Maschinenbau, Produktion & Fertigung

Zahlreiche Branchen haben sich durch die fortschreitende Digitalisierung bereits grundlegend verändert. Zunehmende Vernetzung, intelligente Sensorik sowie die Fähigkeit zur Verarbeitung großer Datenmengen in kürzester Zeit ermöglichen heute Wettbewerbsvorteile durch den Einsatz neuer intelligenter Analyseverfahren im Umfeld von Maschinenbau, Produktion und Fertigung.  Dadurch lassen sich beispielsweise

• die Qualität von Produktionsprozessen überwachen,
• fehlerhafte Produkte erkennen,
• drohende Maschinenausfälle vorhersagen oder
• der Energieverbrauch optimieren.

Das Schlagwort der "Industrie 4.0" umfasst all diese Ansätze, die auch in unseren Forschungsarbeiten eine zentrale Rolle spielen.

Prozesse überwachen und fehlerhafte Produkte erkennen

Grundlage für die automatisierte Überwachung der Produktion und damit der Effizienzsteigerung ist die Charakterisierung aller gewünschten Eigenschaften eines Produktes und deren Abbildung in einem mathematischen Modell. Bei der Modellerstellung müssen alle denkbaren Kombinationen und zulässigen Toleranzen von Produkt und Prozess berücksichtigt werden. Ausgangsdaten für die Produktmodelle liefern:

• Digitalkameras,
• Farbsensoren,
• Temperatur- und Druckmesser, aber auch
• komplexere Sensoren wie NIR-Spektroskope.

Die durch diese Modelle  hergestellte Abstraktion von konkreten Werten geht weit über den einfachen Soll-Ist-Abgleich von Messdaten hinaus und ermöglicht so eine gegenüber Abweichungen deutlich robustere Erkennung und vereinfachte Anpassung an veränderte Produktionsbedingungen.

Intelligente Lernverfahren leiten die erforderlichen Modelle aus Trainingsdaten "korrekter" (und gegebenenfalls auch fehlerhafter) Beispiele ab und ermöglichen hocheffiziente Auswertungen in Echtzeit und bestmögliche Reaktionszeiten.

Prozessüberwachung durch selbstlernende Systeme verbessern

Gerade in hochdynamischen Prozessen wie in Produktion und Fertigung genügt es oft nicht, mittels Data Mining einmal die erforderlichen Modelle zu erstellen und diese dann über einen längeren Zeitraum unverändert zu lassen. Verändern sich beispielsweise die Umgebungsbedingungen, die Eigenschaften der Rohstoffe, oder gibt es Modifikationen an den verwendeten Maschinen, so können selbstlernende Systeme die Aufgabe übernehmen,  die aktuellen Modelle automatisch an die neuen Gegebenheiten anzupassen.

Vorausschauende Wartung

Klassische Wartungsprozesse verlaufen entweder reaktiv – es wird also ein bereits aufgetretener Schaden behoben – oder präventiv. In diesem Fall wird nach Ablauf eines vorgegebenen Zeitintervalls oder bei Erreichen fester Parameterwerte (z. B. Anzahl der zurück gelegten km) ein Wartungszyklus durchgeführt, ohne dabei den tatsächlichen Zustand der einzelnen Bauteile zu berücksichtigen. Betriebswirtschaftlich optimal wäre es, die Betriebs- und Sensordaten zu kombinieren, so dass intelligente Lernverfahren daraus Modelle ableiten, die die permanente Überwachung einer Maschine und die rechtzeitige Prognose eines drohenden Ausfalls erlauben. Dies ermöglicht eine vorausschauende Wartung (Predictive Maintenance) und verhindert ungeplanten Stillstand und überflüssige Wartungsarbeiten.