Anlagenüberwachung für Schleifmaschinen

Ausgangssituation

Die Vollmer Werke Maschinenfabrik GmbH ist ein mittelständisches Maschinenbauunternehmen aus Biberach an der Riß und einer der führenden Hersteller für Maschinen zur Bearbeitung von Rotationswerkzeugen, Kreissägen und metallschneidenden Bandsägen. Das Portfolio des Unternehmens umfasst rund 60 Arten von Schleifmaschinen, bei denen abhängig von der sensoriellen Ausstattung eine unterschiedliche Anzahl an Messdaten je Schleifvorgang anfällt. Aktuell werden diese Daten manuell und bedarfsweise durch Prozessexpert*innen ausgewertet.

Problemstellung

In Zukunft wird sowohl bei Herstellenden als auch bei Betreibenden von Schleifmaschinen die Analyse von Prozessdaten, etwa zur  Prozessüberwachung und -optimierung, mehr und mehr an Signifikanz gewinnen. Aufgabe dieses QuickChecks war zu untersuchen, welche Informationen aktuell schon aus Prozessdaten einer Anlage gezogen werden können, die den aktuellen Stand der Technik wiederspiegeln.  

Lösungsansatz

Der Lösungsansatz in diesem QuickCheck umfasste vor allem eine explorative Datenanalyse. Hierzu wurden historische Prozessdaten zuerst in ein einheitliches Format gebracht und dann mit klassischen statistischen Methoden ausgewertet. Es wurde nach Korrelation innerhalb der Messdaten gesucht sowie ein Blick auf die Wahrscheinlichkeitsverteilungen geworfen. Zuletzt wurden für den vorliegenden Anwendungsfall hinsichtlich der IT-Architektur verschiedene Konzepte für eine erweiterte Datenauswertung, z. B. mittels ML-Algorithmen, vorgestellt.

Quick-Check-Ergebnisse

Die Ergebnisse des QuickChecks haben gezeigt, dass mit den aktuellen Prozessdaten zwar schon eine statistische Auswertung durchgeführt werden kann, allerdings für den Einsatz von KI/ML-Algorithmen die Datengrundlage noch etwas erhöht werden muss. Das kann etwa in Form von zusätzlicher Sensorik geschehen. Zusammengefasst lässt sich anhand des durchgeführten QuickChecks sagen, dass sich für Schleifmaschinen eine Anlagenüberwachung, der klassische Anwendungsbereich des maschinellen Lernens in der Produktion, gut eignen würde.

.