Qualitätsvorgaben sind in der Produktion wichtige Kriterien – sie müssen für jedes Werkstück und für jedes Bauteil erfüllt und eingehalten werden. Dabei wird die Fertigungsqualität von zahlreichen Faktoren entscheidend beeinflusst: unter anderem von Produktions- und Prozessparametern, vom Verschleiß von Werkzeugen oder von Umgebungsbedingungen. Die Abhängigkeiten und Einflüsse dieser Faktoren auf die Qualität sind vielfältig und vor allem bei modernen Produktionsprozessen ist deren Nachverfolgung am Rande des technologisch Machbaren. Predictive Quality (Vorhersage der Qualität) hilft dabei, die Qualitätseigenschaften gefertigter Teile durch Datenanalyse vorherzusagen.
Die Herausforderung: Fertigungsausschuss reduzieren
Um hohe Anforderungen an die Produktqualität zu gewährleisten, ist es selbst mit großer Erfahrung in der Fertigungstechnologie unumgänglich, kostenintensive 100%-Prüfungen durchzuführen. Zusätzliche Produktionskosten entstehen durch Ausschuss und Nacharbeit.
Darüber hinaus ist in der industriellen Fertigung zu beobachten, dass nicht immer in fertigungstechnisch maximaler Qualität und mit der höchstmöglichen Präzision produziert wird. Die Gründe dafür liegen sowohl in der Wirtschaftlichkeit als auch der technischen Machbarkeit und verfügbaren Zeit, die aufgewendet werden müsste, um eine optimale Lösung zu finden. Das aber widerspricht dem Anspruch der Qualitätsbeauftragten. Deren stetiges Bestreben liegt naturgemäß darin, ausschließlich Gut-Teile produzieren zu lassen und jeglichem Ausschuss entgegenzuwirken.
Allerdings kommt es beim Zusammenbau sehr eng tolerierter Bauteile immer wieder vor, dass Einzelteile nicht korrekt passen, obwohl alle Parameter innerhalb der Toleranzanforderungen liegen. Grund hierfür ist beispielsweise, dass eines der Teile an der oberen, das andere an der unteren Toleranzgrenze gefertigt ist und somit die Toleranzen zwischen den Chargen maximal ausgereizt sind. Zusätzlich können Umgebungsparameter wie bspw. Temperatureinflüsse in der Produktionshalle negativen Einfluss haben, indem sie, sich bei unterschiedlichen Materialen verschieden stark auswirken. Werden die Teile dann zusammengefügt, können Spannungen entstehen und Teile schneller als erwartet versagen.
Basierend auf diesen Herausforderungen lauten zentrale Fragen der Unternehmen: Wie lassen sich externe Einflüsse oder komplexe Korrelationen zwischen Komponenten so rechtzeitig erkennen, dass eine Minderung der Qualität schon im Ansatz verhindert werden kann?
Die Lösung: Collect – Explore – Improve
iT Engineering Software Innovations (iTE SI) entwickelt Softwarelösungen – individuell angepasst für Unternehmen im technischen Marktumfeld, wie bspw. dem Maschinenbau und der produzierenden Industrie. Mit den sogenannten IIoT Building Blocks (Collect – Explore – Improve) liefert das Unternehmen ein Softwarepaket für industrielle Datenerfassung und datenbasierte Optimierungen. Für iT Engineering Software Innovations bildet das IIoT die Basis für die „vernetzte Produktion“ von morgen und die Datengrundlage für jegliche Art der Optimierung. Doch Daten nur zu sammeln und zu speichern ist noch nicht wertschöpfend. Um nutzbringende Informationen aus ihnen zu gewinnen, müssen sie vor allem sinnvoll aufbereitet werden.
Mit den IIoT Building Blocks entwickelte iTE SI eine Lösung, die in allen Phasen dabei unterstützt, im industriellen Produktionsumfeld aus den Rohdaten vom Shopfloor schnell und einfach einen Mehrwert zu generieren. Durch ein variables Konzept verschiedener Bausteine von Software- und Hardwarekomponenten können unterschiedlichste Herausforderungen im Kontext Industrie 4.0 gelöst werden.
Eine wichtige Basis für IIoT-Lösungen ist, dass sowohl die Werkzeuge und Montagestationen als auch die Werkstücke und zu fertigenden Bauteile mit eindeutig zuordenbaren Identifikations-Kennzeichen versehen und über das IIoT vernetzt werden. Das gelingt auch bei heterogenen Systemen problemlos mithilfe des Data Collectors.
Als ergänzende Technologie zur Kommunikation mit physischen Assets eignet sich z.B. der Einsatz von RFID-Technologie. Über RFID-Lesegeräte oder Barcode-Scanner, die über die Anlage verteilt sind, können die Werkzeuge und alle Fertigungsteile jederzeit eindeutig identifiziert werden. Über das Gesamtsystem können dann aufgezeichnete Sensordaten und erfasste Parameter den Werkstücken zugeordnet werden. Das sind beispielsweise Leistungsdaten von Robotern oder Drehmomente von elektronischen Schraubwerkzeugen an den Montagestationen. Alle Parameter und Messdaten werden somit miteinander in Verbindung gesetzt. Dabei ist die zeitliche Synchronisation der unterschiedlichen Daten besonders wichtig, denn nur dann ist eine Vergleichbarkeit der Daten sichergestellt.
Auf Basis dieser Daten können eingesetzte IIoT-Softwaretools, wie die ‚Improve-Blöcke‘ der IIoT Building Blocks Abhängigkeiten aufdecken und z. B. Anomalien erkennen. Über die Analyse von Vergangenheitsdaten ist es möglich, bei Veränderungen der Messwerte auf die zu erwartenden Auswirkungen zu schließen. Mit einem solchen Modell können Prognosen getroffen und bereits vor dem Eintritt einer Qualitätsverschlechterung die Parameter angepasst oder andere Maßnahmen ergriffen werden. Ebenso können damit Aussagen über Verfügbarkeiten und Produktionsoptimierungen getätigt sowie zentrale Messgrößen der industriellen Fertigung gesteigert werden.
Das Ergebnis: Predictive Quality durch IIoT Building Blocks
Mit dem Data Collector der IIoT Building Blocks und einer RFID-Lösung wird ein System zur vorausschauenden Qualitätssicherung (Predictive Quality) implementiert. Damit kann nicht nur die Arbeit im Qualitätsmanagement unterstützt und teilweise automatisiert werden, auch daraus resultierende Potentiale werden unternehmensweit zur Verfügung gestellt. So lassen sich die Abhängigkeiten selbst komplexer Einflussfaktoren auf die Fertigungsqualität im Voraus erkennen und die Verantwortlichen können rechtzeitig gegensteuern.
