IM FOKUS
Messstellen
auf den Ebenen
2 bis 4 reagieren
wesentlich
schwächer
auf Änderungen
am Prozess.
Stellvertretend
ist
der Maschinensensor
dargestellt
(mitte, oben). Die Kraftkurven
weichen
kaum voneinander
ab.
Ebene 1 unterscheidet
sich von den anderen
Messebenen
insbesondere
durch ihre Lage
vor den Stößelführungen.
Damit
liegen
die PiezoBolts
im Kraftfluss,
noch bevor
Momente
über
die Axialführungen
abgeleitet
werden
können.
Ähnliche
Zusammenhänge
sind aus anderen
Untersuchungen
bekannt
8.
Die oben dargestellten
Untersuchungen
spiegeln
einen Auszug
aus einem umfangreichen
Versuchsportfolio
wider, das
an Anlagen
aus dem unternehmenseigenen
Maschinenpark
durchgeführt
wurde.
Die Versuche
lieferten
einige
wesentliche
Hinweise,
wie sich Matrizenverschleiß
und Matrizenbruch
in den Sensordaten
an den verschiedenen
Ebenen
abzeichnen.
Verschleißbewertungen
können
allerdings
erst verlässlich
unter echten
Serienbedingungen
erfasst
werden.
Aus diesem
Grund wurde
mit einem Automobilhersteller
eine
Maschine
in der Serienproduktion
Ebene
1 sensorisch
ausgestattet.
Die Erfassung
und Datenvorverarbeitung
erfolgte
mit
ConSenses
Technologie.
Als Ergebnis
der Verarbeitung
stehen
hochwertige
Messdaten
in strukturierter
Form, die unmittelbar
in Big-Data-Systeme
übergeben
beziehungsweise
in Datenbanken
oder mitgelieferten
Softwareumgebungen
weiterverarbeitet
werden
können.
In diesem
Fall wurden
die Daten
über einen Broker
an ein Big-Data System
weitergeleitet
und
gleichzeitig
für die Analyse
durch Menschen
lokal
vorgehalten.
In Bild 3 (rechts) ist der Lebenslauf
einer Umformmatrize
vom Start bis zum Tausch wegen
Verschleiß
dargestellt.
Die
Punktewolke
besteht
aus Kennwerten,
die aus einem der vier
PiezoBolts
abgeleitet
werden.
Jedes
Bauteil
ist durch einen
Kennwert
repräsentiert.
Mit bloßem
Auge lässt sich zum Ende
der Matrizenlebensdauer
bereits
ein deutliches
Absinken
der
unteren
Kennwertgrenze
erkennen.
BEWERTUNG
UND KUNDENRESONANZ
Für eine effektive
Nutzung
der Daten
– auch und besonders
mit Methoden
Künstlicher
Intelligenz
– wurden
die stückweise
erfassten
Datensätze
mit Qualitätsdaten
angereichert,
damit
eine spätere
Gruppierung
der Daten
unmittelbar
an Gut- und
Schlechtteile
gekoppelt
werden
und somit
der Erfolg
des Versuchs
belastbar
gemessen
werden
kann. In diesem
Fall wurden
die Daten
durch Erweiterungen
in der Maschinensteuerung
erfasst
und mit den Versuchsdaten
synchronisiert.
Die Datenanalyse
und der Vergleich
der Auswerteergebnisse
der Methoden
Künstlicher
Intelligenz
zeigten
hohe Übereinstimmungen
mit den vom Kunden
festgelegten
Werkzeugverschleißgrenzen.
Durch diese
Pilotanwendung
konnte
die
Serientauglichkeit
des Smart Corrections Services
für Aximus
Pressen
nachgewiesen
werden.
Durch diesen
Smart Service
haben
die Kunden
künftig
folgende
zusätzliche
Möglichkeiten:
• Automatisches
Nachregeln/
Korrigieren
der Maschineneinstellparameter
bei äußeren
Einflüssen
• Vorrausschauende
Verschleißerkennung
der Werkzeuge
• Automatische
Maschinenstopps
beziehungsweise
Ausschleusen
von fehlerhaften
Teilen
Es ergeben
sich für den Maschinenbetreiber
folgende
Vorteile.
Das System
• ist auf Kundensituation
anpassbar
durch das Scoring-Modul,
welches
auf Methoden
Künstlicher
Intelligenz
basiert
und trainierbar
ist
• kann Verschleiß
vorhersagen
und folglich
den Werkzeugwechsel
im Voraus
planen
• erkennt
Verschleiß
und Matrizenausbrüche
• reduziert
Qualitätskosten
• ist einfach in vorhandene
Maschinen
nachrüstbar,
da teilweise
vorhandene
Sensoren
genutzt
werden
Für den Kunden
war die Projektbearbeitung
der Partner
derart
überzeugend,
dass bereits
eine weitere
Maschine
nachgerüstet
wird.
ERFAHRUNGEN
ZUM ERGEBNISÜBERTRAG
In dem beschriebenen
Projekt
wurde
ein Prozess
systematisch
von der theoretisch
motivierten
Grundlagenuntersuchung
bis
zum Serienversuch
und der Produktkonzeption
betrachtet.
Beim Ergebnisübertrag
von Forschungs
auf Produktionsanlagen
sowie
Serienprozesse
wurden
folgende
Unterschiede
augenscheinlich:
• Im Laborumfeld
werden
Kräfte
aus Gründen
der Eindeutigkeit
üblicherweise
im direkten
Kraftfluss
gemessen.
Gegenüber
serientauglichen
Werkzeugkonfigurationen
sind solche
Aufbauten
typischerweise
weniger
steif.
• Im Laborumfeld
werden
in der Regel weniger
Teile
umgeformt
als im Feldversuch
oder Serienprozess,
damit werden
Stichproben
klein. Streuungen
und Ausreißer
können
dadurch
die
Wahrnehmung
trüben.
Darüber
hinaus
können
trendartige
Verläufe
nicht beobachtet
werden.
• Im Feldversuch,
bei dem manuelle
Versuchsprogramme
mit
mehreren
Tests durchfahren
werden,
können
Einrichtprozesse
durch häufige
und nicht standardisierte
Umbauten
die Ergebnisse
beeinflussen.
• Im Serienprozess
sind Messwerte
unbestechlich,
allerdings
muss durch geeignete
Maßnahmen
sichergestellt
werden,
dass wesentliche
Informationen
eindeutig
in die gemeinsame
Versuchsdatenbank
eingeschleust
werden.
Darüber
hinaus
sind Einflüsse
durch unerwartete
Eingriffe
zu minimieren.
Diese Unsicherheiten
muss das Projektteam
erkennen
und in
den jeweiligen
Phasen
geeignete
Maßnahmen
treff
en, die Bewertung
entsprechend
vornehmen.
In den frühen
Phasen
bedeutet
das, Unsicherheiten
bei der Modellbildung
und Abstraktion
zu hinterfragen
und einzugrenzen.
In späteren
Phasen
müssen
Versuchsaufbauten
und Vorgehensweisen
praktisch
prozessfähig
im Sinne
der Serienfertigung
sein, weil sonst wesentliche
Informationen
verloren
gehen
können
oder schlimmstenfalls
große
Datenmengen
unbrauchbar
werden
beziehungsweise
aufwendig
rekonstruiert
werden
müssen
9.
UMSETZUNG IN PRODUKTE
Für die Felss-Gruppe
stellt dieses
Projekt
einen Schritt beim
Aufbau
der Felss Smart Services
dar. Dabei
ist Smart Correction
36 massivUMFORMUNG | MÄRZ 2018