Fakultät Maschinenbau
Refine
Language
- German (2)
Has Fulltext
- no (2)
Is part of the Bibliography
- no (2)
Keywords
- Digitalisierung (2) (remove)
Institute
- Fakultät Maschinenbau (2)
- Labor LeanLab (1)
Begutachtungsstatus
- peer-reviewed (1)
Datenerfassung für die Anwendung lernender Algorithmen bei der Herstellung von Blechformteilen
(2020)
Der industrielle Fertigungsprozess von Blechformteilen unterliegt dem Einfluss einer Vielzahl von Parameterschwankungen, die das Umformergebnis signifikant mitbestimmen. Daher treten Qualitätsprobleme scheinbar zufällig auf und verursachen Ausschuss und einen Verlust an Produktivität. Ein vielversprechendes Mittel zur Verbesserung derartiger Prozesse ist der Einsatz von Datenanalysen und lernenden Algorithmen, die jedoch eine große Datenmenge voraussetzten. Bisher fehlten die Datenbasis und geeignete Möglichkeiten zur Datenerfassung für den Einsatz dieser Methoden.
In dieser Arbeit wurde eine allgemeingültige und übertragbare Methode zur Erfassung und Speicherung relevanter Einfluss- und Ergebnisgrößen des Herstellprozesses von Blechformteilen entwickelt. Die Methode und die resultierenden Daten sind die Grundlage für die Analyse von Zusammenhängen im Prozess, die Vorhersage der Qualität durch maschinelles Lernen und die Berechnung geeigneter Maschineneinstellungen. Diese Anwendungen wurden in der Arbeit erprobt und die Ergebnisse bewertet. Dadurch konnten die Funktionalität der Datenerfassung und die erwarteten Potentiale bestätigt werden.
Die Anwendung von Kaizen ist in vielen Firmen ein selbstverständliches Element geworden. Dennoch variiert die Ausprägung eines kontinuierlichen Verbesserungsprozesses stark von Unternehmen zu Unternehmen. Ein wesentliches Hindernis, gutes Kaizen umzusetzen, ist der Mangel an Realisierungsmöglichkeiten. In Zeiten von Industrie 4.0 bestehen inzwischen zahlreiche Möglichkeiten, Ideen schnell und kostengünstig für eine Produktion zu generieren und damit nachhaltig die Produktivität zu steigern. Zentrales Element von Kaizen ist das zielgerichtete Experimentieren. Es werden Hypothesen aufgestellt und diese werden durch Experimente überprüft, so dass man aus den Ergebnissen lernen kann. Entscheidend ist die Fähigkeit, tatsächlich Experimente in einer Produktion ausführen zu können. Das heißt, Produktionsanlagen müssen mit unterschiedlicher Intensität verändert werden können. In erfolgreichen Unternehmen ist ein Betriebsmittelbau in der Lage, diese Experimente zügig durchzuführen. Häufig sind aber auch hier die Möglichkeiten einer schnellen Gestaltung eingeschränkt. Jede Form von Verbesserung führt zu optimierten Prozessen und einer besseren "Business Excellence". Innovationen, die zum Beispiel durch den Produktionsanlagenhersteller eingebracht werden, führen häufig zu einer sprunghaften Verbesserung. Diese Verbesserungen sind in jedem Fall wichtig, aber auch häufig für den Wettbewerb verfügbar, wenn das Wissen nicht bei einem hauseigenen Anlagenhersteller entsteht. Wenn zudem kleine Verbesserungen zu den Innovationen hinzukommen, können die Prozesse zusätzlich optimiert werden. Sind die Verbesserungen eher kurz- als langzyklisch liegt es auf der Hand, dass ein schnelles Erreichen des Verbesserungsniveaus erfolgt. Neben dem Zeitgewinn ist eine kurzzyklische Vorgehensweise deutlich inspirierender und erschließt das volle kreative Potenzial des Verbesserungsteams.
Kaizen is state of the art for high efficient optimization used by many companies. Nevertheless the variations of this method differ from company to company. A big obstacle to realize good kaizen is due to the lack of possibilities to generate different devices. In times of smart factories and increasing digitalization plenty of possibilities can be used to make ideas happen. This is the opportunity to optimize manufacturing systems in a short cyclic and fast way.