Kundenreferenz: Zustandsüberwachung und Qualitätssicherung bei Honmaschinen

Qualitätsverluste und Maschinenausfälle frühzeitig erkennen

Herausforderung des Kunden

Der Kunde entwickelt und fertigt hochpräzise Honmaschinen für die Verzahnungsfertigung. Qualitätskontrollen hinsichtlich bestimmter Fehler sind aufwendig und werden daher nicht routinemäßig durchgeführt. Das hat zur Folge, dass Qualitätsverluste häufig erst nach der Endmontage erkannt werden. Ziel ist es, künftig eine integrierte Zustandsüberwachung anzubieten, die Qualitätsverluste und Maschinenausfälle frühzeitig erkennt. Dazu sollen Daten aus der Maschinenfunktionsuntersuchung (MFU) verwendet werden.

Die wesentlichen Herausforderungen dabei:

Heterogene Datenlage: Die vorhandenen MFU-Daten sind uneinheitlich, teils nicht vergleichbar und durch Einstellprozesse oder abweichende Maschinenzustände verfälscht (z. B. stark unterschiedliche Bearbeitungszeiten, verschiedene Maschinenkonfigurationen, zwei Bearbeitungszentren mit unterschiedlichen Signalprofilen).
Datenschutzanforderungen: Analysen müssen lokal auf dem Maschinen-PC ausgeführt werden.
Fehlende Felddaten: Für ML-Modelle fehlen realistische Betriebsdaten, da Maschinendaten beim Endkunden meist nur im Ringspeicher vorliegen und überschrieben werden.

Lösungsweg

Datenanalyse: Analyse der bereitgestellten Datensätze zur Prüfung ihrer Eignung für Fingerprint-Modelle
Pipeline-Entwicklung: Entwicklung einer konfigurierbaren Pipeline zur Erstellung maschinenspezifischer Fingerprints
Anomalieerkennung: Implementierung einer Erkennung, die Abweichungen vom MFU-Gutprozess zuverlässig identifiziert
Handlungsempfehlungen: Ableitung konkreter Empfehlungen für das weitere Vorgehen

Mehrwert des Ergebnisses für den Kunden

Die Lösung des Fraunhofer IIS in Dresden bildet die Grundlage für eine datengetriebene Qualitätssicherung direkt an der Maschine. Hierfür wurde eine konfigurierbare und vollständig containerisierte Fingerprint-Pipeline entwickelt, die Qualitätsabweichungen maschinenspezifisch erkennt und sich flexibel an unterschiedliche Maschinenkonfigurationen anpassen lässt. Darüber hinaus schafft die Lösung die technische Basis für neue digitale Serviceangebote – etwa eine integrierte Zustandsüberwachung, die dem Endkunden als Mehrwertdienst angeboten werden kann. Durch die automatisierte Anomalieerkennung werden aufwendige manuelle Qualitätskontrollen reduziert und Fehler bereits vor der Endmontage identifiziert, was langfristig Kosten senkt und die Wettbewerbsfähigkeit des Kunden stärkt.

Forschungsthema
Industrielle Datenanalyse