Suchen

Dieser Beitrag ist im Rahmen des Themenspecials "Industrie 4.0" erschienen.

sponsored by

IoT Maschineneinfahrzeiten reduzieren mit ThingWorx, Simulation und KI

Redakteur: Jürgen Schreier

Durch Einfahrprozesse werden Maschine, Material und Menschen blockiert und fehlen für die eigentliche, produktive Fertigung. Im Rahmen des Projekts „Echtzeitdatenerfassung und Parameterkorrektur mittels einer mit Simulationsdaten angelernten KI („SimKI“)“ soll das Problem gelöst werden.

Firmen zum Thema

Ziel des Projekts ist es, mittels Machine Learning Daten aus der realen Fertigung auszuwerten.
Ziel des Projekts ist es, mittels Machine Learning Daten aus der realen Fertigung auszuwerten.
(Bild: INNEO)

Das Einfahren von Umformmaschinen ist häufig ein langwieriger und kostenintensiver Prozess. Die Maschinen werden dann oft stunden- oder sogar tagelang durch „Experimentieren“ und „Ausprobieren“ unterschiedlicher Prozessparameter blockiert. Der dabei generierte Ausschuss, die sogenannten Fehlerteile, erhöht zusätzlich zu den Maschinenstunden die anfallenden Kosten.

Um hier Abhilfe zu schaffen, hat sich um die Hochschule Aalen ein Team von Firmen zusammengefunden und ihr Know-how und ihre Softwarewerkzeuge mit eingebracht, um eine Lösung für eben diese Aufgabenstellung zu finden.

Machine-Learning generiert Algorithmen aus Maschinendaten

Zum Einsatz kommen hierbei die IoT-Plattform ThingWorx (PTC), eingebracht durch die Firma INNEO Solutions in Ellwangen, sowie entsprechende Simulationssoftware LS-DYNA und KI-Software von Mathworks, die von der Hochschule Aalen unter Leitung von Dr. Wolfgang Rimkus, Julius Schlosser und Dr. Sebastian Feldmann in das Prozessmodell eingebunden werden.

Ziel des Projekts ist es, mittels Machine Learning, Daten aus der realen Fertigung, in diesem Fall der Umformung, mittels Bilderkennung und der Korrelation der verwendeten Fertigungsparameter, auszuwerten. Die Daten werden mithilfe eines smarten Werkzeugs mit integrierten Sensoren erfasst. Daraus werden dann Algorithmen durch Machine-Learning generiert. Somit können entsprechende Muster, die zu Fehlerteilen führen, erkannt und als Wirkzusammenhang abgespeichert werden.

Dieses Prozesswissen wird dann der virtuellen Welt für Simulationszwecke zur Verfügung gestellt.

KI mit Referenzdaten aus der Umformung trainieren

Die Simulationssoftware LS-DYNA führt jetzt mit den CAD-Daten von Werkzeug und Rohling und mit Hilfe des gewonnen Prozesswissens, im Minutentakt Umformsimulationen durch. Die gewonnenen Referenzdaten aus der Umformung werden hierbei für das Trainieren der KI verwendet.

Durch eine angeschlossene KI-Software, werden dann diese Ergebnisse laufend ausgewertet und erkannte Muster mit aufgenommen. Die KI-Software optimiert auf dieser Basis, die zur Verfügung gestellten Fertigungsparameter und schlägt für die reale Fertigung Prozessparameter vor, die dann das Einfahren der Maschine auf ein Minimum reduziert.

Die hierdurch erzielbaren Einsparpotenziale sind erheblich und können der Industrie einen deutlichen Vorsprung in Bezug auf Fertigungszeiten und Fertigungskosten generieren.

Das Projekt „Echtzeitdatenerfassung und Parameterkorrektur mittels einer mit Simulationsdaten angelernten KI („SimKI“)“ wird durch das Ministerium für Wirtschaft, Arbeit und Wohnungsbau Baden-Württemberg im Rahmen des Innovationswettbewerbs „KI für KMU“ gefördert.

(ID:46637358)