Forscher haben ein Analysetool entwickelt, das dank selbstlernender Algorithmen Defekte in schnelltaktenden Fertigungsanlagen findet, bei der Fehlerbehebung unterstützt und zudem ein automatisiertes Maschinen-Benchmarking ausführt.
Springer Fachmedien Wiesbaden
Fertigungsanlagen können eine Vielzahl an Stationen umfassen und so schnell arbeiten, dass Fehlerursachen mit bloßem Auge nicht erkennbar sind. "Je komplexer die Anlage, desto geringer die Produktivität", so das Resümee von Felix Müller, Gruppenleiter Autonome Produktionsoptimierung am Fraunhofer-Institut für Produktionstechnik und Automatisierung (IPA). Zusammen mit seinem Team hat er deshalb ein Analysetool entwickelt, das Methoden der Künstlichen Intelligenz (KI) anwendet, um Fehler und deren Ursache in schnelltaktenden, verketteten Fertigungsanlagen kontinuierlich zu erkennen: Ein leistungsstarker Konnektor greift dazu 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, so die Entwickler, können Defekte, die zum Ausfall des gesamten Systems führen, schneller behoben oder gar vorhergesagt werden.
Auch ein automatisiertes Maschinen-Benchmarking sei mit der KI-basierten Systemoptimierung machbar, heißt es in einer Mitteilung des IPA: In vielen Produktionshallen stehen dutzende identische oder ähnliche Maschinen und führen immer den gleichen Bearbeitungszyklus aus. Beispielsweise Spritzgieß-, Druckguss- oder auch Blasform- und Tiefziehmaschinen. Obwohl sie alle gleich aufgebaut seien, arbeiteten manche langsamer als andere. Das liege meist am Verschleiß bestimmter Bauteile, an variierendem Sensorverhalten oder unterschiedlichen Werkzeugeinstellungen sowie Materialschwankungen.
Beim Maschinen-Benchmarking wird zunächst der Gesamtablauf in einer Maschine definiert und in Einzelschritte aufgeteilt, beschreibt Müller. 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 Tool 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 zwei und 18 Prozent.
Die IPA-Entwickler haben die Anwendung mittlerweile in eine kontinuierlich lernende Software namens Darwin überführt. Bei mehreren Automobilzulieferern und einem Spritzgießmaschinenhersteller sei Darwin bereits zum Einsatz gekommen, berichtet Müller, der sich soeben zusammen mit den beiden Mitgründern Thomas Hilzbrich und Pablo Mayer mit dem Start-up-Unternehmen "plus10" selbstständig gemacht hat.