Im Rahmen eines Forschungsprojekts nutzt SKZ, ein Lösungsspezialist für die Kunststoffindustrie, maschinelles Lernen zur Überwachung und Steuerung kritischer Prozessparameter. Die Dateninfrastruktur für das Machine-Learning-Modell wird über Cybus Connectware bereitgestellt.
Herausforderung
Geringere Produktionsqualität und mehr Ausschluss durch fehlende Datentransparenz
Die Schlüsselprozesse in der Kunststoffherstellung sind die Extrusion und das Mischen von thermoplastischen Kunststoffen. Rohstoffe, Farbstoffe und Additive werden in einer speziellen Anlage, dem Doppelschneckenextruder (DSE), auch Twin Screw Extruder (TSE) genannt, zu hochwertigen Granulaten verarbeitet. Ein DSE ist eine Kombination aus Mischer und Förderer, in dem Wärme durch Scherung und Erhitzung zum Schmelzen und Mischen verschiedener Komponenten genutzt wird.
Das Verfahren hat jedoch einen engen optimalen Temperaturbereich, der einen präzisen und effizienten Produktionsprozess erfordert. Dies verringert die Produktionseffizienz und führt zu Ausschuss. Am Ende des DSE fließt die Schmelze durch einen Auslasskanal mit einem Durchmesser von 10 cm. Die Temperaturmessung durch Sensoren ist auf die Wand des Kanals beschränkt. Während die Außentemperaturen erfasst werden, kann die Temperatur in der Mitte der Schmelze jedoch bis zu 50 Kelvin höher sein.
Darüber hinaus erschweren die Heterogenität der Produktionsumgebung und unklare Benennungsschemata für Datenfelder den Zugriff auf relevante Daten.
Herausforderungen
- Enges Temperaturfenster für optimale Produktqualität
- Erfassen komplexer Daten der Schmelze
- Unpräzise Messung durch fehlende Sensorik im der Schmelzmitte
Lösung
Machine-Learning-Modell liefert Dateneinblicke
Um diesen Herausforderungen zu begegnen, hat SKZ ein Machine-Learning-Modell entwickelt, das auf Cybus Connectware läuft. Dieses Modell sammelt Daten aus verschiedenen Quellen, wie z.B. Zufuhr- und Umgebungstemperaturen, und prognostiziert die notwendigen Anpassungen der Maschinendaten des Doppelschneckenextruders. Cybus Connectware als Dateninfrastruktur für das Machine-Learning-Modell ersetzt die Notwendigkeit eines Temperatursensors in der Schmelze. Mit den externen Sensoren kann die Innentemperatur der Schmelze approximiert werden, um die Produktionsbedingungen zu optimieren.
Neben dem Machine-Learning-Modell sammelt, verarbeitet und verteilt Connectware auch die Daten von den heterogenen Geräten und Sensoren an die zuständigen Mitarbeitenden sowie an visuelle Dashboards. Die Dashboard-Daten enthalten Temperaturprofile und Steuerungen zur Anpassung der Zufuhrtemperatur.
Lösung
- Machine-Learning-Modell
- Empfehlungen für Betreiber über visuelle Dashboards
- Integration von Daten aus heterogenen Anlagen über Cybus Connectware
Vorteile
Deutlich verbesserte Produktqualität
Das Machine-Learning-Modell und die Verfügbarkeit von Betriebsdaten stellen einen bedeutenden Fortschritt bei der Optimierung von Kunststoffproduktionsprozessen dar. Es bietet eine Lösung für die Erfassung und Verarbeitung wichtiger Maschinendaten, die bisher nicht zugänglich waren. So wird eine effizientere und qualitativ hochwertigere Produktion mit weniger Ausschuss erreicht. Dieser Fortschritt eröffnet auch Möglichkeiten zur weiteren Produktoptimierung sowie zur Lösung von Marktherausforderungen und treibt die intelligente Fertigung in der Kunststoffindustrie voran.
Zu den Zukunftsplänen von SKZ gehört die Entwicklung einer neuen grafischen Benutzeroberfläche, um die Datenebene zu durchsuchen und die Daten effektiv an das Machine-Learning-Modell zu übertragen. Die aus den Maschinen extrahierten Daten, wie z.B. Extrudertemperatur und Schneckendrehzahl, werden wichtige Inputs für das Modell sein. Darüber hinaus wird das Problem der nicht eindeutig benannten Datenfelder durch Vorschläge zur Mustererkennung zur Identifizierung der benötigten Sensoren angegangen.
Vorteile
- Verbesserte Produktqualität
- Weniger Ausschuss
- Verfügbarkeit von Produktionsdaten
