Suchen

Automatische Bahnoptimierung

Effizienzsteigerung beim Rollfalzen

| Redakteur: Frauke Finus

Thyssenkrupp System Engineering entwickelt ein System zur automatischen Bahnoptimierung, was eine Effizienzsteigerung beim Rollfalzen möglich macht.

Firma zum Thema

Um die gewünschte Falzqualität zu erreichen, wird im bisher üblichen Verfahren die aufgewendete Kraft mittels eines relativen Versatzes zur neutralen, durch CAD-Daten vorgegebenen Geometriebahn korrigiert.
Um die gewünschte Falzqualität zu erreichen, wird im bisher üblichen Verfahren die aufgewendete Kraft mittels eines relativen Versatzes zur neutralen, durch CAD-Daten vorgegebenen Geometriebahn korrigiert.
( Bild: Thyssen Krupp )

Eine besonders flexible Lösung in der Anbauteilefertigung ist das Roboter- oder Rollfalzen. Mittels Rollfalzkopf wird dabei der Flansch des Außenhautteiles in mehreren Arbeitsschritten über das Innen- beziehungsweise Verstärkungsblech gebogen. Mit dieser Technologie lassen sich Bauteile auch in geringen Stückzahlen beziehungweise bei hoher Variantenvielfalt kostengünstig fertigen. Haupteinsatzgebiet ist die Fertigung von Anbauteilen wie Heckklappen, Motorhauben und Türen.

Roboterbahn automatisch anpassen

Zur Umformung des Flansches wird beim Roboter-Rollfalzen die Falzrolle entlang einer der Bauteilkontur nachempfundenen Bahn geführt. Die bei diesem Vorgang auf das Bauteil wirkenden Kräfte sind von mehreren Faktoren wie Material, Flanschdicke, Konturverlauf des Bauteils, aber auch vom verwendeten Robotermodell und der aktuellen Roboterposition abhängig. Diese unterschiedlichen Einflüsse machen bisher eine aufwändige Optimierung des Roboterprogramms bei der Inbetriebnahme notwendig.

Ein von Thyssenkrupp System Engineering entwickeltes Expertensystem passt die Roboterbahn beim Rollfalzen nun mithilfe eines speziellen Algorithmus automatisch an. Im Vergleich zur bisherigen manuellen Prozessoptimierung lässt sich so die Einarbeitungszeit signifikant reduzieren. Gleichzeitig verringert sich die Anzahl der für die Einarbeitung erforderlichen, vom Kunden bereitzustellenden Bauteile.

Das Verfahren ist ein wichtiger Schritt zur Steigerung der Effizienz des Rollfalzens. Durch die automatische Einbeziehung von Zwischenergebnissen, die in einer Datenbank gespeichert werden, handelt es sich bei der Neuentwicklung um ein selbstlernendes System.

Stand der Technik

Um die gewünschte Falzqualität zu erreichen, wird im bisher üblichen Verfahren die aufgewendete Kraft mittels eines relativen Versatzes zur neutralen, durch CAD-Daten vorgegebenen Geometriebahn korrigiert. Dieses Vorgehen basiert auf dem Ursache-Wirkungsprinzip. Mit jeder abschnittsweisen Modifikation der Roboterbahn während des Rollfalzprozesses ist eine spezifische Veränderung des Falzergebnisses verbunden. Bislang erfolgen Qualitätsoptimierungen durch manuelle Änderung des Versatzes der Roboterbahn und können daher nur von erfahrenen Roboterprogrammierern mit hohem verfahrensspezifischem Wissen durchgeführt werden. Dennoch bedarf es bis zum Erreichen der gewünschten Qualität in der Regel vieler zeit- und kostenintensiver Optimierungsschleifen.

Konzept zur automatischen Bahnoptimierung

Das Expertensystem basiert auf der qualitativen und quantitativen Erfassung der Prozessparameter und Falzergebnisse. In einem automatisierten Verfahren wird sukzessive eine Verbesserung der Falzqualität erzielt.

Mittels geeigneter Messsysteme können einzelne Falzergebnisse erfasst werden. Sie stellen einen Bezugspunkt für weitere Optimierungsschritte dar. Auf diese Weise wird eine eindeutige und nachvollziehbare Optimierungshistorie für den Benutzer aufgebaut. Diese Daten bilden die Grundlage für die Generierung von Bahnanpassungen in einem vollautomatischen Prozess.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 43796289)

Bild: Cenit; Archiv: Vogel Business Media; Cenit; Bild: Autoform; Bild: Thyssen Krupp; VCG; Itasse; AP&T; Läpple AG; Meusburger; www.nataliyahora.com; Roemheld; VTH / Kollaxo; Laserline; STM; Anca; Kuka; Eurotech; Trafö; Stäubli; GF Machining Solutions; Hans Weber Maschinenfabrik; Wilhelm Dietz; DPS; Thyssenkrupp; ©Drobot Dean - stock.adobe.com; Blum-Novotest; Nokra; Vitronic; Evopro; Hergarten; Thermhex; Deutsche Bahn AG; © Salt & Lemon Srl; Novus; Air Products; ULT; Jutec; Der Entrepreneurs Club e.K.; Vogel Communications Group; Zarges; Trumpf; BASF; Finus/VCG; Fraunhofer-IWU; ILT / V. Lannert