Die Kernfragen der  digitalen Transformation

Wer Daten zu nutzen versteht, versteht sein Geschäft. Klingt so einfach, und ist doch eine der schwersten Übungen für produzierende Unternehmen: herauszufinden, welche Daten man wie selektieren und verarbeiten soll. Und vor allem: wozu.

Wer Daten zu nutzen versteht, versteht sein Geschäft. Klingt so einfach, und ist doch eine der schwersten Übungen für produzierende Unternehmen: herauszufinden, welche Daten man wie selektieren und verarbeiten soll. Und vor allem: wozu. Will man die Produktivität steigern, die Produktqualität besser überwachen oder sein Geschäftsmodell überdenken? Wenn eine klare Zielsetzung und Umsetzungsstrategie fehlen, gleicht es einer Lotterie, ob ein Unternehmen bei einer digitalen Fitnesskur den Hauptgewinn zieht oder doch eine Niete. Das dürfte einer der Hauptgründe sein, warum die viel beschworene digitale Transformation (Industrie 4.0) nach allgemeiner Einschätzung eher schleppend vorankommt. Der andere sind offenbar massive Sicherheitsprobleme.

In der kunststoffverarbeitenden Industrie war bereits jedes vierte mittelständische Unternehmen Opfer einer Cyberattacke, jedes zehnte sogar mehrfach betroffen. Diese erschreckenden Zahlen sind das Ergebnis einer repräsentativen Umfrage, die das Forsa-Institut im Auftrag des Gesamtverbands der Deutschen Versicherungswirtschaft (GDV) bei 100 kleinen und mittleren Kunststoffverarbeitern durchgeführt hat. Wie die Umfrage weiter ergab, standen nach einem erfolgreichen Angriff zwei Drittel der Betriebe zeitweise still. Weitere finanzielle Schäden entstanden durch den hohen Aufwand, mit dem die Sabotageakte analysiert und entwendete oder gesperrte Daten wiederhergestellt werden mussten. Fast noch schlimmer: Die Mehrzahl der Firmen unterschätzt die Gefahr eklatant und rüstet sich nur ungenügend.

Zwei Fragen stehen also an: Welche Daten sind bares Geld wert, wenn man sie richtig nutzt? Und wie lassen sich die Systeme in einer vernetzten und in Zukunft wohl zunehmend autonomen Produktionswelt kompromisslos sicher auslegen? Die eine muss jedes Unternehmen für sich beantworten, für die andere sind industrieweite, wenn möglich zertifizierte IT-Standards gefordert. Und es braucht Vorreiter, die nicht nur über die Schattenseiten der Digitalisierung reden. Also (siehe den <a href="https://www.kunststoffe.de/kunststoffe-zeitschrift/archiv/artikel/mit-automatisierung-und-kuenstlicher-intelligenz-die-digitale-transformation-gestalten-11185783.html" target="_blank">Beitrag über Vorwerk ab S. 18</a>): Licht an!

[<a href="mailto:clemens.doriat@hanser.de">clemens.doriat@hanser.de</a>]

Editorial - Doriat

Doriat, Clemens, Dr.

„Ein Distributor und ein Compoundeur  haben einen ganz anderen Geschäftsalltag“

Hintergründe zum Unternehmensumbau bei Albis Plastic und aktuelle Herausforderungen

Auf der K 2019 kündigte Albis Plastic an, sein Distributions- und Compounding-Geschäft in zwei Unternehmen aufzuteilen. Nun ist der Umbau abgeschlossen. Kunststoffe sprach mit der Geschäftsführung des Unternehmens über die Vorgeschichte sowie den aktuellen Stand beim Umbau und darüber, wie die Coronakrise die Kunststoffindustrie verändern wird.

Albis Plastic hat seine Distributions- und Compounding-Sparten in zwei unabhängige Firmen aufgeteilt: Albis für die Distribution und Mocom für das Compounding. Im Interview erklären die drei Geschäftsführern der Unternehmen Philip O. Krahn von der Unternehmensmutter Otto Krahn Gruppe, Horst Klink, Albis, und Ian Mills, Mocom, was sich hinter dem Umbau verbirgt und welche Auswirkungen die Coronakrise auf die Kunststoffbranche hat.

Kunststoffe: Wieso haben Sie sich zu dem Umbau entschlossen?

Philip O. Krahn: Wir haben intern im Mai 2019 das Strategiepaket „Accelerate our Future“ angestoßen. Dadurch möchten wir die gesamte Otto Krahn Gruppe neu organisieren, um schneller zu werden und besser mit unseren Kunden und strategischen Distributionspartnern zusammenzuarbeiten. Das Ziel ist eine noch stärkere Kundenfokussierung. Ein Distributionsunternehmen und ein Compoundeur haben einen ganz anderen Geschäftsalltag, unterschiedliche Herausforderungen und Stärken. Durch die Aufteilung in zwei Unternehmen können sich die beiden Bereiche besser auf ihre jeweiligen Aufgaben und Fähigkeiten konzentrieren. Außerdem bietet uns die neue Struktur intern Vorteile, nämlich eine klare Ergebnis- und Kostenverantwortung.

Kunststoffe: Lagern Sie das Compounding-Geschäft in ein eigenes Unternehmen aus, um dieses zu verkaufen?

Krahn: Diese Frage bekommen wir oft gestellt (lacht). Nein, das haben wir nicht vor. Wir setzen auch in Zukunft auf Compounds.

Kunststoffe: Wird sich das Produktangebot durch die neue Struktur verändern?

Ian Mills: Wir haben keine strategischen Veränderungen in unserem Portfolio vor. Gegenwärtig umfasst es etwa 4000 Produkte mit etablierten Marken wie Altech, Alcom und Tedur. Es ist ein sehr umfangreiches Portfolio. Das wird auch in Zukunft so bleiben. Diese große Bandbreite ist eine unserer Stärken.

Horst Klink: Für uns bedeutet die Aufteilung vor allem, dass wir mit Mocom einen neuen strategischen Partner bekommen. Wir kümmern uns um den Verkauf ihrer Compounds an unsere Distributionskunden, während Mocom sich stärker auf ausgewählte Direktkunden konzentrieren kann. Die beiden Firmen werden sich also sehr gut ergänzen. Für unsere weltweit 13 000 Kunden wird sich hingegen hinsichtlich des Produktangebots nichts verändern. Wir können sie zukünftig allerdings noch etwas schneller bedienen und uns stärker um ihre Anliegen kümmern.

Kunststoffe: Schließen Sie Standorte oder kommen neue hinzu?

Klink: Albis besitzt zurzeit weltweit 40 Lagerhäuser. Wir überprüfen gerade, ob wir diese wirklich alle benötigen, ohne dass unsere Logistik darunter leidet. Unsere Kunden erwarten natürlich eine schnelle Lieferung. Unsere europäischen Kunden können wir beispielsweise innerhalb von 24 Stunden beliefern. Diesen Service werden wir auch zukünftig anbieten. Ansonsten vergrößern wir gerade unsere Sales-Teams in Osteuropa, etwa in Kroatien, Rumänien, Bulgarien und Griechenland, da dort das größte Wachstum in Europa zu erwarten ist.

Mills: Standorte schließen werden wir nicht. Wir erweitern im Moment die Logistik und Büroflächen an unserem Standort in Shanghai in China. Unser Geschäft in der Region ist einer unserer Schwerpunkte. Vor etwa zwei Jahren haben wir die Kapazität dort verdoppelt. Wir sehen außerdem in einigen Märkten Wachstumspotenzial für uns und denken dort über Investitionen nach. Aufgrund der Coronakrise ist eine Planung allerdings gerade sehr schwierig. Wir müssen abwarten, wie sich die Lage danach entwickelt.

Kunststoffe: Wie lange die Coronakrise noch anhält ist stark umstritten. Wann gehen Sie davon aus, dass sich die Situation wieder normalisiert?

Klink: Das ist schwer zu sagen. Es gibt sehr viele verschiedene Vorhersagen. Einige Experten rechnen mit einem Ende der Krise Ende diesen Jahres, andere gehen davon aus, dass sie sich noch bis 2023 hinzieht. Ein guter Indikator wird die Entwicklung in China sein. Ich gehe davon aus, dass China als eines der ersten Länder aus der Krise kommt.

Kunststoffe: Wie stark sind Sie bei Albis von der Situation betroffen?

Krahn: Erfreulicherweise waren wir sehr gut vorbereitet. 2018 haben wir unser Krisenmanagement neu aufgestellt und dabei auch die Möglichkeit einer Pandemie mit einbezogen. Unser Krisenteam konnte die notwendigen Maßnahmen deshalb sehr schnell umsetzen. Zugute kam uns außerdem, dass wir uns die letzten zwei, drei Jahre sehr stark auf die Digitalisierung konzentriert haben. Dadurch konnten unsere Mitarbeiter relativ unkompliziert im Homeoffice arbeiten. In der gesamten Otto Krahn Gruppe sind über 800 Mitarbeiter ganz oder teilweise von zu Hause aus tätig. Ökonomisch ist die Situation aber natürlich nicht leicht. Gerade die Automobilindustrie als einer unser Kernmärkte leidet sehr unter der Krise. Aber auch das Einkaufsverhalten der Kunden hat sich verändert. Sie bestellen sehr viel kurzfristiger als früher und nicht bereits Monate im Voraus. Das logistisch umzusetzen, ist eine Herausforderung. Im Großen und Ganzen kommen wir bisher aber gut durch die Krise und verfügen nach wie vor über eine hohe Liquidität.

Kunststoffe: Als Distributionsunternehmen sind Sie mit Werkstoffherstellern und Kunststoffverarbeitern in Kontakt. Wie beeinflusst die aktuelle Situation die Kunststoffbranche?

Klink: Die einzelnen Branchen sind sehr unterschiedlich betroffen. Bei Standardpolymeren wie Polyolefinen, Polystyrol oder Acrylnitril-Butadien-Styrol sind die Verkaufszahlen stabil oder wachsen sogar. Die Auswirkungen der Krise bemerken wir hauptsächlich bei technischen Kunststoffen, vor allem für den Maschinenbau und die Automobilindustrie. Es zeigt sich also ein differenziertes Bild. Nicht allen Branchen geht es schlecht. Im Medizinbereich übertreffen wir beispielsweise bereits unsere Wachstumsziele für dieses Jahr.

Kunststoffe: Beeinflusst die Krise die Entwicklungen beim Recycling von Kunststoffen?

Mills: Die aktuelle Situation schafft teilweise Anreize sich wieder vom Einsatz von Recyclingmaterialien zu verabschieden. Durch fallende Preise für Neuware bei einigen Polymeren werden Recyclingmaterialien unattraktiver. Der ökonomische Druck, unter dem viele Unternehmen stehen, führt in einigen Fällen dazu, dass sie sich gegen Rezyklate entscheiden. Um das zu verhindern, sind stärkere gesetzliche Regulierungen notwendig, etwa zusätzliche feste Quoten für Recyclinganteile bei bestimmten Produkten. Das Interesse in der Industrie, Rezyklate zu verwenden, ist nämlich durchaus da. Das haben wir vor der Krise auch deutlich bei Kundenanfragen zu unseren Compounds bemerkt.

Kunststoffe: In der Krise ist die Arbeitsweise in vielen Unternehmen digitaler geworden. Wird das nach Ende der Krise so bleiben?

Mills: Die letzten Monate haben gezeigt, wie effizient digitales Arbeiten sein kann und wie gut sich damit Projekte mit Kunden abwickeln lassen. Die Kunden werden deshalb zukünftig eine stärkere digitale Zusammenarbeit erwarten. Auch weil sich dadurch Zeit einsparen lässt. Und auch die Mitarbeiter erwarten ein digitaleres Arbeiten.

Krahn: Der Wunsch nach physischen Treffen wird nicht verschwinden. Unsere Kunden möchten technische Unterstützung und einen direkten Austausch bei ihnen vor Ort. Das ist auch eine unserer Stärken. Dennoch wird die Anzahl solcher Treffen abnehmen. Durch die Krise hat die Angst vor der Digitalisierung abgenommen. Die Menschen haben sich an die Nutzung von digitalen Tools gewöhnt. Deshalb wird es künftig auch deutlich weniger Geschäftsreisen geben.

Kunststoffe: Arbeiten Sie auch in der Entwicklung bereits mit digitalen Tools?

Mills: Ja. Beispielsweise verwenden wir intern und für die Zusammenarbeit mit Kunden Smart Glasses. Unser deutsches Verfahrenstechnik-Team bietet damit etwa Kunden in China und den USA Hilfestellung bei der Einstellung ihrer Maschinen und in der Upscaling-Phase.

Krahn: Ein anderes Beispiel sind virtuelle Schmelzflussanalysen, bei denen wir zusammen mit Kunden in einer gemeinsamen Umgebung an digitalen 3D-Modellen arbeiten. Das funktioniert bereits jetzt sehr gut und wird in nächster Zeit noch deutlich zunehmen.

Das Gespräch führte Florian Streifinger, Redaktion.

Albis_Int

Seit fast 10 Jahren arbeitet Philip O. Krahn für Albis. In dieser Zeit übernahm er verschiedene Positionen sowohl in Deutschland, als auch an den weltweiten Standorten des Unternehmens. Vor dem Umbau war er Geschäftsführer von Albis Plastic. Zukünftig übernimmt er die Leitung der Unternehmensmutter Otto Krahn Gruppe.

Horst Klink wechselte 2018 von dem Compoundeur A. Schulman zu Albis Plastic und war dort für die Distributionssparte des Unternehmens zuständig. In Zukunft leitet er das neu gegründete Distributionsunternehmen Albis.

Das neu geschaffene Compounding-Unternehmen Mocom wird Ian Mills leiten. Er arbeitet bereits seit 13 Jahren für Albis Plastic, zuletzt als Chief Sales Officer.

„Die Coronakrise schafft Anreize, sich von Rezyklaten zu verabschieden. Deshalb sind stärkere gesetzliche Regularien notwendig“

Compound

Kunststoff Werkstoffe

Thermoplaste

Streifinger, Florian

Compoundeure

Dienstleistungen

Handel

Distributionslogistik

Logistik

Compoundieren

Kunststoffverarbeitung: Verfahren

Kunststoff-Aufbereitung

Komplexe Prozesse digital führen, überwachen und dokumentieren

Mit Checklisten auf Papier zu arbeiten ist in Zeiten von Industrie 4.0 nicht mehr Stand der Kunst. Die Papierlisten einfach zu digitalisieren klingt zwar nach einem Fortschritt, würde aber nicht das volle Potenzial heutiger Technologien ausschöpfen. Auf Basis einer Prozessanalyse lässt sich dagegen eine digitale Lösung finden, bei der idealerweise gleich noch der gesamte per Checkliste abzuarbeitende Vorgang auf kaufmännischer und operativer Ebene in bestehende IT-Systeme integriert werden kann.

Die Radici Chimica Deutschland GmbH ist Hersteller chemischer Grundstoffe mit einem Schwerpunkt in der Produktion von Adipinsäure, einerseits als Vorprodukt zur Herstellung von Nylonfasern für die Textilindustrie, andererseits für Produkte zur Anwendung in der Automobilindustrie.

Wie bei allen Unternehmen der chemischen Industrie spielt auch hier der sichere Umgang mit Gefahrstoffen und Gefahrgütern von der Anlieferung über die Verarbeitung bis zur Auslieferung des fertigen Produkts eine maßgebliche Rolle. Am Standort Elsteraue werden im Wesentlichen die Grundstoffe Phenol, Superol, Ammoniak und Salpetersäure per Lkw und auf der Schiene an fünf Entladeterminals angeliefert.

Schon in der Anlieferung der Gefahrstoffe gilt es, Fehler und damit Gefahren für Mensch und Umwelt zu vermeiden. Zum Beispiel dürfen Salpetersäure und Phenol keinesfalls miteinander in Kontakt kommen. Bei der Anlieferung neuer Grundstoffe wird daher zuerst erfasst, welches Fahrzeug ankommt, welche Ware es liefert, woher diese kommt und vieles mehr. Das IT-System stößt dann einen Arbeitsauftrag an, damit die angelieferte Menge ermittelt und Lieferpapiere ausgestellt werden können.

Die bislang dazu ausgedruckte Checkliste, die der Bearbeiter am Entladeterminal abarbeitete, mussten Kollegen der Administration mit den Notizen des Bearbeiters am Ende ins IT-System einpflegen. Diesen Prozess wollte Radici digitalisieren und dazu den Plant Assist Manager (PAM) von Rösberg (siehe Kasten) einsetzen. Diese Software unterstützt Anwender dabei, komplexe Arbeitsprozesse strukturiert durchzuführen, zu optimieren und mit wenig Aufwand zu dokumentieren (Bild 1) und lässt sich ohne großen Aufwand in Arbeitsprozesse integrieren. Sie kann die Verwaltung der Aufträge (Arbeitsprozesse von der Erstellung über die Durchführung bis zum Abschluss) mit ihrer operativen Umsetzung kombinieren. Die Auftragsverwaltung enthält dabei die betriebsrelevante Stammdatenbank mit administrativen Funktionen; definierte Checklisten für betriebliche Arbeitsprozesse oder Schrittketten werden hier digital hinterlegt und können zusammen mit Detailinformationen abgerufen werden, die dank einer Schnittstelle von beliebigen ERP-Systemen (enterprise resource planning) stammen können.

Radici war ein schrittweiser Umstieg auf die digitale Lösung wichtig, um die Akzeptanz bei den Mitarbeitern möglichst hoch zu halten und den Erfolg sicherzustellen. Im ersten Schritt wurde daher PAM für die administrativen Prozesse eingeführt, dann der Terminal für die „Phenolentladung Straße“ umgestellt, wobei das System als „Datenvermittler“ zwischen Warenwirtschaftssystem und Wägesystem wirkt. Nachdem klar ist, dass man diese Schnittstellen sicher im Griff hat, soll in den kommenden Monaten die Umrüstung der restlichen Be- und Entladestationen folgen.

Von der Checkliste zum dynamischen Wissensmanagement

In der dritten Phase des Projekts soll sich PAM an das Prozessleitsystem anbinden und Pumpen, Ventile sowie Motoren direkt ansteuern. Der Vorteil gegenüber der Papiercheckliste liegt hier klar auf der Hand: Wird die digitalisierte Liste ans Sicherheitssystem gekoppelt, können Schrittfolgen noch stärker geführt werden und Aufgaben hardwareseitig so lange gesperrt bleiben, bis die notwendigen Vorgängeraufgaben tatsächlich abgeschlossen sind.

Gleichzeitig dokumentiert PAM direkt, wer wann welche Arbeiten erledigt hat. Die so entstandene Dokumentation ist auch auditfähig. Zudem liegen nun Prozessdaten in Echtzeit vor, also bereits während des Abfüllprozesses und nicht erst Stunden oder Tage später. Das macht das Arbeiten übersichtlicher und effizienter, weil unnötige Doppelarbeiten vermieden werden. Darüber hinaus lassen sich Authentifizierungslösungen via RFID integrieren und damit sicherstellen, dass der richtige Mitarbeiter an der richtigen Stelle die geplanten Aufgaben durchführt. Auch im Zusammenhang mit Alarmen bringt ein solches System etliche Vorteile. So lässt sich für jeden Alarm eine Anweisung oder Information hinterlegen, die angibt, was zu tun ist. Wo bisher zur Behebung von Alarmen meist Vorgesetzte eingebunden werden mussten, kann nun der Mitarbeiter vor Ort anhand der Anleitung richtig auf den Alarm reagieren.

Damit unterstützt das System generell ein Wissensmanagement im Unternehmen: Know-how, das bislang nur in den Köpfen erfahrener Mitarbeiter steckte, wird dokumentiert. Arbeiten, die vorher nur von erfahrenen oder speziell geschulten Mitarbeiter erledigt werden konnten, lassen sich nun personenunabhängig erledigen. Darüber hinaus steht solches Wissen auch nach dem Ausscheiden von Mitarbeitern noch zur Verfügung.

Solange das Arbeiten mit der Papiercheckliste funktioniert, scheuen viele Anwender den Aufwand des Umstiegs auf die digitale Lösung. „Komplexe Prozesse, die nach strikten Vorgaben (teil)manuell abgearbeitet werden müssen, sind mit Papierlisten oder schlimmstenfalls noch gar nicht dokumentiert“, erläutert Niko Metzler (Bild 2), Software Consultant Plant Assist Manager bei Rösberg, das typische Vorgehen. „Mit ein paar Notizen zum Prozessablauf machen wir zu Projektbeginn eine erste kleine Demo.“ Danach beginnt die Anpassung des Systems an die Gegebenheiten vor Ort, je nach Wunsch als Stand-Alone-Lösung oder auf Basis vielfältiger Schnittstellen integriert in vorhandene Prozessleit-, ERP- oder sonstige Systeme. Der Anwender bestimmt auch, ob der Umstieg wie bei Radici sukzessive oder in einem Schritt erfolgen soll.

Radici ist sehr zufrieden: „Die Zusammenarbeit mit Rösberg war äußerst angenehm“ sagt Uwe Wedekind, Leiter Einkauf & Logistik bei Radici Chimica Deutschland GmbH. „Besonders begeistert hat mich das Know-how, das die Mitarbeiter im Bereich der Prozessindustrie mitbringen. Sie konnten sich sehr gut in unsere Prozesse eindenken und so haben wir gemeinsam optimale Lösungen entwickelt.“

In der chemischen Industrie spielt der sichere Umgang mit Gefahrstoffen und -gütern von der Anlieferung über die Verarbeitung bis zur Auslieferung des fertigen Produkts eine maßgebliche Rolle

Bild 1. Plant Assist Manager (PAM): Die Softwarelösung unterstützt Anwender beim strukturierten Bearbeiten und Dokumentieren komplexer Arbeitsprozesse

Bild 2. „Der Umstieg auf digitale Checklisten ist weniger aufwändig als viele glauben“, sagt Niko Metzler, Software Consultant Plant Assist Manager bei Rösberg, und betont: „Die vielfältigen Vorteile der digitalen Lösung sind nach dem Umstieg sofort nutzbar.“

Bild 3. Der Plant Assist Manager ist eine modular aufgebaute Software, die die Bearbeitung von „Workflows“ unterstützt und so die Sicherheit in Anlagen erhöhen soll

Name - Hauptartikel

Workflow- / Prozessmanagement

Qualitätssicherung

Prozessoptimierung

Wirtschaft

Prozessmanagement

Software für Prozessmanagement

Software

ERP-Systeme

Industrie 4.0 für die Kunststoffverarbeitung

Industrie 4.0

Software-Dokumentenverwaltung

Qualitätsmanagement

Dokumentationsmanagement

Prozessleitsysteme

Prozessautomation

Mess- / Regel- und Prozessleittechnik

Inline-Qualitätserfassung und  datenbasierte Qualitätsprognose

Mit Automatisierung und künstlicher Intelligenz die digitale Transformation gestalten

Die Sicherung der Wettbewerbsfähigkeit am Standort Deutschland erfordert neben einer kosteneffizienten Produktion insbesondere hochwertige Produkte. Die Vorwerk Elektrowerke stellen sich dieser Herausforderung. In Zusammenarbeit mit dem Institut für Produkt Engineering der Universität Duisburg-Essen erprobt das Unternehmen eine 100-%-Inline-Qualitätserfassung sowie eine Qualitätsprognose durch maschinelles Lernen.

Die Vorwerk Elektrowerke GmbH & Co. KG fertigt hochwertige Haushaltsgeräte, die unter Markennamen wie Thermomix und Kobold weltweit bekannt sind. Da diese Produkte meist im gehobenen Preissegment angesiedelt sind, stellen die Kunden entsprechend hohe Ansprüche an die Produktqualität. Das spiegelt sich in den Qualitätsanforderungen wider, die für die verbauten Kunststoff-Formteile gelten. Diese werden im Werk Wuppertal, dem größten Produktionsstandort der Vorwerk Gruppe, im Dreischichtbetrieb vorwiegend im Spritzgießprozess hergestellt.

Eine Produktion am Hochlohnstandort Deutschland erfordert gemeinhin kontinuierliche Innovationen im Bereich der Prozesstechnik, damit das Unternehmen sowohl unter Qualitäts- als auch Kostenaspekten langfristig wettbewerbsfähig bleibt. In diesem Rahmen hat sich Vorwerk entschlossen, gemeinsam mit dem Institut für Produkt Engineering (IPE) der Universität Duisburg-Essen den Mehrwert einer optischen 100-%-Inline-Qualitätserfassung sowie der direkten Vorhersage der Formteilqualität auf Basis der Prozessdaten für die Spritzgießproduktion zu untersuchen.

Zunächst galt es, ein geeignetes Formteil auszuwählen. Die Wahl fiel dabei auf den Filterdeckel des Staubsaugers Kobold VK 200 (Titelbild). Dieser ist aus Acrylnitril-Butadien-Styrol (ABS) hergestellt und verfügt über eine Dichtlippe aus einem thermoplastischen Elastomer (TPE). Produziert wird der Filterdeckel (Bild 1) auf einer hydraulischen Zweikomponenten-Spritzgießmaschine (Typ: 500-2000-180-CX Z; Hersteller: KraussMaffei Technologies GmbH, München).

Neben der Montagefähigkeit und einer optisch einwandfreien Oberfläche des Formteils ist die Dichtungswirkung der Dichtlippe von großer Bedeutung. Andernfalls würde die Funktion des Staubsaugers beeinträchtigt und der Kunde durch unerwünschte Nebengeräusche belästigt, wenn die Luft durch den Dichtungsbereich strömt. Um die Dichtungswirkung sicherzustellen, sind zwei Dinge erforderlich:

<ul><li>die vollständige Ausformung der Dichtlippe sowie</li><li>die korrekte, umlaufende Position der TPE-Kontur.</li></ul>

Letztere geht direkt mit der Formteilkontur der Hartkomponente einher, sodass diese, repräsentiert durch zwei Breitenmaße, im Zentrum der Untersuchungen stehen sollte.

Für die Erprobung wurde ein Kamerasystem (Typ: CV-X; Hersteller: Keyence Deutschland GmbH, Neu-Isenburg) verwendet (Bild 2). Da für die Erfassung der Formteilkontur keine Farbinformationen benötigt werden, kommt ein Schwarz-Weiß-Sensor zum Einsatz. Um die Variation der betrachteten Breitenmaße hinreichend genau abbilden zu können, fiel die Wahl auf den mit 21 Megapixeln in dieser Modellreihe höchstauflösenden Sensor. Das gesamte Kamerasystem wurde sowohl hardware- als auch softwareseitig durch die Mabri.Vision GmbH, Aachen, in den bestehenden Prozess eingebunden.

Die Formteile werden dabei unmittelbar nach der Entnahme abgelichtet, noch während sie sich im Griff des Roboters befinden. Die Auslösung erfolgt über ein Triggersignal, das der Handlingroboter an die Kamerasteuerung sendet. Im Anschluss daran wird das Formteil über ein automatisches Fördersystem der Montagelinie zugeführt. Über einen Untersuchungszeitraum von rund vier Wochen wurden mehr als 22 000 Staubsauger-Formteile produziert und deren Qualitätsparameter auf dem beschriebenen Wege erfasst.

Insgesamt zeigte sich das System sehr robust. Es ist dabei so ausgelegt, dass es mit dem Einschalten des Roboters automatisch hochfährt und die Qualität aller fortan produzierten Teile erfasst. Die aus den aufgenommenen Bildern extrahierten Formteilmaße wurden einmalig definiert, anschließend automatisch erfasst und mit einem Zeitstempel versehen. Für eine problemlose Weiterverarbeitung ist es daher wichtig, die Uhrzeiten von Spritzgießmaschine und Kamerasystem zu synchronisieren. Dies lässt sich im Falle eines dauerhaften Einsatzes durch Verbindung zu einem Zeitserver sicherstellen, indem das System an das Unternehmensnetzwerk angeschlossen wird.

Im Rahmen der optischen Qualitätserfassung werden zur grundsätzlichen Erprobung zwei Breitenmaße erfasst. Diese werden als maximaler lotrechter Abstand von der mittleren Rippe des Formteils zur Außenkontur bestimmt und im weiteren Verlauf als Maß 1 und Maß 2 bezeichnet. Die Gesamtbreite des Formteils ergibt sich als Summe der beiden Einzelmaße. Durch die Erfassung der Einzelmaße lassen sich über die ebenso qualitätsrelevante Gesamtbreite hinaus Aussagen über einen möglichen asymmetrischen Verzug des Formteils treffen.

Zusätzlich zu der beschriebenen Inline-Qualitätserfassung hat das Projektteam untersucht, ob sich die betrachteten Qualitätsmerkmale auch indirekt – d. h. ohne Messung – aus den im Istwert-Protokoll der Spritzgießmaschine abgelegten Prozessdaten vorhersagen lassen. Hierfür kommen Verfahren aus dem Bereich des maschinellen Lernens zum Einsatz, das ein Teilgebiet der künstlichen Intelligenz ist. Obwohl diese Thematik bereits in der Vergangenheit untersucht wurde [1–4], konnten sich verfügbare Anwendungen [5] bislang kaum in der Praxis durchsetzen.

Maschinelles Lernen zur Vorhersage  von Qualitätsmerkmalen

Aufbauend auf langjährigen Erfahrungen im Bereich der Analyse von Spritzgieß-Prozessdaten erforscht das IPE die verschiedenen für die Formteil-Qualitätsprognose relevanten Aspekte. Ziel ist ein ganzheitliches System, das alle erforderlichen Datenverarbeitungsschritte automatisiert durchführt [6] und dem Nutzer somit eine einfache Handhabung ermöglicht (Bild 3). Das Vorgehen umfasst im Einzelnen:

<ul><li>die Datenvorbereitung,</li><li>die Konstruktion und Selektion von Prozesskennzahlen,</li><li>die Modellbildung inkl. Hyperparameteroptimierung,</li><li>die Modellauswahl und Qualitätsprognose mit dem besten Modell, sowie</li><li>die Modelladaption bei veränderten Prozesszusammenhängen.</li></ul>

Der für eine einwandfreie Verarbeitung erforderlichen Datenvorbereitung (Normierung etc.) schließt sich mit der Bildung und Auswahl der als Eingang für die Qualitätsprognose verwendeten Prozessmerkmale der erste zentrale Schritt für eine erfolgreiche Prognose an [7]. Eigene Untersuchungen [8] haben ergeben, dass ein filterbasierter Ansatz mit sequenzieller Vorwärtsselektion als Suchstrategie und korrelationsbasierter Merkmalsselektion [9] beim Spritzgießen die besten Ergebnisse liefert.

Für die eigentliche Modellbildung kommen sieben „State of the Art“-Lernverfahren aus dem Bereich des überwachten Lernens zum Einsatz. Neben bekannten Verfahren wie künstlichen neuronalen Netzen sind dies beispielsweise die Stützvektormethode und die Gaußprozess-Regression. Diese werden als Teil des Gesamtsystems parallel trainiert und treten gegeneinander an – nur das Modell, das bei den Validierungsdaten die beste Leistung erzielt, wird letztlich für die Prognose verwendet.

Damit die einzelnen Lernverfahren ihre maximale Leistungsfähigkeit ausreizen, werden die jeweiligen Hyperparameter, die Modellstruktur und Lernprozess steuern, bei der Modellbildung automatisch optimiert. Im Laufe der Zeit können sich die Zusammenhänge zwischen Prozess- und Qualitätsgrößen verändern, wodurch die Prognosegüte abnimmt.

Dies kann durch ebenfalls berücksichtigte Verfahren, mit denen sich ein sogenannter Concept Drift detektieren lässt, erkannt und durch rechtzeitige Modelladaption vermieden werden. Das IPE konnte auf Basis eigener Erkenntnisse, die in umfangreichen Untersuchungen gesammelt wurden, das Prognosesystem so gestalten, dass ein Betrieb auf einem Desktop-PC der aktuellen Generation mit vertretbarem Rechenaufwand möglich ist.

Leistungsfähigkeit unter Beweis gestellt

Für die Evaluierung der Qualitätsprognose wurde neben den rund 22 000 Zyklen aus der Serienproduktion ein 75 Spritzgießzyklen umfassender statistischer Versuchsplan durchgeführt. Im Rahmen des Versuchsplans wurden die folgenden, erfahrungsbasiert ausgewählten Maschineneinstellparameter variiert:

<ul><li>Einspritzgeschwindigkeit der Hartkomponente (ABS),</li><li>Nachdruckhöhe der Hartkomponente,</li><li>Kühlwasservorlauftemperatur,</li><li>Kühlzeit.</li></ul>

Aufgrund der geringeren Zyklenzahl im statistischen Versuchsplan war es möglich, die Qualitätsmerkmale neben der Inline-Kamera zusätzlich mit einer speziell für dieses Formteil gefertigten Messlehre manuell zu erfassen, die auch im normalen Serienbetrieb zum Einsatz kommt. Dies erlaubt einen Vergleich, wie gut sich die mit beiden Messverfahren generierten Qualitätsdaten für die Modellbildung eignen. Hierbei ist zu berücksichtigen, dass die Schwindung der Formteile zum Zeitpunkt der Erfassung mit dem Kamerasystem noch nicht abgeschlossen ist, sodass eine Abweichung zu den finalen Maßen vorliegt.

Grundsätzlich ist festzuhalten, dass die Modellbildung auch auf Basis historischer Prozess- und Qualitätsdaten möglich ist. Erstere werden ohnehin fortlaufend von der Spritzgießmaschine mitgeschrieben. Voraussetzung ist jedoch eine zyklusgenaue Zuordnung der Qualitätsdaten.

Für die Bewertung der gebildeten Modelle wird das Bestimmtheitsmaß verwendet. Dieses kann Werte zwischen 0 % und 100 % annehmen und gibt an, welchen Anteil der Gesamtstreuung des Qualitätsmerkmals das Modell erklärt. Die Ergebnisse zeigen, dass eine Qualitätsprognose mit Bestimmtheitsmaßen von bis zu 98,8 % grundsätzlich sehr gut möglich ist (Bild 4).

Im statistischen Versuchsplan liegen die Modellgüten auf Basis der Kameradaten mit Bestimmtheitsmaßen zwischen 95,7 % für Maß 1 und 98,8 % für die Gesamtbreite etwas oberhalb der Modellgüten auf Basis der Messlehrendaten mit 87,8 % für Maß 1 bis 93,6 % für die Gesamtbreite. Die Bestimmtheitsmaße für die Prognose von Maß 2 liegen jeweils dazwischen. Alle diese Modellgüten sind jedoch durchweg als zufriedenstellend einzustufen.

In der Serienproduktion liegen die Bestimmtheitsmaße der beiden Teilbreiten (Maß 1 und Maß 2) hingegen deutlich unterhalb des Bestimmtheitsmaßes der Gesamtbreite. Letzteres weist mit 90,0 % jedoch eine sehr hohe Modellgüte auf. Wie eine weitere Analyse ergab, sind die niedrigen Bestimmtheitsmaße der Teilbreiten (12,6 % und 18,1 %) auf eine unzureichende Genauigkeit des Kamerasystems bei der Erfassung der Position der mittleren Rippe zurückzuführen, die als Referenz verwendet wird. Diese tritt auf, wenn die Ausrichtung des Formteils am Greifer Schwankungen um die Hochachse unterliegt, könnte jedoch durch Anpassung des Messsystems behoben werden.

Da sich die Fehler der Teilbreiten genau aufheben, ist die Gesamtbreite nicht betroffen. Im Falle des statistischen Versuchsplans wirkt sich diese Problematik kaum negativ aus, weil aufgrund der Variation der Maschineneinstellungen die Teilestreuung im Verhältnis zur Messunsicherheit überwiegt. Insgesamt ist festzuhalten, dass eine Modellbildung auch auf Basis von Daten aus der Serienproduktion möglich ist, sofern eine hinreichende Messmitteltauglichkeit gegeben ist.

Insgesamt sind die Voraussetzungen für den zukünftigen Einsatz der untersuchten Techniken sehr gut, meint auch Werksleiter Dr.-Ing. Markus Koch (Bild 5): „Wettbewerbsfähigkeit am Hochlohnstandort Deutschland lässt sich erreichen, wenn die Autonomiezeiten von Fertigungsprozessen hoch und somit der Mitarbeitereinsatz gering ist. Gelingt dies bei niedrigem Ausschuss, wie bei einer permanenten Qualitätsüberwachung, ist der Pflicht Rechnung getragen. Die Kür wird erreicht, wenn Prozessanpassungen in Abhängigkeit von Formabweichungen erfolgen können, ohne dass manuell eingegriffen werden muss.“

Mit der Untersuchung des Inline-Kamerasystems sowie der modellbasierten Formteil-Qualitätsprognose haben sich die Vorwerk Elektrowerke entschieden, die digitale Transformation aktiv zu gestalten und so ihre Wettbewerbsfähigkeit langfristig zu sichern. Das Kamerasystem erwies sich über den Testzeitraum als einfach zu bedienen und sehr robust. Ebenfalls erfolgreich verlief die Erprobung des Qualitätsprognosesystems. Die hohen Modellgüten zeigen, dass eine Prognose der Formteil-Qualitätsmerkmale gut möglich ist. Voraussetzung hierfür ist jedoch eine hohe Güte der in der Lernphase verwendeten Qualitätsdaten.

[1] Häußler, J.: Eine Qualitätssicherungsstrategie für die Kunststoffverarbeitung auf der Basis künstlicher Neuronaler Netzwerke. Dissertation, Universität-Gesamthochschule Essen 1994

[2] Vaculik, R.: Regelung der Formteilqualität beim Spritzgießen auf Basis statistischer Prozessmodelle. Dissertation, RWTH Aachen 1996

[3] Al-Haj Mustafa, M.: Modellbasierte Ansätze zur Qualitätsregelung beim Kunststoffspritzgießen. Dissertation, Universität-Gesamthochschule Essen 2000

[4] Schnerr, O.: Automatisierung der Online-Qualitätsüberwachung beim Kunststoffspritzgießen. Dissertation, RWTH Aachen, 2000

[5] Liedl, P.; Haag, G.; Müller, H. et al.: Spitzenqualität mit kurzen Zyklen. Kunststoffe 100 (2010) 2, S. 38–40

[6] Schulze Struchtrup, A.; Kvaktun, D.; Schiffers R.: A Holistic Approach to Part Quality Prediction in Injection Molding Based on Machine Learning. In: Hopmann, C.; Dahlmann, R. (Hrsg.): Advances in Polymer Processing 2020. Springer Vieweg, Berlin, Heidelberg 2020

[7] Guyon, I.; Elisseef, A.: An Introduction to feature extraction. In: Guyon, I.; Gunn, S.; Nikravesh, M. et al. (Hrsg.): Feature extraction – foundations and applications. Springer Verlag, Berlin, Heidelberg 2006

[8] Schulze Struchtrup, A.; Kvaktun, D.; Schiffers, R.: Comparison of feature selection methods for machine learning based injection molding quality prediction. Polymer processing society (PPS), Pretoria (Südafrika) 2019

[9] Hall, M.: Correlation-based feature selection for machine learning. Dissertation, University of Waikato (Neuseeland) 1999

Kunden, die sich für den Staubsauger  Kobold VK 200 entscheiden, erwarten höchste Qualität. Um diese sicherzustellen, laufen im Produktionswerk in Wuppertal  Versuche zur Einführung von  Industrie-4.0-Maßnahmen

Bild 1. Für die Funktionstüchtigkeit der Dichtlippe (TPE) des Filterdeckels ist die Kontur des Formteils entscheidend

Bild 2. Das verwendete Kamerasystem CV-X verfügt über einen SW-Sensor mit einer Auflösung von 21 Megapixeln

Bild 3. Die automatische Modellbildung ist für den Nutzer mit nur geringem Aufwand verbunden: Nach der Bereitstellung der Lerndaten läuft alles Weitere automatisch

Bild 4. Die erzielten Modellgüten zeigen, dass eine Prognose der Qualitätsmerkmale auf Basis der Prozessdaten grundsätzlich gut möglich ist. Voraussetzung hierfür sind präzise Qualitätsdaten

Bild 5. Permanente Qualitätsüberwachung als Pflicht, autonome Prozessführung als Kür – Werksleiter Dr.-Ing. Markus Koch zeigt sich zufrieden mit den Untersuchungen 

Die Vorwerk & Co. KG wurde 1883 in Wuppertal gegründet und entwickelte sich im Laufe der mehr als 130-jährigen Firmengeschichte von einer Teppichfabrik zu einer breit aufgestellten, internationalen Unternehmensgruppe. Ihr Kerngeschäft umfasst die Entwicklung, die Produktion und den Vertrieb hochwertiger Haushaltsprodukte. Die Vorwerk Elektrowerke sind dabei Teil des Familienunternehmens, das insgesamt mehr als 12 300 festangestellte Mitarbeiter beschäftigt. Als größter Produktionsstandort der Gruppe mit Sitz in Wuppertal fertigen die Vorwerk Elektrowerke Haushaltsgeräte wie die multifunktionale Küchenmaschine Thermomix oder den Staubsauger Kobold.

<a href="http://corporate.vorwerk.de">corporate.vorwerk.de</a>

Alexander Schulze Struchtrup, M. Sc. ist seit 2018 Gruppenleiter Spritzgießen am Institut für Produkt Engineering (IPE) der Universität Duisburg-Essen; <a href="mailto:alexander.schulzestruchtrup@unidue.de">alexander.schulzestruchtrup@unidue.de</a>

Dipl.-Ing. Alexander Mahl ist seit 2015 Projektingenieur Kunststofftechnik bei der Vorwerk Elektrowerke GmbH & Co. KG.

Dimitri Kvaktun, M. Sc. ist seit 2019 wissenschaftlicher Mitarbeiter am IPE.

Dipl.-Ing. Martin Thalemann ist seit 2015 Gruppenleiter Kunststofftechnik bei Vorwerk.

Prof. Dr.-Ing. Reinhard Schiffers ist seit 2017 Inhaber des Lehrstuhls für Konstruktion und Kunststoffmaschinen am IPE.

Der Dank der Autoren gilt der Mabri.Vision GmbH, Aachen, sowie der Keyence Deutschland GmbH, Neu-Isenburg, für die gute Zusammenarbeit bei der Installation und Erprobung des Inline-Kamerasystems.

Spritzgießen

Industrie 4.0 für die Qualitätssicherung

Künstliche Intelligenz für die Qualitätssicherung

Mehrkomponenten-Spritzgießen

Digitale Transformation

Innovationen und neue Technologie

Kameras, intelligente

Fertigungsautomation

Bildverarbeitung

Datenanalyse

Machine Learning für die Qualitätssicherung

Inline- / Online-Messsysteme

Qualitätssicherung Kunststoff

Symbiose zwischen Werkzeugbau  und Serienproduktion

Leitfaden zur Entwicklung vorausschauender Wartungssysteme

Unvorhergesehene Stillstände in der Serienproduktion gehen immer mit hohen Kosten einher. Daher müssen Maschinen rechtzeitig gewartet werden. Da die Sensor-, Übertragungs- und Datenspeichertechnik in den letzten Jahren einen Sprung gemacht hat, ist die vorausschauende Wartung, Predictive Maintenance genannt, heute schon in einigen Branchen Realität und demonstriert dabei einen konkreten Nutzen von Industrie 4.0. WZL und WBA haben dazu einen Leitfaden entwickelt.

Produktionsstillstand – das Worst-Case-Szenario für jeden Serienproduzenten! Bereits fünf Minuten Stillstand kosten in der Automobilproduktion durchschnittlich 100 000 EUR [1]. Nicht in jeder Branche sind die finanziellen Auswirkungen von Produktionsausfällen so gravierend. Doch um unnötig hohe Kosten durch unvorhergesehene Stillstände in der Serienproduktion zu vermeiden, gilt für alle Verantwortlichen: Sie müssen Maschinen und Anlagen warten, bevor kritische Komponenten versagen. Als Instandhaltungsstrategie der Wahl hat sich die vorausschauende Wartung (Predictive Maintenance) bereits in einigen Branchen etabliert und zeigt große Potenziale im Kontext von Industrie 4.0 auf.

Aus diesem Grund hat die Abteilung Unternehmensentwicklung des Lehrstuhls für Produktionssystematik am Werkzeugmaschinenlabor WZL der RWTH Aachen in Zusammenarbeit mit Beratern der WBA Aachener Werkzeugbau Akademie GmbH sowie Serienproduzenten und Werkzeugbaubetrieben einen Leitfaden entwickelt. Dieser soll Unternehmen dazu befähigen, eigenständig vorausschauende Wartungssysteme zu entwickeln [2].

In der industriellen Praxis können Stillstände in der Serienproduktion von Kunststoffteilen zumeist nicht vorhergesagt werden, weil Prozess- und Werkzeugwissen nicht gebündelt vorliegen. Sowohl in Bezug auf den Prozess als auch auf die Qualität der Kunststoffprodukte nehmen die verwendeten Spritzgießwerkzeuge eine Schlüsselrolle ein. Damit fungiert der Werkzeug- und Formenbau als Befähiger der Serienproduktion, wobei Spritzgießwerkzeuge mit einem Anteil von 56 % aller in Deutschland hergestellten Werkzeuge die bedeutendste Werkzeugkategorie darstellen [3].

Oftmals verfügen Serienproduzenten über wichtige Prozessinformationen, jedoch über wenig Wissen, wie stark ihre Werkzeuge während der Produktion beansprucht werden. Werkzeugbaubetriebe hingegen verfügen über ein breites Werkzeugwissen, erhalten jedoch selten Zugang zu Prozessinformationen, die eine Grundvoraussetzung zur Anwendung von Predictive-Maintenance-Maßnahmen darstellen.

Aus diesem Grund ist die enge und partnerschaftliche Zusammenarbeit zwischen Serienproduzent und Werkzeugbaubetrieb für die Anwendung einer vorausschauenden Wartung unabdingbar. Hierdurch lassen sich Produktivitätsgewinne und beiderseitige Wettbewerbsvorteile durch eine enge Kooperation und Wissensteilung erzielen.

Die Entwicklung vorausschauender Wartungssysteme ist insbesondere für solche Spritzgießunternehmen und ihre Werkzeugbaupartner interessant, die wiederholt werkzeugbedingte Ausfälle in ihrer Serienproduktion durch unvorhergesehene Störeinflüsse verzeichnen. Vorausschauende Wartung kann diesen Unternehmen helfen, Störfälle wie Werkzeugversagen zu prognostizieren und darauf basierend konkrete Maßnahmen abzuleiten. Für Werkzeugbaubetriebe ergibt sich dadurch die Chance, ihr bestehendes Dienstleistungsportfolio um Predictive-Maintenance-Lösungen zu erweitern, um den Kundennutzen über den gesamten Lebenszyklus des Werkzeugs zu steigern und zusätzliche Geschäftsfelder zu erschließen.

Die Entwicklung derartiger Lösungen in Zusammenarbeit zwischen Serienproduzenten und Werkzeugbaubetrieben bedarf mehrerer iterativer Schritte, die je nach Reifegrad bestehender Vorarbeiten auch übersprungen oder vereinfacht ausgeführt werden können. Der im Leitfaden beschriebene generische Prozess stellt in drei Phasen mit insgesamt sechs Schritten systematisch die Entwicklung von Predictive-Maintenance-Lösungen dar (Bild 1).

In der Analysephase werden zunächst alle relevanten Voraussetzungen und Anforderungen an die vorausschauende Wartung aufgenommen. In der Gestaltungsphase werden werkzeug-, infrastruktur- und dienstleistungsseitige Lösungen entwickelt. Abschließend geht es in der Umsetzungsphase um die Inbetriebnahme, das Anlernen von Algorithmen sowie die Definition von Interaktionspunkten und Workflows. Auf die einzelnen Schritte wird im Folgenden genauer eingegangen.

Analysephase: Definition der  Anforderungen

In der Analysephase wird zunächst der Betrachtungsbereich festgelegt, indem relevante Produktionsprozesse und Werkzeuge identifiziert werden. Predictive-Maintenance-Lösungen eignen sich naturgemäß besonders für kostenintensive Produkte, die in hoher Stückzahl gefertigt werden und bei denen Werkzeugfehler bzw. dadurch bedingte Bauteilfehler zu kostspieligen Produktionsausfällen oder Nacharbeiten führen.

Diese Kriterien sollten daher sowohl bei der Prozess- und Werkzeugidentifikation als auch bei der anschließenden Identifikation der auftretenden Werkzeug- und Bauteilfehler berücksichtigt werden. Insbesondere Fehler, die hohe finanzielle Auswirkungen auf die Lebenszykluskosten des Werkzeugs haben, ermöglichen ein großes Einsparpotenzial und sollten genauer analysiert werden.

Diesem Auswahlprozess inklusive Fehlerdefinition folgt die Vorbereitung der Prognosesystematik. Zuerst gilt es, die ganzheitlichen Wirkzusammenhänge zwischen Fehlern und den zugehörigen Instandhaltungsmaßnahmen aufzunehmen, um ein detailliertes Verständnis von Prozess und Werkzeug zu erzeugen (Bild 2). Hierbei werden jedem Fehlerbild bestimmte Ausprägungen, relevante Messwerte, Sensoren zur Erfassung dieser Messwerte, Schadensursachen und daraus folgende Maßnahmen zugeordnet.

Anschließend werden, aufbauend auf den ermittelten Wirkzusammenhängen, geeignete Eingriffs- und Warngrenzen für die relevanten Prozessparameter definiert. Diese müssen für alle zuvor definierten Messgrößen sinnvoll festgelegt werden und sind für die spätere Zustandsüberwachung und Prognose zukünftiger Prozesszustände erforderlich.

Gestaltungsphase: Konzepte, Sensorik und digitale Infrastruktur

In der Gestaltungsphase wird die Wartungslösung konkretisiert und ein Dienstleistungskonzept zwischen Serienproduzent und Werkzeugbaubetrieb erarbeitet. Hierzu werden zunächst die Bedürfnisse beider Seiten identifiziert und priorisiert. Anhand dieser Aufstellung werden konkrete direkte und indirekte Dienstleistungen entwickelt und deren Relevanz sowohl für den Kunststoffverarbeiter als auch für den Formenbauer bewertet.

Im nächsten Schritt geht es darum, die geeignete Sensorik auszuwählen und zu integrieren. Art und Anzahl der Sensoren lassen sich aus der Verknüpfung von Prozessparametern mit konkret auftretenden Fehlern ermitteln. Hierfür werden jeweils passende Sensoren und deren Positionen am Werkzeug identifiziert. Zur Datenweiterleitung wird ein sogenannter IoT-Gateway benötigt. Dieser stellt eine zentrale Geräteeinheit dar, die Datenströme unterschiedlicher Sensoren und Sensortypen bündelt, vorverarbeitet und zur Speicherung in eine Cloud oder auf einen zentralen Kundenserver weiterleitet.

Zur Analyse und Nutzung müssen die Daten in ein passendes Datenmodell überführt werden, das alle zu beschreibenden und verarbeitenden Daten sowie deren Beziehungen untereinander formal wiedergibt. Parallel zur Sensorintegration und Datenerfassung sind die Verantwortlichen damit befasst, die Anforderungen an eine übergreifende Datenplattform aufzunehmen sowie entsprechende Teilziele für die technische Umsetzung festzulegen und in einem Lastenheft zu formulieren. Im Anschluss kann die Entwicklung der Datenplattform, die eine Visualisierung der Analyseergebnisse für Serienproduzenten und Werkzeugbaubetriebe ermöglicht, beginnen (Bild 3).

Umsetzungsphase: Training  des Algorithmus

Die letzte Phase umfasst die Auswahl und das Training eines fähigen Algorithmus. Das Ziel besteht darin, Fehler, also Verletzungen der vorab definierten Eingriffsgrenzen vorherzusagen, um präventiv Korrekturmaßnahmen einleiten zu können (Bild 4). Insbesondere das Training des Algorithmus ist ein zentraler Schritt, um eine hohe Prognosequalität und damit die gewünschte Funktionalität der Predictive-Maintenance-Lösung sicherzustellen.

Für das Training des Algorithmus eignet sich der Ansatz des Supervised Learning, da die Trainingsdaten neben den Input- auch die dazugehörigen Output-Werte umfassen und somit prädestiniert für Prognoseaufgaben sind. Im Rahmen des Trainings erlernt der Algorithmus die Zusammenhänge zwischen auftretenden Fehlern und den erfassten Prozessparametern auf Basis von Vergangenheitsdaten. Er wird somit dazu befähigt, die Wirkzusammenhänge zu reproduzieren, um auftretende Fehler und folglich potenzielle Instandhaltungsfälle auch bei neuen Datensätzen prognostizieren zu können.

Ergebnis: Verbesserungen in allen maßgeblichen Bereichen

Die im Leitfaden beschriebenen Schritte zur Entwicklung vorausschauender Wartungssysteme wurden in Zusammenarbeit mit Serienproduzenten und Werkzeugbaubetrieben validiert. Für beide Gruppen konnten Verbesserungen innerhalb der vier Zieldimensionen

<ul><li>Wirtschaftlichkeit,</li><li>Strategie,</li><li>Qualität und</li><li>Zeit</li></ul>

erzielt werden (Bild 5). Auf Basis konkreter Predictive-Maintenance-Anwendungen wurden konkrete Dienstleistungen wie etwa die Vorhersage von Ausfällen inklusive Wartung oder Instandsetzung ausgestaltet. Die Dienstleistung hatte dabei auf alle vier Zieldimensionen einen positiven Einfluss.

Generell bestehen die Vorteile für den Serienproduzenten als Dienstleistungsempfänger vor allem in reduzierten Instandhaltungskosten sowie einer verbesserten Produktionsplanung und Prozessoptimierung. Der Werkzeugbaubetrieb profitiert als Dienstleistungsanbieter von der Ausweitung seines Angebots und einer damit verbundenen Wettbewerbsdifferenzierung.

In der Testphase wurde zudem eine Predictive-Maintenance-Plattform entwickelt, die Produktions- und Sensordaten in Verbindung mit Warnmeldungen anschaulich visualisiert. Die Plattform informiert in verschiedenen Ansichten über den Zustand der Produktionsmaschinen und Werkzeuge und erlaubt die Vorhersage notwendiger Eingriffe in das Produktionssystem anhand der erhobenen Daten. Neben der Anzeige von Informationen und Warnmeldungen ist es außerdem möglich, ausgewählte Daten selbst zu analysieren.