Home Explore Help
Sign In
Master
/
smart-energy-monitor
2
0
Fork 0
Files Issues 0 Pull Requests 0 Wiki
Branch: master
Branches Tags
smart-energy-mo...
/
slides.md

slides.md 7.0 KB
Permalink History Raw

marp: true theme: gaia

backgroundColor: #fff

Vorstellung der Abschlussarbeit

Johannes Müller 2022

Wer bin ich?

  • Johannes Müller
  • 24 Jahre alt
  • Student an der Hochschule Anhalt
  • Studiengang: Elektro- und Informationstechnik bg

Worum geht es?

  • Abschlussarbeit für das Masterstudium
  • Thema: Energiemonitoring zur Prozessanalyse in industriellen Anlagen am Beispiel von Kernschießmaschinen
  • Abgabe: 07.12.2022

Woher kommt das Thema?

  • Werkstudent bei Laempe Mössner Sinto GmbH
  • seit 2021
  • Abteilung: Elektroplanung
  • Betreuer: Thomas Mengewein bg

Was sind Kernschießmaschinen?

Prozessablauf

  • Sandversorgung
  • Sandsichter
  • Binderversorgung
  • Mischer
  • Kernschießmaschine

Warum Energieüberwachung?

  • Energieverbrauch ist ein wichtiger Kostenfaktor
  • Vorzeitige Fehlererkennung
  • Prozessoptimierung

Bestandteile der Energieüberwachung

  • Erfassung der Einspeisung
  • Erfassung der Steuerströme
  • Datenverarbeitung
  • Datenspeicherung
  • Visualisierung

Bestandteile der Prozessanalyse

  • Erfassung des Anlagenzustandes
  • Erfassung der Prozessparameter
  • Korellation der Zustände mit dem Energieverbrauch

Besonderheiten

  • Unterstützung von mehreren Steuerungstypen und Kommunikationsbussen
Hersteller Steuerungstyp Dezentrale Peripherie Feldbus
Siemens SIMATIC S7-1500 SIMATIC ET 200SP Profinet
Allen-Bradley Compact Logix Point IO EtherNet/IP
Mitsubishi MELSEC iQ-R CC-Link IE Field EthetNet/IP

Implementierung

24V Strommessung

  • IFM DF2102
  • modulare Elektronische Sicherungen
  • IO-Link
  • bis zu 16 Kanäle
  • 1-10A pro Kanal (max. 40A) bg

480V Strommessung

  • Siemens AI-Energy-Meter
  • 3-phasig
  • 3x 150/5A (50/5A) Stromwandler bg

Software

  • Pythonprojekt: PLC-Connector
  • Lesen von Daten aus der Steuerung
  • Lesen von Messwerten aus der Peripherie
  • Synchronisation der Datenquellen
  • Aufarbeitung durch Filterung, Aggregation und Selektion

Einrichtung des PLC-Connectors

  • Installation
  • Konfiguration der Datenquellen (Inputmodule)
  • Konfiguration der Datenverarbeitung (Middleware)
  • Konfiguration der Datenspeicherung (Outputmodule)

Installation mit Docker

Voraussetzungen:

  • Linux-Umgebung
  • Git
  • Docker
  • docker-compose

Installation mit Docker

git clone https://gogs.justprojects.de/Master/smart-energy-monitor.git
cd smart-energy-monitor/box-pc
sudo docker-compose build
sudo docker-compose up -d

Installation ohne Docker

Voraussetzungen:

  • Git
  • Python 3.x
  • Python-Paketmanager pip
  • optional Admin-Rechte (für den snap7-Server auf Port 102)
  • influxdb-Server

Installation ohne Docker

git clone https://gogs.justprojects.de/Master/smart-energy-monitor.git
cd smart-energy-monitor/box-pc/plc-connector
python -m pip install -r requirements.txt
python main.py -c config.yml

Konfiguration der Datenquellen

Inputs:  
  # Definiton des ersten Moduls
  #   ClassName: Name der Python-Klasse des Moduls
  #   path.to.module: relativer Importpfad des Input-Moduls
  - ClassName: path.to.module
    # Ob das Modul geladen werden soll
    # Default: True
    enabled: True
    # Parameter, die an den Konstruktor des Moduls übergeben werden
    param1: "value 1"
    param2: "value 2"

  # Definition weiterer Module
  - ClassName2: path.to.module2
    enabled: True

Konfiguration der Datenquellen

  • Beispiel an einer Siemens S7-1500 CPU

  • als aktiver Partner

    Inputs:
- SiemensCPU: siemens.snap7_connect
enabled: True
host: "192.168.0.10"

Konfiguration der Datenquellen

  • Beispiel an einer Siemens ET200 SP CPU

  • als passiver Partner

    Inputs:
- SiemensServer: siemens.snap7_server
enabled: True
port: 102

Konfiguration der Datenverarbeitung

Middlewares:
  # Definiton des ersten Moduls
  #   ClassName: Name der Python-Klasse des Moduls
  #   path.to.module: relativer Importpfad des Middleware-Moduls
  - ClassName: path.to.module
    enabled: False

  - TimeCorrelation: time_correlation
    # Zwischenmodule können geschachtelt werden, so dass 
    # sie die Ergebnisse des überliegenden Moduls weiterverarbeiten
    submodules:
    - PrintStats: print_stats
      # Standardmäßig werden die Ergebnisse von Middleware-Modulen 
      # ohne Untermodulen für die Ausgabe gesammelt und dedupliziert

Konfiguration der Datenverarbeitung

  • Beispiel für die Filterung

    Middlewares:
- TimeCorrelation: time_correlation
submodules:
- MatchAny: filters
  series: plant
  enable_output: False
  table_move_up: 1
- ComplexFilter: filters
  predicate: "measurement_480v and measurement_24v and avg(measurement_24v.current) > 0.6"
  submodules:
  - ComplexSelector: selectors
    selector: "avg(measurement_480v.current)"
    enable_output: True

  • Beispiel für die Aggregation

    Middlewares:
- TimeCorrelation: time_correlation
- Aggregate: aggregators
  series: 24v
  timespan: 0.1
  avg:
  - voltage
  min:
  - status
  - overload
  submodules:
  - PrintStats: debug
    enable_output: True

Konfiguration der Datenspeicherung

Outputs:
  # Ausgabemodule zum Schreiben von Ergebnisse in eine beliebige Anzahl von Datenbanken  
  # Definiton des ersten Moduls
  #   ClassName: Name der Python-Klasse des Moduls
  #   path.to.module: relativer Importpfad des Output-Moduls
  - CSVStorage: csv_file
    path: logs

  - InfluxDB: influxdb
    url: "http://localhost:8086"
    token: "<token>"
    org: "laempe"
    bucket: "energy-monitor"

Praktische Versuche

  • Testaufbau
  • 1. Versuch an einer LFB65 Kernschießmaschine
  • 2. Versuch an einer LL25 Kernschießmaschine
  • Messergebnisse

Ergebnisse

  • Einsicht in den Prozessablauf

Ergebnisse

  • Korrelation von Anlagenstatus mit dem Energieverbrauch
  • Auswertung für den Versuch an der LFB65
  • Identifikation von möglichen Problemen ---

Demo PLC-Connector

  • Mit dem Replay-Inputmodul