Künstliche Intelligenz zur Überwachung von Schneidwerkzeugen

Datentechniken aus der Welt der künstlichen Intelligenz (KI) regen einerseits die Phantasie an, sind aber andererseits sehr geschlossen, hermetisch und schwer zugänglich. Die Hauptschwierigkeit besteht darin, dass es keine einzige Technik gibt, die alle Probleme abdeckt. Vielmehr ist die KI ein Bündel von Techniken, aus denen ein Experte je nach Problemstellung die beste Technik oder Kombination von Techniken auswählen muss. Nicht alle KI-Techniken sind für die verarbeitende Industrie gleichermaßen nützlich: Die Menge der in KMU verfügbaren Daten ist in der Regel recht begrenzt. Andererseits ist in der Regel von vornherein Wissen vorhanden, zum Beispiel bei den Betreibern, die die Konvergenz der KI-Techniken beschleunigen können. Das WEAR AI Tetra Projekt zielt darauf ab, den Nutzen und die Bedeutung von KI in der flämischen Industrie zu demonstrieren und sie für eine Reihe konkreter Fälle als Inspiration für andere zu implementieren. Wir beschränken uns auf die Techniken, die für die Fertigungsindustrie relevant sind. Wir arbeiten an konkreten Anwendungsfällen rund um das Schneiden von Werkzeugen. Die verarbeitende Industrie ist damit vertraut, es spricht sie direkt an und kam bei einer Umfrage zentral zur Sprache.

Die Anwendung fortschrittlicher Signalverarbeitungsmethoden bei der Überwachung kritischer Prozesse gilt als ein sehr interessanter Bereich mit großem Potenzial. Die Materialkosten werden durch die Überwachung von Anomalien gesenkt, und eine höhere Produktion ist möglich, wenn die berechnete RUL in die Wartungspläne aufgenommen wird. Das Ergebnis ist eine Steigerung der Effizienz.

Herausforderungen in der Praxis

Ziel der Fallstudie ist es, einen datengesteuerten Algorithmus zu entwickeln, der den Maschinenbediener über den Zustand von Komponenten in einer Maschine oder einem System als Ganzes informieren kann. Als Beispiel führen wir eine Fallstudie an, die im Rahmen des TETRA-Projekts WearAI entwickelt wurde. 

Es handelt sich um Laminatfräsen bei einem Partner mit mehr als 60 Jahren Erfahrung, der zu den größten Fußbodenherstellern der Welt gehört. Die harte Kunststoff-Deckschicht von Laminat ist der Hauptverursacher für den Verschleiß der Schneidwerkzeuge. Die hohen Vorschubgeschwindigkeiten und Drehzahlen garantieren einen reibungslosen Produktionsprozess, beschleunigen aber auch den Verschleiß der Werkzeuge, so dass regelmäßige Stillstandszeiten zum Drehen oder Austauschen der Meißel erforderlich sind. Eine geplante Wartung minimiert die Ausfallzeiten aufgrund minderwertiger Schneidkanten, schöpft aber nicht die volle Lebensdauer der Schneidwerkzeuge aus. Eine auf dem aktuellen Zustand der Werkzeuge basierende Wartung ist der nächste logische Schritt in diesem Prozess. Durch die Platzierung eines externen Systems an der Originalmaschine wurden Datenströme wie Vibrationen, akustische Emissionen, Ströme und Spannungen erzeugt. Wertvolle Informationen für die weitere Analyse und das Training von maschinellen Lernalgorithmen. Das Fehlen von Kennzeichnungen macht es sinnvoll, unüberwachte Lernmethoden zu untersuchen, wie hier speziell den DBSCAN-Algorithmus.

Klassifizierung

Nach der Extraktion der gewünschten Merkmale aus den erfassten Datenströmen ist die Merkmalsauswahl ein interessanter (oft unterschätzter) Zwischenschritt. Es sind mehrere Filter erforderlich, um Ausreißer, Rauschen, den Datenbereich usw. zu standardisieren. Von den vielen generierten Merkmalen - in diesem Fall waren es 1.360 - werden nur die wertvollsten in die nächste Runde aufgenommen, um schließlich als Trainingsdaten zu dienen. Wir verwenden die Genauigkeit des vollständig trainierten Modells als Maßstab, lassen systematisch Merkmale aus dem Trainingssatz weg und vergleichen die Ergebnisse.    

Auf diese Weise geben die Unterschiede in der Genauigkeit einen Hinweis auf den Anteil eines bestimmten Merkmals. Aufgrund seines unbeaufsichtigten Charakters in Verbindung mit relativ wenigen Abstimmungsparametern war Density Based Spatial Clustering Application with Noise (DBSCAN) eine logische Wahl. Quellen aus der Literatur zeigen gute Ergebnisse bei einer ähnlichen Implementierung dieser Technik für den Werkzeugverschleiß.

Potenzielle

Die Folgen der Implementierung von ML/DL in bestehende Maschinen dürfen nicht unterschätzt werden. Dieses ausführliche Beispiel enthält keine Informationen über den Einsatz von ML, zeigt aber deutlich, dass sich mit unüberwachten Algorithmen des maschinellen Lernens Bereiche des Einbruchs und des beschleunigten Verschleißes unterscheiden lassen. Darauf aufbauend gibt es Systeme im industriellen Kontext, die katastrophale Einbrüche verhindern können. Dies wiederum ist ein direkter Faktor zur Minimierung von Ausfallzeiten, was wiederum die Produktion erhöht. Ein besserer Einblick in den Maschinenzustand ermöglicht den Übergang zu einer bedingten Wartung, die wiederum die Ausfallzeiten reduziert und die Betriebszeit pro Werkzeug verlängert. Mehr Produktionsstunden pro Werkzeug bedeuten weniger Lagerbestand und damit verbundene geringere Lagerkosten.

Entscheidung

Datengesteuerte Techniken sind nicht nur das neueste technologische Steckenpferd. Es handelt sich um eine Verschiebung der Vision und der Perspektive. Sie fügen sich perfekt in die Philosophie der Industrie 4.0 ein, und jedes Unternehmen, das diesen Weg beschreiten will, muss eine sorgfältige Struktur aufbauen. Es handelt sich nicht um ein einzelnes Projekt, sondern um einen Übergang zu einem datenzentrierten Ansatz. Es wird jedes Unternehmen mit einem soliden Datenmanagementsystem einen Schritt näher an die vorausschauende Wartung und den intelligenten Datenaustausch heranbringen. Durch den Nachweis, dass selbst relativ einfache Modelle in der Lage sind, z. B. einen Bruch zu signalisieren, wird die Schlagkraft und das Potenzial dieses Ansatzes deutlich. 

Wenn man mehr über den Verlauf des Verschleißes beim Schneiden weiß, kann man die Kosten in mehreren Bereichen senken. Mit einer sehr geringen Anfangsinvestition kann ein Betreiber Informationen sammeln, Daten analysieren und Schlussfolgerungen ziehen. Wenn man dabei mehr Erfahrung gesammelt hat, kann der Schritt zu Online-Verschleißmessungsmethoden gemacht werden. Wenn die Situation dafür geeignet ist, empfehlen wir die direkte Messtechnik, um einen möglichst hohen Grad an Automatisierung und Zuverlässigkeit zu erreichen. Wir sind von dem Potenzial überzeugt und freuen uns auf die Ausweitung auf weitere Anwendungen.

Danksagung

Wir möchten Dr. Tim Claeys und Prof. Jeroen Boydens für ihre Unterstützung und ihr Engagement in diesem Projekt danken. Die Projektmitarbeiter Hans Naert, Pieter Ideler, Peter Vanbiervliet und Robin Loicq waren bei der Datenerfassung und der Kommunikation mit den Industriepartnern unverzichtbar.