Die Transferplattform hilft insbesondere den kleinen und mittleren Unternehmen (KMU) in Baden-Württemberg, die Chancen im Bereich der digitalen Vernetzung und der intelligenten Produktion besser zu nutzen.
In der ersten Projektphase wurden zahlreiche Projekte umgesetzt, die unter anderem Effizienzsteigerungen in Entwicklung und Produktion, Gewinnsteigerungen, schnellere Entwicklungen und sicherere Arbeitsprozesse zum Ziel hatten.
Der Entwicklungsprozess im Sondermaschinenbau ist charakterisiert durch kundenspezifische Anforderungen, kurzfristige Änderungszyklen und steigende Automatisierungsgrade. Im Besonderen der wachsende Einsatz von Robotik in hoch integrierten Sondermaschinen führt zu einer erhöhten Komplexität in der Steuerungsentwicklung und Kollisionspotentialen bei der Inbetriebnahme von Anlagen. Bereits die Auswahl einer geeigneten Roboterkinematik und die Bewertung von Kriterien wie Arbeitsraum oder Flexibilität im Kontext der gesamten Sondermaschine stellt bislang einen zeitintensiven Vorgang dar.
Zur Optimierung der Entwicklungs- und Inbetriebnahmeprozesse wurde zusammen mit dem Sondermaschinenbau-Unternehmen topex GmbH im ‚Digital Twin‘-Projekt der Einsatz von Digitalen Zwillingen in Kombination mit Mixed Reality Methoden untersucht.
Der im Projekt entwickelte Digitale Zwilling einer Sondermaschine ermöglicht die Vorabprüfung von Prozessen und Abläufen in einer immersiven Mixed Reality Umgebung. Dabei kann die reale Umgebung um virtuelle maßstabsgetreue Anlagenkomponenten (z.B. virtueller Roboter oder vollständige Anlage) in einer 1:1 Visualisierung erweitert werden. Durch die Anbindung des Digitalen Zwillings an die industrielle Steuerungstechnik bleibt dabei die Konsistenz und Aussagekraft erhalten. Die Mixed Reality Umgebung ermöglicht darüber hinaus die intuitive Interaktion mit dem Digitalen Zwilling der Sondermaschine. Das im Projekt entwickelte Konzept kann in Zukunft in weitere Anwendungsbereiche wie das Maschinenmonitoring oder Schulungen transferiert werden.
Video-Impressionen:
Im Rahmen des Projekts mit AX Semantics wurde ein intelligentes Störungsmanagement-Tool, AX Assistance, entwickelt. Das Tool ermöglicht es, dass Maschinen im Produktionsumfeld Störungen nicht nur als Fehler „XX“ oder als Warnsignal ausgeben, sondern aussagefähige, nutzerindividuelle Fehlerbeschreibung den Verantwortlichen präventiv über mobile Devices direkt zur Verfügung stellen und bereits Vorschläge für Maßnahmen zur Behebung der Fehlerquelle automatisiert generieren. Mit dem Einsatz des Tools können die Ausfallzeiten der Maschinen verkürzt und dadurch die Produktivität der Maschine erhöht werden.
Durch die verbesserte Zuordnung zum richtigen Mitarbeiter und die klare Kommunikation für den jeweiligen Mitarbeiter wird die Bearbeitung deutlich effizienter. Durch die mehrsprachige Auslieferungsmöglichkeit der Texte kann der AX Assistance sofort standortübergreifend eingesetzt werden. Er kann weiter in allen Bereichen des Unternehmens Einsatz finden, wo Mensch-Maschine-Kommunikation (z.B. Office-Umgebung) oder Workflows stattfinden. Eine Übertragung auf andere Anwendungsbereiche zur Erhöhung des Verständnisses des Menschen in der Kommunikation mit komplexen Maschinen (Auto, Fuhrpark etc.) ist möglich. Die Auslieferung der Textinhalte ist medienunabhängig und kann auch über Text to Voice akustisch erfolgen.
Der rasante technologische Fortschritt, insbesondere in Schlüsseltechnologien wie der Künstlichen Intelligenz, bietet Unternehmen ein enormes Potenzial durch eine intelligente Auswertung von verfügbaren Daten. Bei Werkzeugmaschinen können basierend auf einer zielgerichteten Datenanalyse Bearbeitungsprozesse optimiert oder ungeplante Stillstände durch eine Zustandsüberwachung verhindert werden. Im Rahmen des FuE-Projekts „Smart Grind“ der Hochschule Esslingen in Kooperation mit der Allmendinger Elektromechanik KG werden diese Themenstellungen bearbeitet. Konkret werden im Rahmen des Projekts zwei Zielsetzungen adressiert. Zum einen soll die Wirtschaftlichkeit und Qualität des Flachschleifprozesses verbessert werden und zum anderen die Bedienerfreundlichkeit im Vergleich zu bestehenden Retrofit-Systemen bei Flachschleifmaschinen gesteigert werden.
Die Hochschule Esslingen befasst sich mit einer optimierten Bahnplanung des Schleifprozesses unter Berücksichtigung des tatsächlichen Materialabtrags basierend auf einer intelligenten Auswertung hochfrequenter Antriebsdaten. Dieser Ansatz bietet das Potenzial zu einer signifikanten Verkürzung der Bearbeitungszeit und kann somit die Wirtschaftlichkeit des Flachschleifprozesses maßgeblich steigern. Zudem soll eine Zustandsdiagnose und –prognose des Schleifscheibenzustands unter Verwendung von Verfahren des maschinellen Lernens realisiert werden. Diese Kenntnisse ermöglichen eine optimale Ausnutzung der Standzeit durch bedarfsgerechte Konditionierintervallen.
Im Rahmen der vierten industriellen Revolution wird die Zustandsüberwachung zur Effektivitätssteigerung von Maschinen und Maschinenelementen ermöglicht. So können Komponenten bezüglich ihrer Last, ihrer Schädigung oder ihrer Effizienz im Betrieb beurteilt werden. Ungeplante Stillstandszeiten und Produktionsfehler durch unzuverlässiges Maschinenverhalten werden dadurch verringert.
Sensoren und Aktoren stellen dabei das Bindeglied zwischen der realen und der digitalen Welt dar. Um die Effizienz zu erhöhen, wird durch eine angepasste Sensorpositionierung der Informationsgehalt einzelner Signale gesteigert, was die Überwachung einer Vielzahl an Komponenten mit wenigen Sensoren ermöglicht. Eine effiziente Auswertung der Messdaten wird durch Methoden der künstlichen Intelligenz, wie Machine Learning, unterstützt.
Industrielle Sensorik ist hier jedoch ein immenser Kostenfaktor. Mit dem Einzug der Sensorik in Consumerelektronik, wie Smartphones, eröffnen sich neue Bezugsquellen für leistungsfähige Sensoren im unteren Preissegment. Abhängig der Anwendungsparameter und der geplanten Verwendung der Sensordaten ist es möglich, die Ergebnisqualität bei sinkenden Kosten der Sensorik in Projekten zu steigern.
Eine wesentliche Aufgabe in der Antriebstechnik ist die Erprobung von Komponenten und Systemen. Sie dient der Konzept- und Produktabsicherung sowie zum Auffinden von Fehlern in den frühen Phasen des Produktentstehungsprozesses. Neben der Verifizierung der geforderten Produkteigenschaften ist auch die Validierung der Anforderungen in Form eines vordefinierten Lastkollektivs von Bedeutung. Eine geeignete Auswahl der Lastkollektive und die daraus abgeleiteten Erprobungszyklen ermöglichen eine realitätsnahe Erprobung der Komponenten. Dies hat zum einen eine hohe Sicherheit und Zuverlässigkeit zur Folge, zum anderen werden die Prüfzeiten auf ein Minimum reduziert.
Bei bestehenden Prüfständen für konventionelle Fahrzeuge kann die erforderliche Dynamik die physikalischen Grenzen der vorhandenen Prüftechnik übersteigen. Mithilfe von digitalen Zwillingen der Prüftechnik kann die gegebene Dynamik abgebildet und mit der geforderten Dynamik abgeglichen werden. Eine frühzeitige Kenntnis zu nicht umsetzbaren Prüfläufen ermöglicht die rechtzeitige Anpassung der Versuchsplanung. Mit Methoden der künstlichen Intelligenz, wie das Machine Learning, lassen sich komplexe Vorgänge im System, beispielsweise der Wirkungsgrad der elektrischen Prüfstandsmaschinen, nachbilden.
Die vorhandenen Prüfstände ermöglichen eine Unterstützung kleiner und mittelständischer Unternehmen zur Erprobung ihrer Komponenten. In Zusammenarbeit mit der Firma Aradex AG, einem Pionier im Bereich der elektrischen Antriebstechnik, wurden Komponenten der Leistungselektronik auf einem Shaker Prüfstand untersucht.
