iProWZ-DigiZ

Jan. 2018 – Dez. 2020

Das Projekt iProWZ-DigiZ entwickelt ein benutzerzentriertes Projektierungswerkzeug, das Planungsdaten wie R&I-Fließbilder oder Messstellenlisten automatisch auswertet und daraus Basisautomationen, HMIs oder digitale Zwillinge erzeugt. So werden manuelle Schritte reduziert, Fehler frühzeitig erkannt und die Inbetriebnahme industrieller Anlagen deutlich beschleunigt.

Motivation

Zur Verkürzung der Inbetriebnahmezeit einer industriellen Anlage werden heute immer häufiger virtuelle Inbetriebnahmen eingesetzt. Hierbei kann der Steuerungscode bereits vor dem physikalischen Aufbau der Anlage gegen ein Modell getestet werden um bereits vorab Fehler in der Programmierung zu erkennen und damit die Zeit der realen Inbetriebnahme zu verkürzen. Hierzu muss jedoch während der Engineering-Phase bereits ein virtuelles Model der Anlage erstellt werden.

Diese Projektierungsaufgaben sind generell sehr aufwendig. Sie benötigen Planungsdaten des Anlagenbetreibers z.B. Prozessbeschreibungen und Fließbilder. Die Nutzung dieser Daten ist fehleranfällig da sie wegen mangelnder Kompatibilität der Tools oft manuell interpretiert müssen. Ein signifikanter Anteil der gesamten Projektierungszeit ist für diese wenig produktiven Tätigkeiten aufzuwenden. Wird ein digitaler Zwilling der Anlage benötigt, dann verdoppelt sich praktisch der hierfür nötige Aufwand, da dieser aktuell noch in einem separaten Prozess mit eigenen Tools erstellt werden muss.

Ziele

Entwicklung eines neuen und hochgradig benutzerzentrierten Projektierungswerkzeugs, welches als „zentrales" Werkzeug für eine effiziente und durchgängige Projektierung des Automatisierungssystems für verfahrenstechnische Anlagen dienen soll.

Ansatz

Das zu erstellende Werkzeug verwendet als Eingangsparameter vorhandene Engineeringdaten wie Messstellenlisten oder R&I-Fließbilder und generiert aus diesen Daten mit Hilfe von Domänenwissen Strukturen wie Basisautomationen, HMIs oder den Digitalen Zwilling zur Anlage.

In einem ersten Schritt hierfür ist es notwendig vor allem aus den R&I Fließbildern, die in den allermeisten Fällen bei Greenfieldprojekten bereits in der frühen Planungsphase vorhanden sind auszuwerten und möglichst detaillierte Informationen aus diesen zu gewinnen. Hierbei ist ein Arbeitspunkt vor allem das maschinelle auslesen der geforderten Informationen mittels Bild- und Texterkennungsalgorithmen und das Ablegen der erkannten Objekte in einem objektorientierten Metadatenformat. Anschließend wird aus den so erhaltenen Informationen das Gewünschte Ergebnis wie die Basisautomation oder die HMIs direkt komplett oder zumindest teilweise erzeugt, was den weiteren Projektierungsaufwand deutlich verringert.

Erkennung der Elemente

In der Prozesstechnik werden Anlagen mit Hilfe von Rohrleitungs- und Instrumentenfließschemata abgebildet. Diese Schemata enthalten Information zur Art und Bezeichnung der Apparate, zu den Verbindungen der Apparate mittels Rohrleitungen sowie zu den Aufgaben zum Messen Steuern und Regeln.

Um die Apparate aus R&I-Fließbildern zu erkennen wird ein neuronales Netz verwendet, welches auf die in DIN EN ISO 10628 beschriebenen Elemente trainiert ist. Da beim Scannen von R&I-Fließbildern mit üblichen Scanartefakten zu rechnen ist werden die Elemente zum Training des Netzes wie folgt erstellt. Zunächst werden die Elemente normgerecht als Vektorgrafik beschrieben. Diese Vektorgrafik wird in Linienstärke und Farbe der Elemente variiert. Anschließend werden die Bilder um Scanartefakte wie Rotationen, Bildrauschen und Verzerrungen ergänzt und für das Training gerendert.

OCR

Zusätzlich wird zum Erkennen der Elementsymbole, die im R&I-Fließbild vorhandene Schrift ausgelesen und ausgewertet. Dies umfasst sowohl die Beschriftung der einzelnen Elemente, als auch die Aufgabe der Einrichtung zum Messen, Steuern und Regeln.

Für die Schrifterkennung wird ein Algorithmus verwendet, der im ersten Schritt versucht, alle langen Linien im Bild, die wahrscheinlich keinen Text darstellen zu entfernen. Anschließend wird das Bild durch morphologische Operationen weiter bearbeitet, sodass die Bereiche, welche Text beinhalten herausgestellt werden können.

Mittels Tesseract werden anschließend die Texterkennung der erkannten Bereiche durchgeführt. Der erkannte Text wird inklusive seiner Position in einer Excel Tabelle abgelegt und für die weitere Verwendung gespeichert.

Nachdem die Objekte und der zugehörige Text erkannt wurden wird eine Zuordnung durchgeführt. Hierbei werden die Abstände zwischen den Objekten und dem Text, sowie syntaktische Kriterien zur Zuordnung verwendet.

Verbindungs-Erkennung

Erzeugung der Trainingsdaten

Zum Erkennen der Verbindungen der im R&I-Fließbild erkannten Elemente kommt ein künstliches neuronales Netz zum Einsatz, welches die Verbindungslinien erkennt und die Verbindungsinformationen in einer Excel-Tabelle ablegt.

Hierfür werden Trainingsdaten erzeugt, welche aus generisch erzeugten R&I-Fließbildern bestehen. Mittels eines Modifizierten A*-Algorithmus werden zufällig generierte Verbindungsinformationen grafisch dargestellt. Hierbei werden im ersten Schritt in einem Leeren Bild zufällig Elemente aus R&I-Fließbildern platziert. Der A*-Algorithmus bildet anschließend die Verbindungen zwischen den Elementen. grafisch nach, sodass sie möglichst so dargestellt werden, wie auch ein Mensch Verbindungen zeichnen würde. Der Algorithmus sucht den kürzesten Weg zwischen zwei Punkten und wird dabei von mehreren Kriterien beeinflusst. Diese Kriterien sind zum Beispiel, möglichst wenige Kreuzungen von Linien, das Einhalten bestimmter Abstände zwischen parallellaufenden Linien oder eine Linienführung mit einer kleinen Anzahl an knicken.

Die so erzeugten Bilder können nun zum Training des künstlichen neuronalen Netzes verwendet werden.

Erkennen der Verbindungen zwischen den Elementen und den PCE-Stellen
Bestimmung der Typen der einzelnen Verbindungen
Ablage der Verbindungen in einer Excel-Datei als Matrix

Ablage in AML

Zur Ablage der Daten wird das neutrale XML-basierte Datenformat AutomaionML genutzt. AutomationML wurde entwickelt um Daten in verschiedenen heterogenen Toollandschaften auszutauschen und kann für vielfältige Bereiche wie die prozesstechnische und elektrische Anlagenplanung oder auch die Robotersteuerung verwendet werden.

Für die Ablage der Daten wird ein Modell genutzt, bei dem Apperate, sowie Rohrleitungen und Regel- und Messstellen Instanziierte Elemente (Internal Elements) darstellen. Die Verbindungen der Elemente untereinander werden mit sogenannten Internal Links dargestellt.

Für die zu instanziierenden Objekte wurde nach DIN EN ISO 10628 Blatt 2 eine AutomationML System Unit Class Library angelegt. Die Bibliothek enthält alle genormten Objekte und hält für die Objekte jeweils gängige Attribute bereit.

Für die Regel- und Messstellen wird auf die Richtlinie VDI 3697 zurückgegriffen. Die Richtlinie beschreibt den Datenaustausch von PLT-Stellen gemäß NE 150 mit Automation ML. Die Richtlinie gibt vor PCE-Aufgaben gruppiert einem PCE-Loop zuzuteilen. Die Aufgaben beinhalten ihrerseits jeweils die Verarbeitungsfunktionen und stellen mittels der SW-Signal Interfaces die Möglichkeit die weiteren Signalflüsse darzustellen.

Mit der auf diese Weise erstellten Anlagentopologie in einem neutralen Datenformat kann eine weitere Anreicherung der Daten erfolgen. Hierbei kann z.B. auf Messtellenlisten zurück gegriffen werden um Messpunkte aus dem R&I-Diagramm mit Hardwareadressen einer SPS zu verknüpfen.

Export in ProLeiT System

Mit einem AML-File, welches als Datenbasis alle Informationen des R&I-Bildes sowie durch weitere Informationsanreicherung aus weiteren Engineeringdaten ergänzte Informationen enthält, können verschiedene Exporte durchgeführt werden. Durch die Objektorientierte struktur der AML-Daten kann selektiv auf die jeweils für den Vorgang notwendigen Daten zugegriffen werden, so werden zum Erstellen einer HMI beispielsweise andere Daten benötigt als für das Erstellen einer Anlagensimulation für eine virtuelle Inbetriebnahme oder für das Projektieren der Anlage in ein Prozessleitsystem.

Für das Projektieren in das PlantiT System der Fa. ProLeiT wird eine Export-Schnittstelle erstellt, welche es ermöglicht die für das Prozessleitsystem interessanten Daten aus den AML-Dateien auszulesen und sie in einer Exceldatei so abzulegen, dass sie mit dem Excelplugin PlantiT Param, das mit der PlantiT Software ausgeliefert wird, direkt in das Prozessleitsystem importiert werden können.

An dieser Stelle können auch weitere Basisautomatisierungsstrukturen wie Verriegelungslogiken mit erzeugt werden, welche direkt im jeweiligen System mit importiert werden können.