DGH Group optimiert Produktion mit innovativem Manufacturing Execution System und KI-Anwendungen

Technologiedatenmanagement als Herausforderung und Chance

• Technologischer Fortschritt, ökologisches Bewusstsein, demografische Veränderung – die Digitalisierung technologischer Daten gilt inzwischen als ein wesentlicher Erfolgsfaktor beim Druckgießen

In einer Roadmap wurde das Thema Technologiedatenmanagement (TDM) skizziert und ein Projekt in Zusammenarbeit mit der DGH Group – DGH Heidenau GmbH & Co. KG, Dohna, und der Symate GmbH, Dresden, umgesetzt. Sowohl die anwenderorientierte Softwareentwicklung als auch methodische Änderungen in Prozessen, Systemen, Strukturen, Ressourcen und der Kultur offerieren Transparenz über Produkte und Prozesse in Echtzeit. Dies wurde anhand eines Neuauftrags von Druckgussbauteilen eines Automobilherstellers im Premiumsegment erfolgreich nachgewiesen. Die Ergebnisse zeigen: Das TDM liefert einen erheblichen Beitrag zur Wirtschaftlichkeit und Kundenzufriedenheit. Ein neuer Standard bietet eine Erweiterung des Knowhows und greifbaren Kundenmehrwert.

Smart Die Casting – Wo Tradition und High-Tech verschmelzen

Entlang traditioneller Erfolgsfaktoren von Gießereien ist festzustellen, dass Transparenz zukünftig mehr ist als das Ergebnis eines guten Controllings. Darüber hinaus führen wachsende Kundenansprüche und Produktanforderungen aus der Automobilindustrie zu technologischen Herausforderungen in der Druckgussbranche. Weiterentwicklungen von Werkstoffen, Fertigungsverfahren und Betriebsmitteln sowie ihre vielfältigen Wechselwirkungen sollen im betrieblichen Alltag die Wirtschaftlichkeit und Kundenzufriedenheit erhöhen. Eine Potenzialanalyse führte zu der Frage, inwieweit man mithilfe eines Technologiedatenmanagements das Know-how über den Produktlebenszyklus ausbauen kann. Ausgehend von der Vision, dass in einer Smart Factory smarte Produkte gefertigt und den Kunden auch smarte Services offeriert werden, erstellten die Projektpartner eine Roadmap, in der die wesentlichen Ziel- und Aufgabenstellungen festgelegt sowie Aufwand, Nutzen und Bewertungsgrößen definiert wurden. Basis dabei ist der nachhaltige Umgang mit großen Datenmengen in komplexen Wertschöpfungsketten, idealerweise im System Kunde-DGH-Lieferant und in Echtzeit.

Anforderungen, Ausgangssituation und Ziele des Projekts

Im Vorfeld des Projekts wurden Anforderungen definiert, um Prozesse nachhaltig zu gestalten:

• Lückenlose Bauteilverfolgbarkeit in Bezug auf Fertigungsparameter und Qualitätskennwerte: bauteilgenaue Verknüpfung von Technologie- und Qualitätsdaten, Steigerung der Fertigungstransparenz
• Abbildung des Auftragsfortschrittes: fertigungsschrittgenaue Abbildung von Kennzahlen
• Analyse von Parameterverläufen gießtechnologischer Einflussgrößen und Mustererkennung: Prozessüberwachung, Erkennen von Ausreißern und Verstehen der Ursache-Wirkungszusammenhänge, Abgabe von Parameterprognosen
• Abbildung technischer Einflussgrößen: Identifizieren von Störursachen, Minimieren von Inbetriebnahmezeiten, Zykluszeiten sowie Ausschussfehlern
• Analyse komplexer Parameterzusammenhänge und Wechselwirkungen: Identifizieren der Einflüsse von Umgebungs- und Fertigungsparametern entlang der gesamten Fertigungskette
• Integration von Energie- und Betriebsstoffdaten: Analyse von Einsparpotenzialen

Vor Projektbeginn wurden in der DGH Group bereits große Mengen an Daten archiviert. Diese lagen teilweise im Rohformat vor, isoliert in verschiedenen Datenquellen. Die Nutzung von aggregierten Daten für die aufgeführten Recherche- und Analyseaufgaben waren vor diesem Hintergrund sehr zeitaufwendig, örtlich beschränkt und teilweise nicht möglich. Im Jahr 2015 entschloss sich die DGH daher, diese Herausforderungen anzunehmen und mit dem System Detact der Symate GmbH ein webbasiertes TDM-System einzuführen.

Projektablauf und Herausforderungen

Die Einführung des TDM-Systems erfolgte in den vier Schritten Konzeption, Datenanbindung, Datenverarbeitung sowie Analyse & Steuerung. Um schnell nachvollziehbare Ergebnisse zu erzielen, wurde der Umfang der vier Schritte grundsätzlich klein gehalten, das System jedoch durch einen mehrfachen Durchlauf der Phasen (Iteration) schrittweise ausgebaut. Dabei dauerte eine Iteration im Projektverlauf jeweils zwischen zwei und vier Monaten.

Konzeption

Um das Ziel einer lückenlosen Bauteilverfolgbarkeit mit der eindeutigen Nachvollziehbarkeit von Bauteil-ID, Technologiedaten und Bewertung der Qualitätsgüte zu erreichen, erfolgte zu Beginn eine Analyse des DGH-Druckgießprozesses. Hierfür wurde der Fertigungsprozess zunächst als Prozessmodell visualisiert. In der ersten Iteration erfolgte eine Begrenzung auf die Druckgießzelle, in späteren Durchläufen wurde das Modell schrittweise in der „Breite“ ausgebaut. So wurden bis heute die Fertigungsschritte entsprechend Bild 3 implementiert. Darauf aufbauend wurden jeweils Anforderungen und Ziele für die anstehende Iteration definiert.

Anbindung Datenquellen

Die zweite Phase umfasst die Anbindung aller für den Iterationsschritt relevanten Datenquellen. Hierfür wurden bestehende Schnittstellen verwendet (primär der zyklische Dateiexport durch die Anlagen selbst). Für jede Datenquelle wurden in der Software sogenannte Detact-Treiber konfiguriert. Diese von der Symate GmbH entwickelten Softwarebausteine kommunizieren mit den Datenquellen und verarbeiten die dort abgerufenen Informationen.So können Daten unterschiedlichster Struktur verarbeitet werden. Auf diese Weise gelangen die laufend anfallenden Prozessdaten automatisiert ins System, werden auf dem Weg interpretiert und so analysefähig gemacht. In weiteren Projektdurchläufen erfolgte der schrittweise Ausbau des DGH-internen IT-Netzwerks. Sofern es erforderlich schien, wurde zusätzlich robuste Erfassungstechnik (Kameratechnik, Messeinrichtungen) nachgerüstet und wiederum entsprechende Detact-Treiber konfiguriert.

Datenverarbeitung

Um eine prozessübergreifende, lückenlose Analyse zu ermöglichen, war zunächst der Aufbau eines integrierten Datenbestands zwingend notwendig. Hierbei galt es, nicht nur einmalig eine bestimmte Datenmenge zusammenzuführen, sondern eine dauerhafte Lösung aufzubauen, mit der die gesammelten Daten automatisiert synchronisiert werden können. Dies erfolgte auf Basis der Detact IoT-Architektur (Internet of Things). Als besondere Herausforderung ergab sich die an einer Fertigungslinie nicht verfügbare Bauteil-ID (zeitbezogene Erfassung). Dadurch mussten die Daten zeitbezogen zusammengeführt werden, was sich durch unterschiedliche Abtastraten und mitunter stetig abweichende Uhrzeiten der Datenquellen (Druckgießmaschine, Peripherie, Prüfsysteme) als schwierig erwies. Diese Herausforderung konnte durch den kombinierten Einsatz intelligenter mathematischer Verfahren, u. a. zur Erkennung zeitlicher Muster in den Daten, gelöst werden.

Im Ergebnis werden nun im laufenden Produktionsbetrieb alle relevanten Daten gesammelt und automatisiert zu einem integrierten Datenbestand zusammengeführt. Daten werden dauerhaft dokumentiert und stehen sowohl für unmittelbare (Echtzeit-)Analysen als auch für die Recherche und den Vergleich mit zurückliegenden Fertigungsinformationen zur Verfügung.

Analyse & Steuerung

Neben der IoT-Architektur stellt Detact auch umfangreiche Analysefunktionen bereit. Für die Anwendung bei DGH sollten mathematische Funktionen jedoch gekapselt werden, um ingenieurgerechte Recherche- und Visualisierungsoberflächen bereitzustellen. Hierfür wurde Detact im Rahmen der vierten Projektphase jeweils mit Hilfe der im System integrierten Customizingsprache schrittweise erweitert. Auf diese Weise entstanden für die Nutzergruppen Logistik, Instandhaltung, Produktion sowie Technologie individuelle Funktionen mit einem unterschiedlichen Detaillierungsgrad.

Ergebnisse und Nutzen

Im Rahmen des Projektes wurden mit dem System Detact Technologiedaten gesammelt, verarbeitet und analysiert. Mit seiner Unterstützung konnte eine Steigerung der Gesamtanlageneffektivität von >10 % aufgezeigt werden. Dabei wurden die bestimmenden Faktoren Verfügbarkeit, Leistung und Qualität gezielt optimiert. Der Steigerung des Verfügbarkeitsfaktors wurde eine lückenlose Historie von Maschinenereignissen (Warnungen, Störungen) zugrunde gelegt. Ungeplante Stillstände werden klassifiziert sowie bis auf die kleinste Maschineneinheit nachvollzogen. Zusätzlich wird das Nutzerverhalten des Anlagenbedieners hinsichtlich Warnungen und Störungen betrachtet, abzuleitende Maßnahmen werden standardisiert und fließen gezielt in das Total Productive Maintenance (TPM)-Konzept des Unternehmens ein. Darüber hinaus werden auch Kurzstillstände infolge von technischen Störungen ausgewertet, um deren Einfluss auf den Leistungsfaktor der Maschine zu minimieren. Die echtzeitgenaue Darstellung von Taktzeiten aus dem Fertigungsprozess, entsprechenden Prüfzyklen sowie vielfältigen Technologiedaten eröffnen die Möglichkeit, bei Problemen kurzfristig zu reagieren. Die Verknüpfung von Betriebsmittel- und Qualitätsdaten mit einer eindeutigen Bauteil-ID und ihrer echtzeitgenauen Visualisierung entlang der gesamten Fertigungskette erlaubt sowohl eine detailgetreue als auch eine zügige FehlerUrsachen-Analyse als Basis der Qualitätssteigerung. Mit der Unterstützung von Detact sowie anwenderspezifischen Analysefunktionen (Nutzergruppen) konnte der Personalaufwand sowie die Fehlerhäufigkeit durch manuelle Verarbeitung und Auswertung qualitätsrelevanter Daten deutlich reduziert werden. Diese werden bauteilgenau aufbereitet und können projektbegleitend in Form einer Bauteilhistorie und eines Bauteilbriefes ad hoc abgerufen werden. Mit der Visualisierung der Bauteilhistorie können Durchlaufzeiten detailliert visualisiert werden. Der Vergleich von fertigungsschrittgenauen, realen Produktions- und Prüfzeiten mit den Vorgaben unterstützt die effizientere Gestaltung von Fertigungsabläufen. Weiterhin bietet das Tool mit seinen spezifischen Analysen bereits vor dem Produktionsstart, in der Produkt- und Prozessentwicklung sowie in den Bemusterungsphasen der Bauteilanläufe Unterstützung. Hierbei wird der Einfluss von einem oder mehreren Maschinenereignissen und Technologieparametern sowie deren Zusammenspiel auf das Qualitätsergebnis dargestellt. Analysen über längere Zeiträume können auch Rückschlüsse zu saisonalen Einflüssen auf den Gießprozess geben. Komplexe technologische Ursache-Wirkungszusammenhänge werden so transparent dargestellt und der daraus generierte Know-how-Zuwachs als „Lessons Learned“ (Gewonnene Erkenntnisse) für nachfolgende Produkte und Risikoanalysen genutzt. Das Aufzeigen von Energie- und Betriebsstoffeinsparungen ist ebenfalls durch die Digitalisierung der dafür relevanten Daten in der Gießzelle transparent gestaltet worden. Hier können deutliche Kosteneinsparpotenziale aufgezeigt werden. Durch die erzielte Transparenz sowie die Verknüpfung relevanter Parameter und die Auswertung auch größerer Datenmengen ist es gelungen, ganzeinheitlich Optimierungspotenziale für die Gesamtanlageneffektivität sowie für Energie- und Betriebsstoffverbräuche auf zu zeigen und damit einen positiven Effekt für die Wirtschaftlichkeit sowie die Umwelt und den Energieverbrauch zu erzielen.

Zusammenfassung und Ausblick

Im Rahmen des Pilotprojekts wurden die ersten Schritte zu einem erfolgreichen Technologiedatenmanagement aufgezeigt, welches insbesondere in Bezug auf Produktinformationen einen erheblichen Kundenmehrwert liefert. Datentransparenz und der gezielte Einsatz von TDM führen zu vielfältigem Nutzen. Der neue Ansatz führt bereits in Entwicklungs- und Planungsprozessen sowie in Produktionsabläufen zu größerer Effizienz. Technische, organisatorische und auch kulturelle Herausforderungen lösten eine abwechslungsreiche Berg- und Talfahrt aus. Rückblickend ist festzustellen, dass mit dem Technologiedatenmanagement eine wachsende Unternehmenskompetenz, eine „Lernende Organisation”, einhergehen muss. Weitere Schwerpunkte werden ausgebaut, beispielsweise auf dem Feld der robusten Informationstechnik und Automatisierung. Außerdem gilt es, die Wertschöpfung in ihrer Tiefe weiter in das System einzubinden sowie mobile „Reports“ zu gestalten. Auf dem Weg zur Smart Factory offeriert die DGH Group einen TDMStandard – die Voraussetzung für die Weiterentwicklung zum intelligenten Gesamtsystem.

www.dghgroup.de 

www.symate.de

Black East: MES mit KI-Anwendungen für die smarte Fabrik

Wettbewerbsvorteil durch Traceability in Prepreg-, RTM- und VAP-Prozessketten

Die leichten und extrem robusten Carbon-Fahrrad-Komponenten der Black East GmbH weisen herausragende mechanische Eigenschaften auf, werden am Limit produziert und sind sehr individualisierbar hinsichtlich Farben, Materialmix etc. Um Kosten zu sparen, müssen die Fertigungsprozessketten permanent optimal geplant und gesteuert werden. Dafür nutzt das junge Dresdner Unternehmen die umfassende Softwarelösung Detact®.

„Für die Verbesserung der operativen Abläufe konnten wir bisher kaum unsere eigenen Daten einsetzen“, schildert Mirko Filler, Geschäftsführer der Dresdner Black East GmbH, das Ausgangsproblem. Zum einen wurden viele Parameter gar nicht dokumentiert oder lediglich auf Papierbasis, zum anderen mussten dezentrale Datenquellen wie SAP, Excel-Tabellen oder Anlagensteuerungen vor einem Zugriff jeweils einzeln aufgerufen werden. Ganz zu schweigen von der komplexen Zusammenführung der Datenformate, um überhaupt analysefähige Daten zu generieren.

Dazu Filler: „Die Kombination aller Prozess-, Montage- und Qualitätsdaten führt zu einer enormen Steigerung der Prozesstransparenz und wir können nun das Tracking von Bauteilen auf Basis der zugehörigen Technologiedaten einführen. Jeder Kunde soll sich zukünftig den Fingerabdruck seiner Komponenten digital ansehen und die absoluten Qualitätsansprüche unserer Komponentenfertigung nachvollziehen können. Wir gestalten unsere operativen Abläufe künftig auf Basis automatisierter Datenauswertungen in Detact.“

Detact® wurde in großangelegten Forschungsprojekten vom Industrie 4.0 Startup Symate entwickelt. Das Unternehmen entstand im Jahr 2012 als Spin-off der TU Dresden. Umfangreiche Referenzen von OEM und 1st-Tier-Lieferanten liegen vor.

Prozesstransparenz und Produktion

Die Lösung fand Black East in Detact® vom Symate. Die Software erfasst automatisiert die permanent anfallenden Datenmengen aus den unterschiedlichsten Datenquellen – bei Black East aus Excel-Dateien, Steuerungen von Autoklav, RTM/ VAP-Pressen und dem SAP System. Für die Digitalisierung manueller Montageschritte geben Werker und QS wichtige Informationen über mobile Displays an Detact® weiter. Im zentralen Detact-Server werden alle Rohdaten prozesskettenübergreifend zusammengeführt.

Implementierung und Handling

Die Einführung von Detact® ist in wenigen Wochen realisierbar. Das cloudbasierte Lizenzmodell (SaaS) ermöglicht ein bedarfsgerechtes, schrittweises Einsteigen in die Digitalisierung. Die benötigen Apps sind on demand buchbar. Das ist nahezu via Plug-and-Play möglich. Dr. Martin Juhrisch, Geschäftsführer der Symate GmbH, ergänzt: „Selbst hochkomplexe technische Prozesse können in kurzer Zeit und mit einem überschaubaren Budget digitalisiert werden. Teure Implementierungsprojekte mit mehrjähriger Laufzeit und großen Projektteams sind nicht nötig.“

beast-components.de

Hugo Stiehl: Digitaler Zwilling mit KI und Maschinendatenerfassung

Smart Diagnostics – Daten aus der laufenden Produktion systematisch nutzen

Einführung und Zielsetzung der Kooperation zwischen Hugo Stiehl und Symate

Im Werk der Hugo Stiehl GmbH zeigt die Implementierung der IoT-Plattform Detact®, die von der Symate GmbH aus Dresden entwickelt und vermarktet wird, welche Effizienzsteigerungen durch systematisches Technologiedatenmanagement möglich sind. Hugo Stiehl stellt ein großes Spektrum an technischen Kunststoffteilen für die Automobil- und Elektroindustrie bis hin zu kompletten Haushalts- und Gartenartikeln her. Das Ziel der in 2016 gestarteten Zusammenarbeit zwischen Hugo Stiehl und Symate ist es, durch den Einsatz von Detact® Smart Diagnostics die Ausschussquote zu verbessern, allem voran durch den Einsatz automatisierter Analysedienste in Detact im Fall von NIO-Teilen bzw. bei Maschinenstillstand.

Implementierung und Funktionen von Detact

Zuerst mussten die Maschinen lernen, miteinander zu kommunizieren: beispielsweise wurden Daten aus dem Montageprozess über S7-400-Schnittstellen an Detact® Connect angebunden, welche die eingehenden Daten in Echtzeit mit der Cloud synchronisieren. Damit stehen die Anlagenparameter für eine anschließende Analyse und Visualisierung auf der browser-basierten Detact® Benutzeroberfläche zur Verfügung. Besonderer Fokus liegt auf der NIO-Teile-Analyse, um zu untersuchen, welche Gründe es im Einzelfall für hohe Ausschussanteile gibt. Eine Analyse der Ausschussgründe für die Druckprüfung konnte bisher nur mit erhöhtem Aufwand nachvollzogen werden. Hierzu mussten die Rohdaten manuell durchsucht werden. Eine Auswertung der Fehleranteile und Geräte basierende Fehler war kaum bzw. nicht nachvollziehbar darzustellen.

Nutzung von Datenanalyse zur Optimierung von Produktion und Qualität

Natürlich können erfahrene Technologen hier auf ein breites Erfahrungswissen zurückgreifen, doch gerade bei komplexen Prozessen mit einer Vielzahl von Wechselwirkungen ist es notwendig, zusätzlich empirische Daten zu nutzen, um sie umfassender verstehen und beherrschen zu können. Dazu werden sowohl organisatorische Einflussfaktoren, wie Wochentage oder Schichtpläne, als auch Anlagenparameter mit ihren jeweiligen Ist- und Sollwerten kontinuierlich erfasst. Indem sämtliche für die Ausschussquote relevanten Daten miteinander vernetzt und statistisch ausgewertet werden, lassen sich Parameterkombinationen identifizieren, die zuverlässig geringe Ausschussquoten bei konstanter Qualität liefern.

Durch die Einbindung von Qualitätsdaten können wiederum Bauteilschwankungen auf den zugehörigen Ist-Zustand der Maschine zurückverfolgt werden. Die Cloud-Anbindung und automatisierte Datenexploration ermöglichen so ein effektives Lernen im laufenden Prozess bei gleich zeitiger Reduzierung des zeitlichen und personellen Aufwands. Während bisher die Fehlersuche in der Montagelinie und vorgelagerten Spritzguss-Prozessen täglich mehrere Arbeitsstunden von mindestens einem Instandhalter und einem Techniker in Anspruch genommen hat, übernimmt nun Detact einen Großteil der Arbeit. Dabei handelt es sich um speziell auf die jeweilige Prozesskette zugeschnittene Detact Services, welche die Rohdaten so verarbeiten und analysieren, dass der Anwender auf Knopfdruck Unterstützung bei Problemsituationen im Produktionsalltag bekommt.

Aussicht auf zukünftige Entwicklungen und abschließende Betrachtungen

Noch wichtiger ist der Faktor Zeit im Falle eines Maschinenstillstands. Gerade bei großen Produktionsvolumen wie im Hugo Stiehl-Werk Crottendorf zählt jede Minute. Da alle Parameterinformationen, die für die Ursachenforschung im Störfall wichtig sind, per Knopfdruck im System sofort abrufbar sind, sieht Dr. Jens Weller, Geschäftsführer der Symate GmbH, hier große Optimierungspotenziale:

„Wir sind mit Detact® in der Lage, die Stillstandszeit um bis zu 50 % zu reduzieren. Das bedeutet bei einer halben Stunde Zeitersparnis bis zu 500 Teile Mehrausstoß. Darüber hinaus lassen sich durch die Vernetzung und statistische Auswertung der Anlagendaten Parameterwechselwirkungen bei bestimmten Produktionsereignissen wie etwa NIO-Teilen identifizieren. So können Fehlerursachen genauer klassifiziert werden und im Sinne einer vor beugen den Diagnostik kritische Maschinenzustände frühzeitig erkannt und im Idealfall vermieden werden.“

Mit Hilfe von Detact® Smart Diagnostics kann also einerseits das Prozess-Know-how systematisch erweitert werden, auf der anderen Seite erleichtert die Softwareplattform ebenso den Wissenstransfer im Unternehmen. Indem beispielsweise das Know-how erfahrener Mitarbeiter oder eingespielter Schichten auf der Plattform transparent dargestellt und für alle zugänglich gemacht wird, kann auf dies Grundlage eine schnelle und profunde Qualifizierung neuer Mitarbeiter erfolgen.

Der systematische Aufbau von detailliertem Prozess wissen soll dabei jedoch nur ein Entwicklungsschritt sein. Ausblickend auf die weitere Kooperation von Hugo Stiehl und Symate geht der Weg in Richtung Smart Control: aus den mittels Technologiedatenmanagement gewonnenen Erkenntnissen sollen mittelfristig Muster für bestimmte Parameter sowie Parametergruppen abgeleitet werden, um den Anwender noch intensiver zu unterstützten und den Übergang zu autonomeren, selbstregelnden Prozessen zu forcieren.

Fazit und Perspektiven

Michael Neubert, Leiter Prozessentwicklung & Automatisierung Hugo Stiehl GmbH Kunststoffverarbeitung, zeigt sich optimistisch: „Digitalisierungsprojekte in der Produktion sind eine große Herausforderung und Chance zugleich – in der Zusammenarbeit mit der Symate GmbH ist es daher vorteilhaft, dass sowohl das Entwicklerteam als auch die Software Detact® sehr individuell auf die konkreten Anforderungen im Betrieb eingehen können und nicht einfach ein starres, vorgefertigtes Konzept übergestülpt wird. Dadurch entstehen Lösungen, die uns wirklich weiterhelfen.“

Optipack setzt auf MES-System, KI und Maschinendatenerfassung für optimierte Prozesse

Quality Prediction in der Verpackungsindustrie mit Detact

Die Optipack GmbH der Unternehmensgruppe Theo Müller und Symate implementieren die Qualitätsprognose in Thermoforming-Prozessketten mit Detact. 

Detact ist das umfangreichste KI-Dashboard zur Digitalisierung und Optimierung von Fertigungsprozessen. Detact erfasst alle relevanten Daten komplexer Prozessketten und verarbeitet diese in maßgeschneiderten Analyse- und KI-Apps (Künstliche Intelligenz) für Ingenieure und Anlagenführer.

Die Optipack GmbH ist Hersteller von PS-, PP- und PET Verpackungen und einer der wichtigsten Zulieferunternehmen der Nahrungs- und Genussmittelindustrie. In Leppersdorf sind dazu modernste Extrusions- und Tiefziehanlagen im Einsatz, denen Kunststoffbecher und PET Preforms für die Lebensmittelindustrie FMCG (fast moving consumer goods) gefertigt werden.

Da strenge Vorgaben an die Maßhaltigkeit, Geometrie sowie Oberflächengüte der Becher eingehalten werden müssen, gibt es aufseiten der Qualität wenige Spielräume. Vor dem Hintergrund einer Soll-Ausbringungsmenge von ca. 2,5 Mrd. Einheiten pro Jahr ist die Absicherung der Prozesstabilität eine der wesentlichen Zielgrößen für den Standort, um eine wirtschaftliche Produktion zu gewährleisten.

Erwartungen von Optipack und erste Schritte zur Implementierung von Detact

„Wir erwarten uns von Detact ein Mehr an Unterstützung und Automatisierung bei der Prozessführung insb. im PP- und PSBereich. Unsere Fachkräfte sind stark eingebunden in neue Projekte. Umso wichtiger ist es, mit Detact den Herstellungsprozess weiter zu optimieren um somit Freiräume für wei – tere Aufgaben/Entwicklungen zu schaffen.“, berichtet Thomas Böhme, Entwicklungsleiter bei Optipack. Im ersten Schritt wird Detact dazu an einer ausgewählten Tiefziehanlage eingerichtet. Dies umfasst

Ein Datenquellen-Set-Up in Detact mit allen technologisch relevanten Datenquellen (z. B. für das vorhandene BDE-System Aspen InfoPlus.21 und für Qualitätsmesswerte in Excel-Dateitypen sowie Klimawerte als CSV-Dateien). Vorkonfigurierte Verarbeitungs-Pipelines sind von Symate einzurichten, um eine Direktanbindung der Einzeldatenquelle in Detact zu ermöglichen und die übergreifende Zusammenführung der Rohdaten zu einer Gesamtparameterbetrachtung für Dosieren, Extrusion und Tiefziehen mit Qualitätsdaten wie Durchmesser Siegelrand, Stauchdruck, Wandverteilung etc. und Gebäude- und Klimadaten permanent zu realisieren.
Ein App-Set-Up in Detact. Nach der LiveSchaltung der Datenquellen findet die Einrichtung von Analyse und KI-Apps in Detact statt. Ziel ist es die permanent anfallenden Unmengen an Rohdaten aus allen Elementen der Prozesskette automatisch zu analysieren und Auffälligkeiten im Prozesszustand zu finden.

Erläuterung der Ziele und Prozesse von Symate und Optipack

„Es geht uns darum, mit Detact ein Prozessketten übergreifendes Gesamtbild aller relevanter Parameter von Material- und Umgebungsbedingungen, von Werkzeugkühlung, Prozessabläufen, unterschiedliche Einstellstrategien der Maschinenführer bis hin zum Komponentenverschleiß aufzubauen. Zwar verhält sich der Tiefziehprozess relativ stabil; allerdings in einem engem Prozessfenster. Wir wollen Einflüsse auf die Prozessstabilität und / oder Qualitätsmerkmale mit Detact sichtbar machen; insgesamt den Prozess für Optipack besser kontrollierbar machen.“, erläutert Dr. Martin Juhrisch, Geschäftsführer der Symate GmbH.

Schon vor der gemeinsamen Zusammenarbeit wurden permanent große Datenmengen an den Tiefziehprozessketten aufgezeichnet; aber nur ein abgegrenzter Teil operativ genutzt. Daten wurden nur in Problemsituationen gesichtet. Mit den bisherigen Möglichkeiten war es auch nahezu unmöglich, Parametereinflüsse und Interaktionseffekte zwischen diversen Parametern zu beschreiben. Genau das ist aber zukünftig gewünscht, um den Prozess noch sicherer und robuster zu machen.

Verwendung von KI-Apps und Datenanalyse zur Optimierung 

Symate als Hersteller von Detact konzentrierte sich deshalb von Anfang an auf die Bereitstellung von zwei KI-Apps: die Detact Quality Prediction App für die Validierung des aktuellen Prozesszustands in Hinblick auf Bauteilqualitäten auf Basis der kontinuierlichen Berechnung einer Fehlerwahrscheinlichkeit und die Detact Recommendation App für die Visualisierung von Handlungsempfehlungen für eine Optimierung der Prozesskette bei Prozess- und Qualitätsschwankungen. Ziel ist es die Entwicklung kritischer Qualitätsparametern wie Maßhaltigkeiten und Oberflächenbeschaffenheit im laufenden Prozess zu prognostizieren. Zudem soll eine Mustererkennung gute und weniger optimale Prozessfenster markieren und Handlungsempfehlungen für Maschinenführer geben.

Vor der eigentlichen Automatisierung wurde ein Parameterscreening auf Basis von Datenexploration, Feature Engineering und Modellbildung über Parameterwechselwirkungen durchgeführt. Bestandteil waren der Einsatz von lernfähigen mathematischen Methoden (u. a. Decision Trees und Neuronale Netze) und die Analyse von Auswirkungen von Parametervariation und Modellbildung über Parameterwechselwirkungen. In Zusammenarbeit mit Optipack wurden die identifizierten Zusammenhänge zwischen Ziel-, Einfluss- und Störgrößen visualisiert und nach den entscheidenden qualitätsrelevanten Parametern priorisiert.

Ergebnisse und Auswirkungen der Implementierung von Detact

Die Ergebnisse der Modellbildung zeigen eine gute bis sehr gute Vorhersagegenauigkeit von NIO-Teilen; d. h. NIO-Teile im Prozess, ohne das real gemessen wurde, die je nach Lernphase für die Algorithmen zwischen 3 und 25 % Abweichung vom Realwert beträgt. „Dies bedeutet für uns die frühzeitige Kenntnis über Qualitätsabweichungen in der Fertigung und Wegfall von unnötigen Prüfungen und Entlastung der Qualitätssicherung. Wir gehen von einer potentiellen Reduzierung der Auslastung der Qualitätsüberwachung aus.“, sagt Thomas Böhme.

Die Detact Recommendation App wiederum gibt dem Anwender Informationen darüber, wie sich der Prozess um das aktuelle Prozessfenster herum verhält und wie er durch die Veränderung einzelner oder mehrerer Parameter auf in andere Zustände geführt werden kann. Mit jedem weiteren erkannten Muster wird das Technologie-Know-how gewissermaßen iterativ validiert und erweitert, was zu einer wirtschaftlicheren Prozessführung führt. „Wir versprechen uns davon eine Erhöhung der Robustheit im Prozess und ein schnelleres Zurückführen in einen stabilen Zustand nach Ausbrechen.“ so Böhme.

Was zunächst nach viel zusätzlichem Aufwand klingt, wird größtenteils durch Detact erledigt. „Durch eine Kombination aus fertigen Elementen und anpassbaren flexiblen Elementen in Detact kann eine produktive Lösung beim Kunden sehr schnell bereitgestellt werden, da standardisierte Elemente wiederverwendet werden können. Die flexiblen Elemente in Detact lassen sich auf die individuellen Anforderungen des Kunden hin anpassen. Die Einrichtung hat pro App nimmt ca. 10 Manntage in Anspruch“, kommentiert Dr. Martin Juhrisch, Geschäftsführer der Symate GmbH den Aufwand.

Ausblick und zukünftige Entwicklungen

„Aktuell stehen wir vor der eigentlichen Automatisierung der beiden Apps, damit diese durch Maschinenbediener direkt bedient werden können.“

Die Entwicklung der Algorithmen findet auf Basis von Cluster Computing im Detact Data Center statt. Dies erlaubt ein Maximum an Verarbeitungsgeschwindigkeit durch eine skalierbare Architektur, die durch eine Parallelisierung der Datenverarbeitung und Datenspeicherung gekennzeichnet ist. Die Technologie ermöglicht komplexe Analysen auf großen Datenmengen in Maschinennähe durchzuführen. Im Detact Cluster werden sukzessiv beide Apps freischalten. Die Anwender können dann über Browser oder Tablet noch intensiver unterstützt werden. Dies ist ein wichtiger Schritt zu einer autonomeren, selbstregelnden Prozessführung, ist sich Dr. Juhrisch sicher

„Derartige Digitalisierungsprojekte sind für unsere Kunden eine große Herausforderung. Deshalb ist es umso wichtiger, dass Detact ein schrittweise Einsteigen mit Datenquellen ermöglicht, die ohnehin bereits Technologiedaten enthalten. Dadurch entstehen Lösungen, die auf heterogene Prozessketten passen, in kurzer Zeit bereitgestellt werden können und wirklich weiterhelfen.“

optipack.de

Thyssenkrupp: BDE und KI in der Produktion für Big Data und Industrie 4.0

Detact® erkennt Schwankungen der Blechqualität schon während der Verarbeitung

Entwicklungsprojekt zwischen Thyssenkrupp und der Symate GmbH zeigt die Potenziale und Baustellen von Big Data in der Produktion

Das Thyssenkrupp Stahl-Service-Center (TKSSC) in Radebeul: Auf 16.000 m² Fläche werden hier jährlich rund 140.000 Tonnen Flachstahl verarbeitet. Blechcoils werden in Platinen geschnitten und anschließend an Kunden ausgeliefert. Die technologischen Herausforderungen bestehen darin, trotz schwankender Materialeigenschaften, wie der Sprödigkeit, und komplexer Umformprozesse, eine konstante und hohe Blechqualität zu gewährleisten. Darüber hinaus gilt es, neuen Ansprüchen im Kundenservice gerecht zu werden, wie Deny Winkler, Betriebsleiter TKSSC Radebeul, betont: „Die Anforderungen an die Dokumentation steigen – sowohl an uns als auch an unsere Kunden. Daher möchten wir unseren Kunden noch mehr Informationen über das gelieferte Material bereitstellen.“ Um den Prozess der Blechkonfektionierung transparenter zu machen und weiter zu optimieren, wurden in Kooperation mit den Technologiedaten-Spezialisten der Dresdner Symate GmbH die Möglichkeiten einer automatisierten Datenintegration erprobt. Ziel war es, auf diese Weise die permanent und in großen Mengen anfallenden Daten aus der Produktion nutzbar zu machen, denn sie sind der Rohstoff des Technologiewissens.

Das Team von Symate entwickelt die Software Detact® eine IoT-Plattform für die automatisierte Digitalisierung, Strukturierung und Visualisierung von Technologiedaten und verfügt über ein breites Know-how bei der Direktanbindung von Datenquellen, beispielsweise von Prozessparametern aus Maschinensteuerungen, Messgeräten oder Software-Schnittstellen. Symate ging im Folgenden der spannenden Frage nach, inwiefern sich Aussagen über die Blecheigenschaften schon aus den Parametern einer Blechschneideanlage ableiten lassen. Die Blechqualität als das Ergebnis von Gieß- und Walzprozessen beeinflusst sowohl den Schneidprozess im TKSSC als auch den Umformprozess, der im Anschluss bei den Kunden stattfindet. Indem die Materialeigenschaften schon während des Schneidens erkannt werden, kann der Kunde vorab über diese informiert werden und seine Umformprozesse entsprechend anpassen. So können Fehler vorausschauend vermieden und das Material effizienter genutzt werden Qualitätsmanagement in Echtzeit.

Bei der technischen Umsetzung galt es zunächst alle relevanten Daten in Detact® zu integrieren und deren Analysefähigkeit herzustellen. Dabei handelte es sich einerseits um ERP-Daten für die Beschreibung und Zuordnung der einzelnen Blechcoils, andererseits um Daten aus den SPS-Protokollen der Schneideanlage prozessrelevante Größen wie etwa Schnittmomente oder Servoantrieb. Dazu kamen Feedbackdaten von Kunden aus der Qualitätskontrolle über Typen, Anzahl und Zuordnung von Materialfehlern. Für die Gesamtparameterbetrachtung wurden die Daten anschließend mittels Detact® in Struktur gebracht und mit Kontextinformationen angereichert. Am Beispiel der Anlagenparameter bedeutet dies, dass die Endlossignale der Steuerung auf den laufenden Meter und damit auf das jeweilige Blechcoil bzw. Einzelprodukt zugeschnitten werden mussten, um Bewertungskriterien über die Länge des Blechbandes ermitteln und zuordnen zu können. Die Visualisierung in der Detact®-Benutzeroberfläche ermöglichte im Ergebnis eine Navigation durch die Analyseergebnisse sowie deren statistische Auswertung mittels Mustererkennung oder Festlegung von Grenzwerten. Auf diese Weise ließen sich etwa die walzbedingten Schwankungen der Blechgüte am Bandanfang und -ende erkennen.

Neben den Potenzialen führte das Entwicklungsprojekt aber auch die derzeitigen Baustellen der Digitalisierung vor Augen. So bewertet Deny Winkler vom TKSSC die Kooperation zwar insgesamt als produktiv, „denn die Schwankungen konnten mithilfe der Daten sichtbar gemacht werden, z.B. dass es bei Laufmeter 50 Auffälligkeiten gibt“, schränkt jedoch gleichzeitig ein: „Im Moment gibt es noch viele technische Schwierigkeiten, die den Einsatz der Software in der Praxis verhindern. Durch ein hohes Grundrauschen in den Anlagen und zu wenige Messpunkte sind die Messungen zu ungenau für eine gezielte Datenanalyse. Schon ein durch die Halle fahrender Kran verfälscht die Messdaten erheblich.“ So sei die Datenintegration zukünftig weiterhin attraktiv auch weil genauere Informationen über die Materialbeschaffenheit laut Winkler die Zahl von Reklamationen deutlich reduzieren könnten doch zuvor gelte es, weitere Entwicklungsarbeit und Modernisierungsausgaben, etwa in neue Maschinen und Messtechnik, zu leisten.

Martin Juhrisch, Geschäftsführer der Symate GmbH, zieht ein positives Fazit: „Es war für uns als junges Unternehmen eine weitere lehrreiche Aufgabe, die technische Machbarkeit des Technologiedatenmanagements mit Detact® auch für die anspruchsvolle Anwendung in der Stahlverarbeitung zu erproben, insbesondere mit so einem etablierten Partner wie Thyssenkrupp. Wir konnten dabei neue Wertschöpfungsmöglichkeiten durch Effizienzsteigerungen und ein vernetztes Qualitätsmanagement aufzeigen. Bei der Datenanbindung sind wir natürlich auch immer abhängig von der Verwertbarkeit und Verfügbarkeit der Messdaten.“ Mit anderen Worten: Technologiedatenmanagement braucht eine solide Datengrundlage. Big-Data-Anwendungen können in der Produktion ihre vollen Potenziale erst dann entfalten, wenn Software-Algorithmen und Maschinen-Hardware noch weiter zusammenwachsen. Das Entwicklungsprojekt zwischen dem TKSSC und Symate war dabei ein erster Schritt hin zur Harmonisierung dieser beiden Welten, die nicht länger getrennt betrachtet werden dürfen.