ChristophMack_pressmetall_125x125.jpg
Process Monitoring bei pressmetall

Transparente Produktion durch Online-Visualisierung des Gussbetriebes
Christoph Mack, pressmetall GDC Group GmbH, Gunzenhausen

Kleine und mittelständische Gießereiunternehmen verfügen oftmals nur über einen sehr geringen digitalen Reifegrad. Hier fehlen einfach zu implementierende Lösungen, um die Kompetenzlücke zu Großunternehmen zu schließen. In einem Pilotprojekt mit dem Kooperationspartner pressmetall Gunzenhausen GmbH wurde vom Kompetenzzentrum Industrielle Energieeffizienz (KIEff) der Hochschule Ansbach eine Software zur Visualisierung von Produktionskennzahlen entwickelt. Christoph Mack von pressmetall Gunzenhausen berichtet über die Erfahrungen beim täglichen Einsatz und zeigt anhand von Beispielen aus der Betriebspraxis, wie die Software die Liefertreue und die Energieeffizienz der produzierenden Druckgussmaschinen verbessert.  

Promeos_Brennerkopf_125x125i.jpg
Brennerkopf von Promeos

Mit heaTelligence zur Gießerei 4.0 - Temperaturführungin Raum und Zeit

Dr. Jochen Volkert, promeos GmbH

Der wichtigste Parameter zur Kontrolle der zahlreichen Hochtemperaturprozesse in der Gießerei – was Voraussetzung für eine erfolgreiche Digitalisierung ist - wie Trocknen, Vorwärmen, Schmelzen, Gießen und Wärmebehandlung ist die Temperatur. proeos® liefert flammenfreie Gasbrennersysteme und wärmetechnische Anlagen, welche die TFührung in Raum und Zeit und damit deren repräsentative Erfassung zum Zwecke der intelligen-ten Prozessoptimierung erheblich vereinfacht oder teilweise erst wirklich möglich macht. HeaTelligente Lösungen, welche den Weg zur Gießerei 4.0. mindestens beschleunigen.

 

Ulrich_Lettau_CEO_iba_AG_125x125.jpg
Ulrich Lettau, CEO iba AG

Hochpräzise Messgrößenerfassung als Voraussetzung für Digitalisierungsprojekte

Dr. Ulrich Lettau, iba AG

Die Erfassung hochpräziser Messdaten in metallurgischen Prozessen ist eine Grundvoraussetzung für Digitalisierungsprojekte. Durch Messdaten erhalten Sie ein digitales Abbild, das zur Optimierung, Bewertung oder Langzeitanalyse Ihres Prozesses genutzt werden kann. Aussagekräftige Kennwerte (Key Performance Indicator, KPI) können basierend auf Rohdaten flexibel berechnet und in Datenbanken oder Cloud-Systemen gespeichert werden. So können Anlagen optimiert sowie Prozessanomalien frühzeitig erkannt werden. 

 

ProfDrHartmann_Prediger_Manuela_125x125.jpg
Prof. Dr. Hartmann; Fotoquelle: Manuela Prediger

Prognosebasierte Bauteil- und Prozessoptimierung

Prof. Dr. Dierk Hartmann, Hochschule Kempten

Die Herstellung von Gussbauteilen beruht auf der Anwendung verschiedener miteinander verknüpfter (Teil-)Prozesse, die die gesamte Kette vom Schmelzen bis zur Wärmebehandlung und weiter zur Bearbeitung umfassen. Jeder dieser Prozesse wird über entsprechende Steuergrößen geregelt, wobei diese Regelung auf der Grundlage der Einhaltung fest definierter Prozessgrenzen für jeden einzelnen Regelparameter erfolgt. Auf diese Weise erfolgt standardmäßig die Einhaltung von technischen und wirtschaftlichen Eigenschaftsprofilen der produzierten Teile. Allerdings sind die einzelnen Prozesse und ihre Regelparameter zum Teil komplex miteinander vernetzt; es bestehen Interaktionen zwischen Parametern unterschiedlicher (Teil-) Prozesse, so dass das letztliche Eigenschaftsprofil tatsächlich von diesen Interaktionen mit bestimmt wird. Diese werden jedoch nicht explizit in der StandardProzesskontrolle, d.h. in der individuellen Steuerung der einzelnen (Teil-) Prozesse, berücksichtigt.

 

In einer Gießerei werden mithilfe moderner Sensoren an Maschinen und in der Fertigung enorme Datenmengen generiert. Diese Daten enthalten genau das Wissen der Parameterinteraktionen und deren Wirkung auf bestimmte Eigenschaften oder Eigenschaftsprofile. Nur kann dieses Wissen nicht mit den üblichen allgemein angewendeten Statistiktools aus den Prozessdaten extrahiert werden. Dagegen ist es möglich, mit prozessspezifischer Prognosesoftware, aus dieser großen Datenmenge Wirkmuster und Wirkzusammenhänge zu ermitteln und darzustellen. Auf dieser Basis können dann über eine intelligente Verknüpfung mit Prozessregeln und Prozesswissen Entscheidungsprozesse für optimale Prozesseinstellungen hinsichtlich definierter Bauteileigenschaften initiiert werden. Die für die erforderlichen präzisen Prognosen eingesetzten Techniken beruhen auf maschinellen Lernalgorithmen und Methoden aus den Gebieten Predictive Analytics, Predictive Computing und Predictive Modeling. 

 

Programm