smart-energy-monitor/slides.md

---

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

---

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

---

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)

---

480V Strommessung

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

---

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