Digitaler Zwilling zur Verbesserung des Maschinen-Setups

Mithilfe von KI-Algorithmen wird ein Digitaler Zwilling der Maschine generiert, anhand dessen wir die Erfolgswahrscheinlichkeit einer definierten Parametrisierung oder eines Setups untersuchen können und dadurch Änderungsvorschläge für Maschinenvariablen generieren können, für die ein höherer Erfolgsprozentsatz erwartet wird.

Ziele

• Vorschlagen von Variationen im Maschinen-Setup, die eine Verbesserung der Qualität der produzierten Teile bewirken
• Bewertung der Erfolgswahrscheinlichkeit einer bestimmten Parametrisierung oder eines Maschinen-Setups.
• Verbesserung der Produktivität durch Reduzierung von Ausschuss, der aus einem besseren Setup resultiert.
• Steigerung der Qualität der produzierten Teile

Heutzutage sind die geeigneten Maschinenparameter zur Konfiguration der Fertigung verschiedener Teilemodelle oft nicht digitalisiert. Aus diesem Grund ist die Nachverfolgung von Änderungen in bestimmten Produktionen kompliziert, und somit sind Verbesserungen dieser Maschinenparametrisierungen (oder Setups) langsam und davon abhängig, dass die Aufzeichnung korrekt nachvollzogen und erklärt wurde. Ein weiterer Punkt ist, dass Verbesserungsvorschläge oder Änderungen auf dem spezifischen Wissen des Bedieners in der jeweiligen Schicht basieren.

Was wir tun

Wir bieten unseren Kunden ein System zur Datenspeicherung und -organisation, das eine korrekte und angemessene Verwaltung von Parameteränderungen in der Produktionsumgebung ermöglicht. Dadurch wird die notwendige Informationstransparenz erreicht, um die Entwicklung der Produktion objektiv und effizient zu bewerten.
Zusätzlich nutzen wir KI-Algorithmen, um eine Beziehung zwischen Maschinenparametern und Produktqualität herzustellen, was die Generierung von Vorschlägen zur parametrischen Modifikation zur Verbesserung der Qualität des gefertigten Produkts ermöglicht.

Wie wir vorgehen

Unterstützung bei der Sensorisierung der Produktionslinie.

Unsere Ingenieure untersuchen den Produktionsprozess in Bezug auf die Qualität der anfänglich gespeicherten Daten. Basierend darauf prognostizieren wir die Ergebnisqualität und schlagen bei Bedarf zusätzliche Sensorisierung vor, um die Datenerfassung der Produktion zu vervollständigen.

Infrastruktur und Architektur des Speichersystems.

Wir verfügen über volle Flexibilität, um in verschiedenen Ökosystemen zu arbeiten, vom Kundenstandard bis hin zur Bereitstellung von Ad-hoc-Systemen, sei es On-Premise, in der Cloud oder hybride Lösungen, die für die effiziente Verarbeitung der Zieldaten geeignet sind.

Entwicklung von KI-Algorithmen zur Etablierung des Erfolgswahrscheinlichkeitsmodells.

Unsere Datenanalysten wenden verschiedene Algorithmen an und modellieren diese, um einen Digitalen Zwilling der Maschine zu erstellen, der Maschinenparameter und Teilequalität in Beziehung setzt und als Ergebnis die Erfolgswahrscheinlichkeit verschiedener Setups generiert.

Entwicklung des Systems zur Generierung von Vorschlägen.

Dank der Informationen, die uns das Modell liefert, können wir alternative Maschinenkonfigurationen mit einer besseren Erfolgswahrscheinlichkeit generieren. Dies liefert uns datenbasierte Verbesserungsvorschläge, objektiv und transparent.