Die schnellsten Maschinen schneller machen
Unternehmen sind heute stets darauf angewiesen, die Produktivität zu maximieren. Vor allem bei kapitalintensiven Fertigungssystemen drohen sonst Kostendruck und Finanzierungslücken. Industrie-4.0-Technologien leisten hier entscheidende Dienste. Ein Beispiel ist die am Fraunhofer IPA entwickelte »Smarte Systemoptimierung«. Das Analysetool erhebt mit intelligenten Kameras echtzeitnah Daten und wertet sie automatisiert aus. Dabei erkennt es nicht nur Prozessabweichungen und ihre Ursachen, sondern zeigt auf, welche Verluste durch die Verkettung anfallen. Neuerdings ist es auch möglich, alle Maschinen eines Fuhrparks mit einem automatisierten Maschinen-Benchmarking auf das höchstmögliche Niveau zu bringen. Mehr dazu finden Sie auf der EMO Sonderschau industrie 4.0 area in Halle 25 Stand B60.
In vielen Produktionen stehen dutzende identische Maschinen in einer Reihe und führen immerzu denselben Bearbeitungszyklus aus. Üblich ist das beispielsweise bei der Herstellung von Werkstücken im Spritzguss, Tiefziehen oder der Metall- bzw. Kunststoffweiterverarbeitung. Obwohl die Maschinen gleich aufgebaut sind, arbeiten manche langsamer als andere. Das liegt meistens am Verschleiß bestimmter Bauteile, variierendem Sensorverhalten oder unterschiedlichen Werkzeugeinstellungen. Die Schwachstelle zu beheben, fällt Unternehmen oft schwer, denn die Maschine taktet schnell und durchläuft viele Einzelprozesse. Mit bloßem Auge erkennt man die Ursache kaum beziehungsweise gar nicht, wenn der Grund in der Kommunikation der Maschinensteuerung verborgen liegt. Außerdem ist es schwierig, eine Zielgröße festzulegen, weil nur die Gesamtzykluszeit, nicht aber die Dauer der technischen Einzelprozessschritte als Vergleichswert vorliegt.
Die »Smarte Systemoptimierung« erlaubt es uns neuerdings, ein automatisiertes Maschinen-Benchmarking durchzuführen und alle Komponenten des Fuhrparks auf das bestmögliche Niveau zu bringen. Schlüsseltechnologie sind adaptierte Algorithmen, die speziell zur Analyse von schnelltaktenden Stückgüter-Produktionslinien entwickelt wurden. Zunächst wird der Gesamtablauf der Maschine definiert und in Einzelprozesse, die Subschritte, zerteilt. Die Gesamtzeit beträgt je nach Anwendungsfall zum Beispiel 50 Sekunden, ein technischer Subschritt in unserem Benchmarkwerkzeug nur wenige Millisekunden. Auf diese Weise ist es möglich, die Maschinen mit wirtschaftlich vertretbaren Aufwand bis ins letzte Detail zu analysieren. Anschließend wird mit dem Optimierungswerkzeug eine durchgängige Datenbasis generiert und echtzeitnah an das Analysetool übermittelt.
Zur Datenerhebung »von innen« kommt ein hochperformanter Konnektor zum Einsatz, der auf die Daten aus der Maschinensteuerung zugreift. Zusätzlich zeichnen intelligente Kameras »von außen« die relevanten Prozessmerkmale auf. Mit dieser kontinuierlichen Datenbasis erkennt das Analysetool sofort, wenn eine Maschine langsamer als vorgesehen läuft. Auch die Ursache für die lange Prozessdauer wird mithilfe der Algorithmen automatisiert ausgegeben. Der Anwender kann nun viel schneller reagieren und die Störung schon vor dem Ausfall beheben. Darüber hinaus kann er einen optimierten Zielwert für die absolut schnellste Maschine erfassen, indem er die besten Einzelprozesse zusammenfügt. Anlagenhersteller und auch die Betreiber können ihre schnellsten Maschinen so noch schneller machen.
Erfolgreich eingesetzt haben wir das Werkzeug schon in einem Werk der Freudenberg Sealing Technologies bei einer ganzen Reihe von komplexen Spritzgießmaschinen für Dichtungen. Hier konnten wir das Verhalten der Schalter und Achsen an den einzelnen Maschinen untersuchen und dessen spezifische Auswirkungen auf die Taktzeit aufdecken. Auch Verschmutzungen und ungünstige Ventileinstellungen konnten wir als Ursachen aus unserem Analysemodell ableiten. Insgesamt gaben wir so je Maschine den Bearbeitungszyklus um sechs bis zehn Prozent verkürzt. Schon zwei Monate nach Projektende hat unser Praxispartner die analysierten Maßnahmen umgesetzt und sogar auf weitere identische Maschinen ausgerollt.
Neben dem Benchmarking im Maschinen- und Anlagenbau ist die Smarte Systemoptimierung auch zur Optimierung von schnelltaktenden vollautomatischen Produktionssystemen nutzbar. Hier erkennt das Analysetool automatisiert Fehler und deren Fortpflanzung durch die Prozesskette. Auf diese Weise können Defekte wie zum Beispiel ein Materialstau, der zum Ausfall des Systems führt, im Vorfeld erkannt und behoben werden. Basis hierfür bildet unser hochperformanter Konnektor, der die Maschinensteuerungen Big-Data-fähig macht. Somit lassen sich vom IPA entwickelte lernende Systeme auf die Datenflut anwenden, Missstände automatisiert erkennen und schwerwiegende Folgefehler oder lange Stillstände durch Fehlersuchzeit vermeiden«. Bei einem großen Automobilzulieferer haben wir die Anlageneffektivität (OEE) kurzfristig um fünf, mittelfristig um acht Prozent gesteigert.
Auf der EMO 2017 vom 18. bis 23. September in Hannover demonstrieren wir die Smarte Systemoptimierung an einer Mini-Fabrik. Dafür haben wir den Materialfluss eines verketteten Fertigungssystem nachgebildet, das von einer Mitsubishi-, einer Siemens S7- und einer Beckhoff-SPS gesteuert wird. Der Besucher sieht auf einem Dashboard, wie die Daten aus der Maschinensteuerung und den Kameras echtzeitnah abgegriffen werden, in das Analysetool einfließen und in Echtzeit Schlüsse bezüglich Fehlerentstehung und Folgefehlern beziehungsweise Folgestillständen gezogen werden. Kurze aber häufige Leistungsverluste in großen Anlagen werden hierüber sichtbar und abstellbar. Gerne können Sie mit uns einen Termin auf unserem Messestand vereinbaren.
Weitere Informationen:
Auftritt des Fraunhofer IPA auf der EMO 2017: https://www.ipa.fraunhofer.de/de/veranstaltungen/messen/EMO_Hannover.html
Pressemitteilungen:
Autor:
Felix Müller, Fachthemenleiter Autonome Fertigungssystemoptimierung,
Telefon +49 711 970-1974, felix.mueller@ipa.fraunhofer.de
Bild
Bei der »Smarten Systemoptimierung« zeichnen Kameras die relevanten Prozessmerkmale in verketteten Anlagen auf. Auf dieser Basis ermittelt die Anwendung die wichtigsten Fehlerquellen und deren Ursachen. (Quelle: Fraunhofer IPA/Universität Stuttgart IFF, Foto: Rainer Bez)