Hydac Zustandsorientierte und datenbasierte Analyse von Pressen

Anbieter zum Thema

HYDAC INTERNATIONAL GmbH

MaSuB GmbH - Maschinen für die Schweißnahtvorbereitung und Blechbearbeitung

G+K Umformtechnik GmbH

Thermacut GmbH

Künstliche Intelligenz von hydraulischen Systemen und Komponenten kann Ausfallzeiten und Schrottentstehung im Presswerk reduzieren.

Um einen gleichbleibend stabilen Produktionsprozess mit hoher Produktqualität und Ausbringungsrate der Maschine sicherzustellen, soll eine Maschine über ihre gesamte Nutzungsdauer ein gleichbleibendes Verhalten bei minimalem Instandhaltungs- und Wartungsaufwand aufweisen. Die Wartungsintervalle erfolgen bisher meist erfahrungsgetrieben nach festgelegten Intervallen der Instandhalter, wobei kurze Wartungsintervalle die Ausfallrate minimieren können, aber zu einem unverhältnismäßig hohen Instandhaltungsaufwand und damit verbundenen hohen Kosten führen. Bleibt dieses Wartungsintervall an der Presse aus, steigen das Ausfallrisiko und auch die damit verbundenen Kosten. Der optimale Instandhaltungs- und Wartungsaufwand liegt daher zwischen diesen beiden extremen Intervallen und hängt von Maschinen-, Prozess- und anderen Rahmenbedingungen ab. Moderne Produktionsunternehmen investieren daher vermehrt in Digitalisierungslösungen in der Maschine, um die Instandhaltungs- und die Produktionskosten zu reduzieren.

Zu Recht, denn mechanische wie auch hydraulische Pressen haben im Allgemeinen eine relativ lange Betriebsdauer, sodass die Ausfallzeiten der einzelnen Komponenten nicht sinnvoll durch die Instandhaltung abgeschätzt werden können. Umso wichtiger ist ein hoher Digitalisierungsgrad durch gezielte Datenakquisition der Kernkomponenten der Presse. Im Bereich der hydraulischen Datenakquisition können neben den konventionellen Messgrößen wie Druck, Temperatur und Volumenstrom auch die Ölalterung (inklusive Wasser- und Schmutzeintrag) und der Verschleiß mechanischer Komponenten durch Schwellwertanalysen überwacht werden. Schwellwertanalysen reichen oftmals in der industriellen Praxis aus, um einfache Handlungsempfehlungen für den Bediener ableiten zu können. Meldet etwa der p₀-Wächter von Hydac einen falschen Vorfülldruck im Speicher, zeigt die eigens entwickelte Software CMX eine detaillierte Anleitung zur Behebung des Problems. Dass alle Daten dabei auf sämtlichen mobilen Endgeräten verfügbar sind, hat wiederum einen hohen Nutzen für alle Prozessbeteiligten. Technische Diagnosedaten werden nicht nur einfacher erzeugt, sondern auch bei hoher Komplexität in einfachen Dashboards und Grafiken anschaulich aufbereitet.

Smarte Komponenten beziehungsweise Baugruppen können zudem den Antriebsstrang bei mechanischen Pressen überwachen, um langfristige Schäden durch plastische Deformation des Werkstoffs zu verhindern. Die Sensorik in der Presse kann somit nicht nur zur Datenakquisition von Messwerten, sondern auch zur Bewertung des Lastkollektivs im Produktionsbetrieb verwendet werden.

Die Schrottentstehung im Presswerk ist eine der zentralen Kennzahlen (KPIs) für die Wirtschaftlichkeit eines Betriebes. Die Bauteilqualität der Ziehteile hängt dabei von einer Vielzahl von Einflussfaktoren, wie etwa der Blechhalterkraft, der Beölung, der Materialcharge und eben der Konstruktion von Presse und Werkzeug, ab. Diese Abhängigkeiten können nicht ohne Weiteres analytisch aufgrund der komplexen Wirkzusammenhänge auf Basis mathematischer Modelle beschrieben werden.

Smarte Komponenten in der Maschine

Neue Lösungsansätze bieten Methoden des maschinellen Lernens (ML), welche sich prinzipiell in überwachte und unüberwachte Ansätze unterteilen lassen. Geeignete Lernalgorithmen erzeugen beziehungsweise trainieren hierbei ein komplexes Modell auf Basis von Trainingsdaten, bestehend aus Sensor-, Prozess- und Maschinendaten im Presswerk. Das Modell kann anschließend auf neue, bisher unbekannte Daten gleicher Struktur angewandt werden und den gewünschten Wirkzusammenhang, wie etwa den Zusammenhang zwischen den Eingangsdaten und der Bauteilqualität, (überwachtes Lernen) herstellen. Die Güte des Modells hängt hierbei insbesondere von der Qualität beziehungsweise der Aussagekraft der im Produktionsbetrieb gesammelten Trainingsdaten ab. Für die Abbildung solcher komplexen Zusammenhänge und Prozesse werden daher umfangreiche und repräsentative Beispieldatensätze zur Modellgenerierung benötigt. Eine damit verbundene Herausforderung stellt die Verfügbarkeit sogenannter „gelabelter“ Trainingsdaten dar. Im oben genannten Beispiel muss der Trainingsdatensatz neben den Maschinen-, Prozess- und Sensordaten, wie beispielsweise der Blechhalterkraft, ebenfalls die zugehörige Bauteilqualität beinhalten. Dies setzt die Möglichkeit einer eindeutigen Zuordnung von Bauteil und zugehörigen Eingangsdaten voraus. Diese Zuordnung ist jedoch selbst in modernen Presswerken aufgrund mangelnder Möglichkeiten der Qualitätsbeurteilung nicht immer eindeutig zu realisieren.

Künstliche Intelligenz im Presswerk

Liegen aufgrund mangelnder Zuordenbarkeit von Bauteilqualität und Eingangsgrößen keine „gelabelten“ Trainingsdaten vor, so ist der Übergang zu unüberwachten Verfahren des maschinellen Lernens notwendig. Verfahren der Anomalie-Erkennung stellen dabei ein geeignetes Werkzeug zur frühzeitigen Erkennung von Abweichungen im Produktionsbetrieb dar. Sie erlernen auf Basis geeigneter Trainingsdaten, bestehend aus Sensor-, Prozess- und Maschinendaten, den „Normal­zustand“ eines Pressenzyklus. Im Gegensatz zu den überwachten Verfahren des maschinellen Lernens werden hierbei jedoch keine gelabelten Daten benötigt. Ein Nachteil dieser Methodik besteht darin, dass kein direkter Zusammenhang zwischen Bauteilqualität und den Eingangsparametern aufgezeigt werden kann.Hydac unterstützt Maschinenhersteller und Betreiber bei der Agglomeration solcher Daten, der Auswertung und anschließenden Ableitung von komplexen Algorithmen zur Erzeugung von neuen digitalen Geschäfts- und Servicemodellen im Presswerk.

Hydac

Industrie 4.0: Digitalisierung von Pressen und Umformmaschinen

(ID:46389059)