SVM) als Multiklassen-Klassifizierer gute Resultate erzielt, die sich in der Wahrheitsmatrix für den Validierungsdatensatz wiederfinden (Tabelle 1). Der Mittelwert der Diagonalen beträgt dabei 97 %, womit im produktiven Einsatz eine erfolgreiche Klas- Abbildung 1. Exemplarisches Gesamtbild mit Regi- sifikation sichergestellt sein sollte. on of Interest der Buttons (eingerahmt) und beispielhafte Objekte (gestrichelt eingerahmt)

Als Erweiterung für das automatisierte Testen anhand

von Testfällen wird zunehmend auch ein testfallfreies Vorgehen mit Szenarien in der Testautomatisierung angewandt. Hierbei werden virtuelle Straßenfahrten durchgeführt, bei denen ganzheitliche Fahrermodelle Tabelle 1. Wahrheitsmatrix exemplarisch für das das Gesamtfahrzeug in verschiedenen Szenarien Klima-HMI bedienen. Mitlaufende Analysealgorithmen untersu- Die Objektkategorien sind Ausschnitte eines gesam- chen die gegenwärtige Szene und die dabei auftreten- ten HMI-Bilds. Zur erfolgreichen Klassifikation spielt den klassifizierten Objekte. Ergebnis der Testautoma- die Region of Interest (RoI) noch eine wichtige Rolle. tisierung ist eine Auflistung der durchgeführten Jedoch ist für den anvisierten Anwendungsfall eine Handlungen des holistischen Fahrermodells. Dabei exakte Objektlokalisation nicht von Interesse. Zur als auffällig bewertete Situationen werden von Fach- Berücksichtigung der Region of Interest werden 2 experten analysiert. Ansätze parallel verfolgt. Einerseits wird das Ge- Ein Beispiel aus dem Bereich Klimatisierung wäre samtbild in Bereiche mit Statusanzeigen und Buttons eine schnelle Autobahnfahrt im Hochsommer, wo bei zerlegt, wo dann per Sliding Window-Verfahren die Veränderung der Klimaeinstellungen das HMI holis-

256 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018

tisch ausgewertet wird. Die Klimaeinstellungen erfolgen dabei durch das Fahrermodell, welches für die Szene parametriert wird. Zur Auswertung der Stimuli sind den Analysealgorithmen für die einzelnen Situa- tionen passende und unpassende HMI-Objekte zugeordnet.

[1] A. Heller. Optimierung der Bildauswertung (des HMI) in der Testautomatisierung. Master- arbeit, Hochschule Ostfalia, Wolfenbüttel, 2017. [2] J. Matas, O. Chum, M. Urban und T. Pajdla. Robust Wide Baseline Stereo from Maximally Stable Extremal Regions. Image and Vision Computing 22, S. 761–767, 2004. [3] N. Dalal, B. Triggs. Histograms of oriented gradients for human detection. IEEE Compu- ter Society Conference on Computer Vision and Pattern Recognition CVPR, in San Diego, USA, S. 886-893, 2005.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 257 258 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 MATLAB unterstützte Auslegung von Signalleitungen

Katrin Reblinsky1 1VWA-Hochschule für berufsbegleitendes Studium [email protected]

Die leitergebundene Übertragung von elektrischen Signalen zwischen einzelnen Komponenten ist wesentlicher Bestandteil von allen modernen informationsverarbeitenden Systemen. Hohe Datenraten erfordern die Berücksichtigung von Wellenphänomenen und damit den Einsatz der Leitungstheorie. Eine be- deutende Kenngröße ist das Rückflußdämpfungsmaß α = −20dB·lg|Γ| des Reflexionsfaktors Γ. Sein Fre- quenzgang α( f ) bestimmt maßgeblich das Übertragungsverhalten der Leitung. Sein Verlauf α(t) entlang eines Leiters läßt sich gut in Beziehung setzen zu elektrischen Materialeigenschaften und mechanischen Geometrien des Leiters. Übliches Vorgehen zur Charakterisierung und Optimierung eines Leitungssys- tems ist die mehrfache aufwändige Vermessung mit vektoriellen Netzwerkanalysatoren und Zeitbere- ichsreflektometern sowie die Berechnung mit EM-Feldsimulatoren. Am Beispiel eines koaxialen HF- Steckverbinders wird gezeigt, wie sich mit MATLAB aus einer vorliegenden diskreten Zeitbereichskurve mit genügender Güte der Einfluß von konstruktiven Kenngrößen auf den Frequenzgang bestimmen läßt. Benötigt werden dazu nur Standardbibliotheken, Grundregeln der Leitungstheorie sowie ein qualitatives Modell von geometrischen Entwurfsparametern, die auch nicht spezialisierten Entwicklungsingenieuren zugänglich sind.

1 Einleitung lassen. Zur Charakterisierung von informationstechnischen Moderne Informationstechnik basiert vornehmlich auf Übertragungsleitungen hat sich die harmonische der Übertragung von Signalen in Form elektrischer Analyse auf Basis von Sinussignalen bewährt. Eine Spannungspulse über Leitungen. Diese bestehen in wichtige Kenngröße ist der komplexe Leitungswellen- der Regel aus einem metallischen Hin- und Rückleit- widerstand ZL, der für einen homogene Leitungsbere- ern, die durch nicht leitendes Material isoliert sind. ich das Verhältnis von sich in gleicher Richtung aus- Typische Beispiele sind Streifenleitungen auf Leiter- breitenden Strom- und Spannungswellen wiedergibt. platten oder koaxiale Verbindungsleitungen. Durchläuft eine Strom- bzw. Spannungswelle Die Datenübertragungsraten heutiger Systeme bedin- einen Bereich mit sprunghafter Änderung der gen zeitlich kurze und schnell wechselnde Span- Leitungsimpedanz, so wird ein Teil der Welle un- nungspulse, die wiederum zu Effekten wie der Re- vermeidlich reﬂektiert und überlagert sich an dieser ﬂexion von Spannungspulsen an Diskontinuitäten in Stelle mit der einlaufenden Ursprungswelle. In den Leitern oder der nicht resistiven Dämpfung im informationstechnischen Kommunikationssystemen Isolationsmaterial führen. Diese Effekte lassen sich ist dies von großer praktischer Relevanz für die im Rahmen der Leitungstheorie der Elektrotechnik als ungestörte Übermittlung von elektrischen Signalen Wellenphänomene verstehen [1]. und muss bei der Auslegung von Leitungsgeometrien und der Wahl von Isolationsmaterialien zwingend Die Leitungstheorie ermöglicht, eine realen Übertra- berücksichtigt werden. gungsleitung stückweise durch idealisierte, homogene 2-Leiter-Systeme zu beschreiben, aus denen sich lin- In diesem Beitrag wird gezeigt, wie vorhandene Mess- earen partiellen Differentialgleichung für Strom und daten oder Simulationsergebnisse aus einer Zeitbere- Spannung als Funktion von Zeit und Ort gewinnen

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 259 ichsanalyse eines koaxialen HF-Verbinders genutzt einem Tor i mit einem sinusförmigen Eingangssig- werden können, um unter Verwendung von Matlab nal und ermittelt an einem Tor j das Verhältnis von mit einfachen qualitativen Modellen die Auswirkun- diesem Signal zum jeweiligen Ausgangssignal. Das gen konstruktiver Änderungen auf die Hochfrequen- Ergebnis sind die komplexen, frequenzabhängigen zeigenschaften abschätzen zu können. Dies ermöglich Streuparameter S ji [9]. gerade weniger spezialisierten Entwicklungsinge- Von praktischer Bedeutung ist dabei der S-Parameter nieuren der Produktentwicklung, Erfahrungswerte für S , der sich als Frequenzgang des Reﬂexionsfaktors den Aufbau solcher Systeme zu entwickeln, ohne 11 interpretieren läßt: durch die darauf spezialisierten HF-Fachabteilungen technisch aufwändige Muster simulieren oder vermessen zu lassen. α( f )=−20dB · lg|S11( f )| (3)

2 Signalanalyse auf Übertra- Der technisch gewünschte sehr niedriger Reflexions- gungsleitungen faktor erfordert ein hohes Rückflussdämpfungsmaß von mindestens 30dB in modernen Kommunikation- ssystemen wie WLAN oder Mobilfunk. Aus der Hochfrequenztechnik sind zwei etablierte Vorgehensweise bekannt, um die ungestörte Übermit- Grundsätzlich läßt sich aus dem Verlauf des tlung von elektrischen Signalen, die sogenannte Sig- Impedanzprofils entlang der Leitergeometrie der nal Integrity, sicherzustellen [5]. Streuparameter S11 am Eingang der Leitung ermitteln [4]. Dabei sind für komplexe Leitergeometrien Zum einen handelt es sich um die Zeitbereichsanal- allerdings technisch aufwändige digitale Signalver- yse. Hier wird das betrachtete System mit einem arbeitungen notwendig, um fehlerfreie Ergebnisse zeitlich sehr kurzen Prüfimpuls beaufschlagt, dessen zu erhalten [2]. Für hochsymetrische Strukturen Durchlauf durch die Leitergeometrie eine Aussage wie koaxiale Filter wurde bereits gezeigt, dass sich über seine elektrischen Ausbreitungseigenschaften er- das Vorgehen grundsätzlich deutlich vereinfachen möglicht. In der Praxis hat sich die Zeitbereichsim- läßt [3]. Dieser Ansatz wird hier aufgegriffen und pulsreflektometrie durchgesetzt, besser bekannt unter weitergeführt. der englischen Bezeichnung Time Domain Reflectom- etry (TDR) [6]. Hierbei wird am Eingang des Systems Dabei wird die im TDR gemessene komplexe Reflek- Γ( ) das Verhältnis von reflektiertem Spannungspuls zum tionsfaktor t als zeitliche Sprungantwort des Mes- stufenförmigen Prüfimpuls in Abhängigkeit der ver- sobjekts angenommen. Seine Ableitung ergibt eine ( ) strichenen Zeit ermittelt Impulsantwort hTDR t . Wie in [3] gezeigt wurde, läßt sich diese bei geeigneter TDR Messung in guter U (t) Γ|(t)= reflektiert (1) Näherung durch eine diskrete Fourier-Transformation UPrüf in die Übertragungsfunktion S11 = HTDR( f ) über- führen. Dies ermöglicht die Bestimmung der Rückflussdämp- In dieser Arbeit wird die Annahme gemacht, dass fung und einer der Impedanz entlang des Leitersys- alleine |Γ(t)| als diskrete TDR-Messung eines beit- tems bandigen, aber elektrisch kurzen Systems vorliegt, Z − Z α(t)=−20dB · lg|Γ| mit |Γ(t)| = L 0 (2) wie dies z.B. für einen koaxialen HF-Verbinders der ZL + Z0 Fall ist. Durch numerische Differenzenbildung mit dem Befehl von MATLAB wird die Impul- wobei die Zeitvariable t hier als Ausbreitungszeit ent- santwort berechnet. Danach erfolgt ein beidseitiges lang des Leitersystems zu verstehen ist. zero-padding und eine gewöhnliche diskrete Fourier- Zu anderen handelt es sich um die Frequenzbereich- Transformation auf dem vorhandenen Abstastraster sanalyse mit einem Netzwerkanalysator (NWA). Hi- der TDR-Messung. Abschliessend wird die Rück- erbei wird das Messobjekt als elektrisches N-Tor be- flussdämpfung gemäß Gleichung (3) berechnet und trachtet. Der NWA beaufschlagt das Messobjekt an dargestellt.

260 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 3 Anwendung auf einen koaxi- Ohne Gegenmaßnahmen führt dies zu einer sprunghaften Änderung von ZL und damit zu einer uner- alen HF Verbinder wünschten Erhöhung von Γ. Bereits in den Anfän- gen der koaxialen HF-Technik wurde empirisch er- Eine koaxiale HF-Verbindung besteht aus zwei mittelt, dass sich dieser Impedanzsprung mildern läßt, konzentrischen Leitungen, die durch eine Isolierstoff- wenn eine konstruktiv notwendige Änderung von d stütze auf Abstand gehalten werden, siehe Abb. 1. mit einer räumlich leicht versetzten Änderung von D kombiniert wird und umgekehrt. Konstruktive Gestal- tungselemente sind z.B. Anfasungen wie in Abb. 2. Theoretisch läßt sich dies als Kompensation durch ein LC-Glied deuten [8]. Abbildung ?? zeigt ein mit dem TDR gemessenes Impedanzproﬁl eines HF-Steckverbinders ähnlich zu Abbildung 1: Querschnitt einer idealen koaxialen HF- Abb. 2. Peaks oberhalb der Referenzimpedanz Verbindung ZL = 50Ω entsprechen einem induktivem Serienglied im Zwei-Leiter-Modell und Peaks unterhalb von Der hochsymmetrische Aufbau führt dazu, dass ZL entsprechen einem kapazitiv wirkendem Parallel- bei vorgegebenem Dielektrikum der charakteristische glied [4]. Der Bereich zwischen den beiden roten Wellenwiderstand nur noch von der Querschnittsge- Markierungen entspricht dem Steckgesicht des Steck- ometrie bestimmt ist und dort nur vom Verhältnis verbinders. des Innendurchmessers des Außenleiters zum Außen- durchmesser des Innenleiters abhängt: 60Ω D ZL ≈ √ ln (4) εr d

Verbindungsleitungen für Hochfrequenzanwendun- gen sind aus diesem Grund vorzugsweise koaxial aus- geführt und in der Messtechnik mit einer Referenz- impedanz von ZL = 50Ω fest etabliert. Für praktische Zwecke werden allerdings Verbindungselemente wie HF-Steckverbinder benötigt. Diese Bauelemente enthalten typischerweise [7] Durchmessersprünge der Innen- und Außenleiter zur mechanischen Fixierung sowie Abbildung 3: TDR-Messwerte eines HF-Steckverbinders zum Übergang von genormten Steckgesicht mit Luftdielektrikum, vergleiche Abb. 2. Wie im vorherigen Abschnitt beschrieben wurden für mehrere solche Messungen mit den Funk- tionen der Standardbibliothek von MATLAB die näherungsweisen Rückflussdämpfungen berechnet.Es ergeben sich schon ohne Renormierung qualitativ gute Übereinstimmungen mit den parallel durchge- führten Messungen der Rückflussdämpfung mittels eines NWAs, siehe Abb. 4. Die errechneten Sig- nale sind erstaunlich unempfindlich gegen Rauschen Abbildung 2: HF-Steckverbinder mit d=7mm und und Anzahl der Abtastpunkte. Untersuchungen mit D=16mm im Steckgesicht (Serie 7-16) nach IEC 60169-4 erweiterter digitaler Signalvereinbarungsketten wie (Quelle: Telegärtner Karl Gärtner GmbH). in [5] beschrieben zeigte nur unwesentlich besserer

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 261 Ergebnisse.

Abbildung 5: Simulierte kapazitive Änderungen am Impedanzproﬁl und ihre Auswirkungen auf die Rückﬂuss- dämpfung.

Abbildung 4: Rückﬂussdämpfung aus NWA-Messung im Vergleich zur Berechnung aus TDR-Messungen.

Bei der mechanischen Auslegung von koaxialen HF- Steckverbindern stellt der Übergang vom genormten Steckgesicht mit dem Dielektrikum Luft zum nicht normativ festgelegten Bereich mit festen Dielek- trikum als Isolierstoffstütze die größte Heraus- forderung dar. An dieser Stelle zeigen sich im Impedanzprofil regelmäßig hohe induktiv-kapazitive Abbildung 6: Simulierte induktive und kapazitive Änderun- Peaks. Solange deren Längsausdehnung klein im gen am Impedanzprofil und die Auswirkungen auf die Rück- Vergleich zur Welllenlänge ist, kopensieren sich flussdämpfung beide Bereiche näherungsweise. In Abb. 5 wurde nun mittels einfachster MATLAB-Array-Operationen tinemäßig aufbereiteten Messdaten der Zeitbereich- der kapazitive Bereich um 1% (rote Kurve), 2% sreflektometrie mittels MATLAB Vorhersagen über (grüne Kurve) erhöht und um 1% (schwarze Kurve) den Frequenzgang der Rückflussdämpfung machen erniedrigt. Es zeigt sich, dass dies schon gravierende läßt. Als Beispielsystem wurden dazu koaxiale HF- Auswirkungen auf den Frequenzgang der Rückfluss- Steckverbinder herangezogen. Diese Systeme haben dämpfung hat. Eine solche Änderung enrspräche eine den Vorteil, dass sie sich nahezu ideal verhalten und mechanischen Anfasung in der Größenordnung von die elektrischen Referenzebenden sich sehr nahe an 0,1mm. die Messobjekte heranführen lassen. Wird jedoch gleichzeitig die kapazitive und die in- Unter diesen Umständen können viele der üblicher- duktive Fehlstelle um jeweils 1% reduziert, so ergibt weise notwendigen zusätzlichen Kalibrationsschritte diese Simulation auf Basis von Messdaten eine deut- entfallen und die Rückflussdämpfung läßt sich in lich verbesserte Rückflussdämpfung genau so, wie es der Tat fast Lehrbuchhaft berechnen. Dies hat aus der Leitungstheorie zu erwarten ist. schon einige praktische Relevanz, ermöglicht es doch Entwicklungsingenieuren, auch ohne längere Einar- beitung oder ausführlichere Absicherungsrechnungen 4 Zusammenfassung schnell qualitativ vernünftige Berechnungen zu mechanischen Änderungen durchzuführen, z.B. zu Einflus- sanalysen. Es wurde untersucht, inwieweit sich ohne vertiefte Kenntnisse der digitalen Signalverarbeitung aus rou- Besonders bemerkenswert ist, dass im Gegensatz

262 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 zur Vorarbeit in [3] keine größeren Anstrengun- gen zur Glättung der Daten unternommen werden mußten oder einer Zwischenabtastung mit der Chirp- z-Transformation benötigt wurde.

References

[1] E. Herter, W. Lörcher, Nachrichtentechnik. Hanser Verlag, Deutschland, 2004.

[2] Pupalaikis et al., TIME DOMAIN REFLEC- TION STEP TO S-PARAMETER CONVERSION Patent No. US 8,706,433 B2, 22.4.2014. [3] I. Nobre, J. Nicolini, J. Garcia und M. Mosso, Signal Processing Technique for Time Domain Measurement of S-Parameters. J. Microw. Op- toelectron. Electromagn. Appl., Seite 105-114, 2016, Band 15, Nr.2, 2016. [4] O. Ostwald, Time Domain Measurements using Vector Network Analyzer ZVR. Rohde & Schwarz, Application Note 1EZ44_0E, 1998. [5] D. Smolyansky, S. Corey, M. Resso, Choos- ing the Right Signal Integrity Tools for Inﬁni- Band Measurements. DesignCon 2002, Paper HP7. Auch verfügbar als Choosing Signal In- tegrity Measurement Tools: Time or Frequency Domain?, TDA, Application Note, 2002. [6] D. Dahlmeyer, Theorie der Zeitbereichsreﬂek- tometrie elektronik industrie, Teil 1 auf Seite 60 in Heft 2 und Teil 2 auf Seite 50 in Heft 3, 2001.

[7] HUBER+SUHNER RF CONNECTOR GUIDE HUBER+SUHNER AG, Document no. 648116, 4th edition, 2007. [8] J.R. Whinnery und H.W. Jamieson, Equivalent Circuits for discontinuities in coaxial transmission lines. Proc. Inst. Radio Engrs., Seite 98, 1944. [9] S-Parameter Techniques Hewlett Packard Com- pany, Test and Measurement Application Note 95-1, 1997.

Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 263 264 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 Proc. ASIM Workshop, Hochschule Heilbronn, 8.-9. März 2018 265 Dieser Tagungsband enthält die Beiträge des ASIM/GI Fachgruppen-Workshops „Simulation technischer Systeme“ (STS) sowie „Grundlagen und Methoden in Modellbildung und Simulation“ (GMMS), der am 8. und 9. März 2018 an der Hochschule Heilbronn stattﬁndet. Der ASIM-Workshop ist ein Forum zur Diskussion methodischer Ansätze sowie praktischer Anwendungen auf den Gebieten der Simulation, der Modellbildung und des maschinellen Lernens. In guter Tradition fördert der Workshop in einer offenen Atmosphäre den Informations- und Erfahrungsaustausch zwischen Fachleuten aus Hochschulen, Forschungseinrichtungen und Industrieunternehmen. Die Beiträge sind sowohl anwendungsorientiert als auch grundlagenorientiert. Die Vorstellung von Ideenskizzen oder noch laufenden Projekten sind hier willkommen. Somit bietet der ASIM Workshop eine interessante Plattform für Wissenschaft und industriepraktische Anwendungen.

Tagungsband $6,0Workshop 676*0062018 Tobias Loose (Hrsg.)

Tagungsband $6,0Workshop 676*0062018 Tobias Loose (Hrsg.)