Model-Based Generation of Runt-Time Data Collection Systems Exploiting AutomationML

Abstract

Betreiber von Produktionsstätten benötigen Unterstützung beim Sammeln und Vorverarbeiten von Daten über die Laufzeit von Produktionssystemen, die aus mehreren Systemkomponenten bestehen. Hauptsächlich nutzen die Betreiber diese Informationen als Grundlage für die Optimierung der Anlagen und zur *Corresponding author: Alexandra Mazak, CDL MINT, Institute of Information Systems Engineering, TU Wien, Wien, Austria, e-mail: alexandra.mazak@tuwien.ac.at Arndt Lüder, Konstantin Kirchheim, Ronald Rosendahl, Hessamedin Bayanifar, Faculty Mechanical Engineering, Otto-v.-Guericke University, Magdeburg, Germany, e-mails: arndt.lueder@ovgu.de, konstantin.kirchheim@ovgu.de, ronald.rosendahl@ovgu.de, hessamedin.bayanifar@ovgu.de Sabine Wolny, Manuel Wimmer, CDL MINT, Institute of Information Systems Engineering, TU Wien, Wien, Austria, e-mails: sabine.wolny@tuwien.ac.at, manuel.wimmer@tuwien.ac.at Dietmar Winkler, CDL SQI, Institute of Information Systems Engineering, TU Wien, Wien, Austria, e-mail: dietmar.winkler@tuwien.ac.at Stefan Bif, Institute of Information Systems Engineering, TU Wien, Wien, Austria, e-mail: stefan.bif@tuwien.ac.at Fehlererkennung. Herkömmliche Ansätze von sogenannten Laufzeitdaten-Erhebungssystemen basieren zumeist auf hartcodierter Programmierung, die neben manuellem und zeitlichem Aufwand auch Domänenwissen und entsprechendes Technologie-Knowhow erfordern. In diesem Artikel führen wir den AML-RTDC-Ansatz ein, der die Stärken der AutomationML Datenmodellierung mit der modellgetriebenen Systementwicklung kombiniert, um den manuellen und zeitlichen Aufwand beim Entwerfen eines Laufzeitdaten-Erhebungssystems zu minimieren. Wir evaluieren die Realisierbarkeit dieses Ansatzes anhand einer Fallstudie basierend auf einem Laborproduktionssystem und einem Anwendungsfall, der auf realen Anforderungen basiert.

Production system operators need support for collecting and pre-processing data on production systems consisting of several system components, as foundation for optimization and defect detection. Traditional approaches based on hard-coded programming of such runtime data collection systems take time and effort, and require both domain and technology knowledge. In this article, we introduce the AML-RTDC approach, which combines the strengths of AutomationML (AML) data modeling and model-driven engineering, to reduce the manual effort for realizing the run-time data collection (RTDC) system. We evaluate the feasibility of the AML-RTDC approach with a demonstration case about a lab-sized production system and a use case based on real-world requirements.