Projekt: Data Driven Engineering
Bis zu 10 % Energiekosteneinsparung zum Launch
Problemstellung
Im Bereich der Gussteilherstellung unterliegt die finale Qualität der gefertigten Produkte einer Vielzahl von Prozess- und Maschinenparametern. Entgegen mancher Vorstellung reagieren gerade massive Bauteile besonders empfindlich auf unterschiedliche Einflussgrößen während des Herstellprozesses. Problematisch ist in diesen Fällen nicht nur der Versuch die entscheidenden Prozessgrößen zu definieren, um zu einem hochwertigen Endprodukt zu gelangen, sondern auch die meist fehlenden Testmöglichkeiten, um eine finale 100% Prüfung zur Qualitätskontrolle durchzuführen.
In den Herstellketten müssen dabei nicht nur messbare Größen, wie Temperaturen, Abkühlzeiten, Vibrationen, Umgebungsbedingungen oder Maschinenparameter beachtet werden. Einen entscheidenden Faktor spielen die Erfahrungswerte der Maschinenbediener, welche auf abweichende Umgebungsbedingungen oder sichtbare Fehleinflüsse innerhalb des Herstellprozesses aktiv reagieren.
Eine zukunftssichere Perspektive bietet die Digitalisierung dieser Vorgehensweisen, wobei die beiden Hauptbereiche dynamischer Messgrößen und subjektives Einschätzungsvermögen der Mitarbeiter nicht strikt separat betrachtet werden darf.
Zielstellung
Die erlangten Erfahrungen im Bereich der Gussteilherstellung sind im klassischen Sinne weder durch die Maschinenbediener formulierbar noch konkret durch definierte Regeln programmierbar. Dies erschwert das Digitalisierungsziel für eine automatisierte Qualitätsoptimierung und – prüfung. Durch die Verwendung von Methoden des Maschinellen Lernens sollen vorhandene Datenquellen genutzt werden, um das Firmenwissen in anwendbare Strukturen umzuformulieren.
Durch die Verwendung dieser Methoden kann eine enorme Datenmenge von Prozessparametern simultan ausgewertet werden und mit Vorhersagen zu etwaigen Fehlerquellen als Stütze dienen. So sind die Experten mit langjähriger Erfahrung im Umgang mit den Maschinen nicht gezwungen hunderte Parameter zu überwachen, sondern in der Lage sich auf die wesentlichen Parameter zu fokussieren um fachgerecht, gezielt in die Prozesse einzugreifen.
Durch diese Maßnahme sollen Fertigungsfehler, durch bspw. partiell nicht an die Struktur angepasste Abkühlverfahren und -zeiten, Bandlaufgeschwindigkeiten oder chemische Zusammensetzung des Grundmaterials, reduziert werden. Diese Einflüsse sollen so früh als möglich während der Herstellung erkannt werden, um Folgekosten durch nicht qualitätsgerechte Bauteile zu minimieren.
Ergebnis
Die Umsetzung und Einbindung der assistierenden MachineLearning Algorithmen erfolgte zeitnah nach Fertigstellung der technischen Grundlagen und angelernten Methoden. Die Dynamik der Algorithmen durch den weiteren Lernprozess unter der fortlaufenden Fertigungslinie bringt Zukunftssicherheit und genauere Vorhersageaussichten in den Folgejahren weiterer Produktlinien der Gussbauteile.
Bereits zum Zeitpunkt des Launch unter Verwendung vergleichsweise geringer Trainingsdaten können gute Vorhersagen bezüglich der erwarteten Herstellqualität erzielt werden. Durch diese Analysen können gerade im Bereich der Serienteilherstellung schon einzelne, mit hoher Wahrscheinlichkeit, fehlerbehaftete Teile gezielt untersucht oder ganz aus der Gesamtherstellkette entfernt werden. Mit der Einsparung nachfolgender Fertigungsschritte an potenziell nicht verwendbaren Teilen konnte kurzfristig ein Großteil der Aufwände zur Realisierung des MachineLearning Vorhabens gedeckt werden.
Während dieser Kenntnis- und Entwicklungsstand die Betreuung und Überwachung des Prozesses maßgeblich erleichtert, wird in der Folge mit fortschreitenden Produktionsreihen und damit steigendem Trainingsinhalt der ML-Methode eine weiterführende Zielstellung erreicht. Hierbei kann unter Nutzung von serienfähigen Maßnahmen, bspw. Schalluntersuchungen oder Fotoaufnahmen, mit Hilfe der Algorithmen des MachineLearning eine zerstörungsfreie 100% Prüfung der Endprodukte erfolgen.
Erfolgsentscheidend ist die Nutzung der Kompetenz der Experten zur Beurteilung der Endprodukte, welche nun in die Lage versetzt werden, ausgewählte Bauteile intensiv zu untersuchen, anstatt durch zufällige Stichprobenanalyse eine Aussage zum Serienprodukt zu treffen.