Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
Automatisierung und Produktion 4 0 | Special www kunststoffmagazin de kontrollieren zu können Die bloße Erkennung von Anomalien reicht deshalb nicht aus Vielmehr wird sie zu einem leistungsstarken Werkzeug für mehr Transparenz Durch das Sammeln von Materialdaten mit Hilfe fortschrittlicher dielektrischer Sensortechnologie entwickelt Sensxpert leistungsfähige maschinelle Lernalgorithmen Während diese Modelle noch in der Entwicklung sind kann das Unternehmen den Herstellern bereits zu Beginn der Integra tion seiner Lösung wertvolle Prozesseinblicke liefern Sie können in Form einer einfachen Anomalie-Erkennung erfolgen – demnach also die Verfolgung eingehender Daten die Überwachung von Abweichungen bei den Daten sowie die Erleichterung einer grundlegenden Qualitätskontrolle Darüber hinaus kann die einfache Anomalie-Erkennung mit den von dielektrischen Sensoren erfassten Daten zum Materialverhalten kombiniert werden um eine größere Transparenz hinsichtlich der erkannten Anomalien zu erreichen Nach dem Aufbau eines robusten maschinellen Lernmodells das ganzheitliche Informationen generiert und den Verlauf des Materialverhaltens während des Prozesses vorhersagt kann Sensxpert noch eine Anomalie-Erkennung implementieren um Rückschlüsse auf den Prozess als Ganzes zu ziehen Das Unternehmen nutzt OPC UA für den Datentransfer mit Maschinen und bestehenden Lieferantensystemen und berücksichtigt alle Parameter die den Prozess beeinflussen Die Prozessleittechnik kann somit einen erheblichen Nutzen für die Hersteller schaffen indem sie Anomalien innerhalb dieser Parameter und der zusätzlich eingehenden Daten erkennt Sollte sich bei einer Maschine ein negativer Trend zeigen der auf Probleme oder Wartungsbedarf hindeutet kann Sensxpert dies bereits im Vorfeld erkennen und unnötige Ausfallzeiten vermeiden Erkennung von Anomalien in der Praxis Die Erkennung von Anomalien wird anhand von zwei Praxisbeispielen verdeutlicht In einem ersten Szenario soll die Teilequalität durch eine Feinabstimmung der Maschineneinstellungen verbessert werden Es gilt nun herauszufinden welche Maschinenvariationen die Produktqualität negativ beeinflussen Deshalb erfolgt eine umfassende Analyse der Maschinenleistungsdaten des Herstellers über 17 verschiedene Parametereinstellungen Anschließend wird die Anomalie-Erkennung angewendet um Fälle von Parameterdrift zu identifizieren Die Anomalie-Erkennung identifiziert jeden Maschinenparameter mit einer Falsch-Positiv-Rate von 0 02 Prozent – was konkret bedeutet dass jeder Parameterdrift erkannt wird und nur 0 02 Prozent der markierten Anomalien keine Änderung der Maschinenparameter sind In den Fällen in denen eine Parameterabweichung erkannt wird ermöglicht Sensxpert dem Verarbeiter die Qualität des Endprodukts zu überprüfen und die Einstellungen so anzupassen dass ein konsistentes Produktionsergebnis erreicht wird In einem weiteren Beispiel wird die Anomalie-Erkennung eingesetzt um einem Hersteller von E-Mobilität dabei zu helfen potenzielle Qualitätsprobleme im Zusammenhang mit der Einführung eines neuen Materials in der Produktion zu identifizieren So werden Randbereiche im Prozess identifiziert in denen Abweichungen auftreten Durch die Kennzeichnung von Anomalien – also kritischer Datenpunkte – sind verdächtige Teile schnell lokalisierbar Dies ermöglicht eine dynamische Anpassung der Prozessparameter mit dem Ziel der Fehlerfreiheit Sensxpert www sensxpert com 29 Erkennung von Anomalien bei Maschinenparametern Anomalie-Erkennung zur Identifizierung von Datenpunkten die auf Qualitätsprobleme hinweisen könnten