Lehrstuhl für Automatisierungstechnik / Informatik

Knowledge Discovery in der Produktion

Knowledge Discovery in der Produktion — Intelligente Optimierung der Produktion formgeschliffener Produkte mittels Knowledge-Discovery-Methoden
Fertigungsverfahren in der Metallverarbeitung bestehen überwiegend aus umformenden (Tiefziehen, Schmieden, Extrudieren etc.) und spanabhebenden Verfahren (Bohren, Drehen, Fräsen, Schleifen etc.). Die Energie- und Ressourceneffizienz der Umformung ist dabei in der Regel am höchsten, da kaum Material verloren geht, Produktionsabfälle (u.a. entstehend durch Kantenbeschnitt) vergleichsweise einfach rezykliert und die Halbzeuge/Rohlinge auf eine effiziente Rohstoffausnutzung optimiert werden können. Im Gegensatz dazu ist die stoffliche Verwertung von Produktionsabfällen, die durch Schleifoperationen entstehen, nicht ausgereift. Eine Reduktion dieser Abfälle durch Einsatz digitaler, lernender Methoden zur Optimierung in energieintensiven Produktionsschritten — wozu auch die Wärmebehandlung des Stahls gehört — kann einen signifikanten Beitrag zur Ressourceneffizienz liefern. Am Beispiel von Maschinenmessern aus hochlegierten Werkzeugstählen soll unter Federführung des Unternehmens TKM ein innovativer Ansatz zur Maximierung der Energieeffizienz in der Produktion mittels Digitalisierung der Datenerfassung und Datenverarbeitung entwickelt und in einem Demonstratormaßstab umgesetzt werden.


Das Unternehmen TKM mit Sitz in Remscheid ist in diesem Kontext der weltweit führende Anbieter von Maschinenkreismessern, die beispielsweise in der Metall-, Papier- und Holzindustrie sowie in der Reifenproduktion zum Einsatz kommen. Bei Produktion eines Messers mit 6 kg Gewicht fallen im Unternehmen etwa 13 bis 14 kg Schleifabfälle an, ein Gemisch aus metallischen Mikrospänen, Partikeln der Schleifscheiben und Kühlschmiermittel. Die energetischen Daten für die Primärerzeugung des Werkzeugstahls 1.2379 zeigen, dass dies allein für den metallischen Anteil bei einem Produktionsvolumen von 100.000 Messer pro Jahr einer Energiemenge von 13.200 – 19.800 GJ sowie 960 – 1.440 t CO2-Äquivalent entspricht.


Stand der Technik für die Produktion von Messern und ähnlichen Produkten ist, dass die einzelnen Produktionsschritte noch nicht oder zumindest nur marginal aufeinander abgestimmt sind. Kleinere Unterschiede in der Zusammensetzung des Rohmaterials, des Härtens, des Schleifens und des Walzens gehen nicht in die Nachfolgearbeitsschritte ein und werden folglich nicht genutzt, um die Energieeffizienz des Gesamtproduktionsprozesses zu steigern. Dies soll mit Methoden, die heute häufig unter dem Begriff „Industrie 4.0“ zusammengefasst werden, in diesem Projekt geändert werden. Produktionsabläufe sollen systematisch durch digitale Datenerfassung von beteiligtem Material und Produktionsmaschinen sowie Individualisierung der einzelnen Fertigungsobjekte effizient gestaltet werden. Diese Energieeffizienz soll insbesondere durch den Einsatz von maschinellem Lernen verwirklicht werden, also Methoden der Künstlichen Intelligenz. Echtzeit-Datenbanken und Knowledge-Discovery-Methoden sind dabei ein zentraler Bestandteil des Projekts.


Gefördert wird das Projekt vom Land NRW mit Mitteln aus dem Programm für rationelle Energieverwendung, regenerative Energien und Energiesparen — progres.nrw - Programmbereich Innovation.

Weitere Infos über #UniWuppertal: