#027 | Echtzeitdaten von Werkzeugmaschinen und Zerspanungswerkzeugen – Über den digitalen Zwilling des Bearbeitungszyklus sowie Big Data und Machine Learning der Werkzeugabnutzung in der Praxis | Grob Werke & Hufschmied Zerspanungssysteme

Mit Ing. Madeleine Mickeleit und den Firmen GROB-Werke und
Hufschmied Zerspanungssysteme. Stellvertretend mit Ralph
Hufschmied (Geschäftsführer) und Emil Nigl (Digitalisierung &
Product Sales Manager).

(Feedback hier >
https://airtable.com/shrDht7jG3XSLxJOF)

In dieser Folge springen wir in die Welt der
Werkzeugmaschinen und der zugehörigen Zerspanungswerkzeuge. Für
diejenigen von euch die vom Kerngeschäft her nicht tagtäglich
damit zu tun haben: Das Fräsen ist ein spanendes (also wo Späne
beim abtragen entstehen) Fertigungsverfahren zur Herstellung von
Werkstücken mit geometrisch bestimmter Gestalt (Beispiel
Automotive – Konstruktion erstellt die Geometrie – dann werden
diese Bauteile bspw. für die Rohkarosserie aus Stahl oder anderen
Materialien hergestellt). Die Firma GROB hat als Kerngeschäft die
Herstellung dieser Anlagen (Bearbeitungszentren) und
Werkzeugmaschinen - die Firma Hufschmied entwickelt und fertigt
die Werkzeuge, die in der Werkzeugmaschine dann zum Einsatz
kommen. Mehr dazu erzählen die beiden in der Folge.


Use Case 1 | Weniger Stillstand und mehr Transparenz in der
Produktion. Im Use Case 1 erläutert Emil, dass wenn am Wochenende
im automatisierten Betrieb eine Maschine ausfällt, häufig
stundenlange Stillstände die Folge sind. 

Eine IoT-basierte Überwachungslösung alarmiert den
Bereitschaftsdienst rechtzeitig. Jede Senkung von
Stillstandzeiten rechnet sich sofort für den Maschinenbetreiber.
Angenommen, eine Stunde Bearbeitung kostet 100 Euro und die
Betriebszeit ist 6.000 bis 7.000 Stunden pro Jahr und Maschine.
Das Vermeiden von 10 Prozent Stillstandzeit würde pro Maschine
mindestens 60.000 Euro im Jahr bringen. 


Zudem haben Unternehmen durch die Ermittlung von Maschinendaten
zusätzliche Möglichkeiten zur Analyse ihrer Prozesse, etwa zur
Verbesserung der Takt -und Anlieferungszeiten. Ein Beispiel aus
der Praxis: Durch die Maschinendaten konnte GROB das Entgraten in
seinen Maschinen verbessern. Ursprünglich sollte bei
Neuentwicklungen auch das Entgraten automatisch im Inneren der
Maschine geschehen. Datenanalysen zeigten allerdings, dass
manuelles Entgraten außerhalb der Maschine deutlich bessere
Ergebnisse erzeugt. 


Use Case 2 | Werkzeugabnutzung mit lernfähigen Verfahren
ermitteln. Im Use Case 2 spricht Ralph über den Verschleiß von
Werkzeugen in Zerspanungssystemen. Dieser wird von
Maschinenbedienern meist nach einer subjektiven Einschätzung
bewertet – nach Gehör. Mit akustischen Sensoren und Machine
Learning lässt sich diese Einschätzung digitalisieren und damit
objektivieren.

Durch die Verarbeitung aller Daten während des gesamten
Herstellungsprozesses entsteht ein digitaler Zwilling nicht nur
des Werkzeugs oder der Maschine, sondern des gesamten
Bearbeitungszyklus. Dadurch lässt sich nachverfolgen, wie sich
der Abnutzungsgrad des Werkzeuges Minute für Minute entwickelt.
Die Software kann im richtigen Moment eingreifen und die Bediener
zum Wechseln des Werkzeugs auffordern. Dadurch wird das Prozess
Wissen der Mitarbeiter digitalisiert und vereinheitlicht. 


(Gastgeberin |
https://www.linkedin.com/in/madeleine-mickeleit/)
(Interviewpartner |
https://www.linkedin.com/in/emil-nigl-a3137576/ und
https://www.linkedin.com/in/ralph-hufschmied-bb1573b6/)


Jetzt IoT Use Case auf LinkedIn folgen