Thomas Hilzbrich, Pablo Mayer und Felix Müller (v. l.) haben die Analyse-Software für Fertigungsanlagen beziehungsweise Fertigungsmaschinen entwickelt und das Start-up-Unternehmen plus10 gegründet. (Bild: Fraunhofer IPA/Rainer Bez)
Dazu greift ein leistungsstarker Konnektor über das jeweilige Herstellerprotokoll hochfrequent auf die Daten in der Maschinensteuerung zu. So entsteht eine kontinuierliche Datenbasis, die mehrere selbstlernende Algorithmen zeitsynchron auswerten. Diese erkennen detailliert, wo Fehler im Fertigungssystem vorliegen, wie sie zusammenhängen und welche Prioritäten sie bei der Behebung haben. Auf diese Weise können Defekte, die zum Ausfall des gesamten Systems führen, schneller behoben oder sogar vorhergesagt werden. Allerdings ist nicht immer klar, was zu tun ist, wenn ein Fehler aufzutreten droht. Dazu kommen Folgemeldungen der Anlage, die die Situation für den Bediener noch unübersichtlicher gestalten.
Die Analyse-Software Shannon, die dies bewerkstelligt, wird bereits bei großen Automobil- und Pharmaunternehmen angewendet. Und inzwischen haben sich die Erfinder Felix Müller, Thomas Hilzbrich und Pablo Mayer vom Fraunhofer IPA mit dieser smarten Technik zur Systemoptimierung selbstständig gemacht machen; vor kurzem haben sie das ‚plus10‘ genannte Unternehmen gegründet.
Automatisiertes Maschinen-Benchmarking
In vielen Produktionshallen stehen dutzende identische oder ähnliche Maschinen und führen immer den gleichen Bearbeitungszyklus aus. Ein Beispiel dafür sind Spritzgieß-, Druckguss- oder auch Blasform- und Tiefziehmaschinen. Obwohl sie alle gleich aufgebaut sind, arbeiten manche langsamer als andere. Das liegt meist am Verschleiß bestimmter Bauteile, an variierendem Sensorverhalten oder unterschiedlichen Werkzeugeinstellungen sowie Materialschwankungen. Um dies herauszufinden, wird beim Maschinen-Benchmarkings-System Darwin zunächst der Gesamtablauf in einer Maschine definiert und in Einzelschritte aufgeteilt. Anschließend erzeugt der hochfrequente Konnektor an der Maschinensteuerung eine Datenbasis, die ein Machine-Learning-Algorithmenpaket auswertet. Dies geschieht mit allen angeschlossenen Maschinen gleichzeitig und wird rein virtuell zu einem idealen Prozessablauf verschmolzen. Daraus erkennt das Analysewerkzeug sofort, wenn eine Maschine langsamer läuft als vorgesehen und verknüpft dies mit einer technischen Ursache. Anwender können so nicht nur Störungen beheben bevor sie auftreten, sondern auch eine optimierte Zykluszeit für die angeschlossenen Maschinen erhalten, indem sie die besten Einzelschritte zusammenfügen. Dies führte je nach Maschine in den bisherigen Prototypenanwendungen zu Zykluszeitreduktionen zwischen 2 und 18 %. Und dadurch kann auch die bisher schnellste Maschine noch schneller werden.
(dw)
