Digitalisierung Wie Industrie 4.0 komplexe Umformprozesse verbessert

Bisher dominiert bei Industrie-4.0-Anwendungen das Condition Monitoring. Doch die Forschung macht weitere Einsatz­möglichkeiten nutzbar, wie sich auf der 25. Sächsischen Fachtagung Umformtechnik (mit 6. Icaft und 6. Auto-Met-Form) zeigte.

Anbieter zum Thema

FACCIN GmbH

Technologie-Institut für Metall & Engineering GmbH

evopro systems engineering AG

Hirschvogel Holding GmbH

Gräbener Maschinentechnik GmbH & Co.KG

mehr weniger

Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU

Schuler AG

weniger

Im Rahmen des Forschungsprojekts „Effizienzschub in der Massivumformung durch Entwicklung und Integration digitaler Technologien im Engineering der gesamten Wertschöpfungskette“ (Emudig 4.0) hat Hirschvogel eine Warmumformlinie mit der Prozesskette Stabstahl scheren, erwärrmen, umformen, abkühlen, strahlen und prüfen untersucht. „Kern ist eine Exzenterpresse mit 2000 t Presskraft zur Umformung von Stabstahl zu Flanschen und Radnaben“, wie Dr. Benjamin Heß vom Corporate Engineering Forging erläuterte. Alle Daten in der Prozesskette werden erfasst und zentral vorgehalten.

Erste Ergebnisse bei Digitalisierung von Warmumformlinie erzielt

Zuvor hatte Hirschvogel zwar eine funktionierende Prozesskette. Allerdings war die Feldebene an übergeordnete IT-Systeme nur rudimentär angebunden und diese Systeme waren untereinander nicht durchgängig vernetzt. Die Schmiedelinie wurde dann an ein Datenerfassungssystem angebunden, neben dem Maschinennetz auch eine zusätzliche Sensorik. Die Sensordaten werden mit Auftrags- und Qualitätsdaten zusammengeführt und lokal verarbeitet, dazu extern in einer Cloud gespeichert. Mit dem System lassen sich circa 350 Messgrößen erfassen, was 50 GByte Rohdaten pro Tag erzeugt. „Diese Datenmenge zeigt, dass eine Aggregation erforderlich ist, auch um das System zu skalieren. Allein bei uns in Denklingen stehen 40 Pressen, hinzu kommen noch weitere Prozessschritte“, erläutert Heß.

Erreicht hat das Projekt bereits eine bedarfsgerechte Analyse und Visualisierung der Daten, abhängig vom Nutzerkreis. Noch nicht ganz abgeschlossen ist die Analyse der statistischen Oberfläche, danach ist ein Training der neuronalen Netze vorgesehen. „Unser Ziel ist es, in die Vorhersagen hineinzukommen“, sagt Heß.

Bildergalerie

„Wir bereiten unsere Maschinen und Anlagen darauf vor, mit dem Rest der Welt viel enger vernetzt zu werden“, berichtet Jens Aspacher von Schuler Pressen. Ein Beispiel ist die verbesserte Prozessüberwachung von Presshärtelinien durch intelligente Datensammlung, die das Göppinger Unternehmen entwickelt hat. Grundlage ist der Smart Press Shop, der Software für sechs Anforderungsbereiche bereitstellt: BDE beziehungsweise OEE, Prozessmonitoring, smarte Diagnose, Conditon Monitoring, Energieeffizienz sowie Track & Trace. Das Presshärten hat Schuler für die Prozessüberwachung ausgewählt, weil es ein sehr komplexer Prozess ist. Außerdem ist bisher nur eine zerstörende Bauteilprüfung möglich.

Wie sich das maschinelle Lernen für die Prozessüberwachung nutzen lässt, zeigte Dr. Gregor Steinhagen, Projekt- und Research-Ingenieur bei der Gräbener Maschinentechnik, in seinem Vortrag. Als Beispiel hat der Maschinenbauer eine Hydroformingpresse mit 3500 t Presskraft, 32 Achsen und 15 Werkzeugen ausgewählt. 397 Sensoren, die in der Maschine bereits bei der Auslieferung vorhanden waren, erfassen die Daten. „Bei der Kumulation der Rohdaten lagen die Daten von 841 Bauteilen vor. Angesichts von 397 Sensoren und 32 Achsen ist diese Menge händisch nur schwer zu analysieren, hier können Machine-Learning-Algorithmen helfen“, sagt der Ingenieur.

Software braucht nur 30 Hübe zur Prozessrepräsentation

Mit der Software konnte Gräbener eine erste Prozessrepräsentation nach 30 Hüben erstellen. Zudem konnten der Maschinenbauer und sein Projektpartner aus der Industrie das Wissen aus der manuellen Analyse nutzen, um es in die Kontrollcharts einfließen zu lassen und eventuelle Qualitätsprobleme zu erkennen. Fehlerbeispiele waren nicht notwendig. „Mit acht Sensoren haben wir es geschafft, aus selbst angelernten Daten und dem Know-how des Maschinenbetreibers die Bauteile mit Rissen zu entdecken“, berichtet Steinhagen.

Die Unterstützung von Industrie 4.0 mit intelligenten Maschinenkomponenten war Thema von Robin Kurth, wissenschaftlicher Mitarbeiter am Fraunhofer-IWU. „Intelligente Maschinenkomponenten dienen nicht nur als Möglichkeiten zum Datensammeln, sondern können auch Daten auswerten und direkt in eine Analyse überführen“, erläutert er. An einer Pressenlinie suchen sich die Forscher Schlüsselkomponenten heraus, zum Beispiel im Antriebsstrang oder an der Werkzeugschnittstelle. Anhand von Gleitlager und Werkzeugspannsystem zeigt er, was sich mit ihrer Intelligenz erreichen lässt. So will das IWU mit einem Hybridgleitlager Schäden bei einem konventionellen Gleitlager vermeiden, indem bei langsamen Stößelbewegungen ein hydrostatisches Gleitlager zeitweise zugeschaltet wird. Am IWU wurde dazu das Verhalten der Gleitlager einerseits simuliert, andererseits mit Sensoren erfasst. Daraus entwickeln die Forscher derzeit ein Steuerungskonzept für die zuschaltbare Hydrostatik und überführen das Konzept in den Versuchsstand. Das Werkzeugspannsystem wurde nach Kurths Worten ausgewählt, weil es nah am Umformprozess ist, aber in der Maschine. Damit verbleibt es bei einem Werkzeugwechsel an Ort und Stelle. Außerdem kann man an bis zu zwölf Punkten Daten aufnehmen. Zu den Zielen der Datenauswertung zählt Kurth neben dem Condition Monitoring des Spannsystems selbst das Überwachen der Spannkraft und des Umformprozesses, indem versucht wird, über Deformationen am Spannsystem auf Deformationen der Presse und den Umformprozess zu schließen.

(ID:45644869)