Upload
phungquynh
View
213
Download
0
Embed Size (px)
Citation preview
www.its-owl.de
Session: 7
Selbstoptimierungspotential von
Extrusionsblasformmaschinen für
Kunststoffkanister (SePEX)
(Plastikpack GmbH) 10/11. Oktober 2017 | Lemgo
© it‘s OWL Clustermanagement GmbH | 11.10.2017 2
Einführung
Zielsetzung
Ergebnisse
Agenda
Abschlusspräsentation
Resümee und Ausblick
© it‘s OWL Clustermanagement GmbH | 11.10.2017 3
Plastikpack GmbH
Vorstellung
Die Plastikpack GmbH ist Teil der Wandel Packaging Group und wurde im Jahr
1962 gegründet. Wir sind einer der ersten Hersteller extrusionsgeblasener
Kunststoffbehälter. Bereits 1965 haben wir die ersten frei stapelbaren Kanister
auf den Markt gebracht. Heute sind wir auf Gefahrgutkanister spezialisiert.
In unserem Werk Recyclen stellen wir aus gebrauchten Kanistern und PE-
Mahlgut neue Produkte wie Kunststoffpaletten und Sicherheitswannen her.
Zu unseren Kunden gehören Unternehmen aus den unterschiedlichsten
Branchen. Bsp.: chemisch u. pharmazeutische Industrie,
Nahrungsmittelbranche, ...
© it‘s OWL Clustermanagement GmbH | 11.10.2017 4
Fraunhofer IOSB-INA
Überblick
• Lemgo
• Institutsteil für industrielle Automation des Fraunhofer IOSB
• MitarbeiterInnen (Stand Sept. 2017): 64
• Partner im Centrum Industrial IT (CIIT)
• Betrieb der SmartFactoryOWL, gemeinsam mit Hochschule
OWL
• IKT –Lösungen für die Fabrik der Zukunft
• Geschäftsbereiche:
– Industrielles Internet (IoT)
– Intelligente Automation
– Assistenzsysteme
– Cybersicherheit in der Produktion
© it‘s OWL Clustermanagement GmbH | 11.10.2017 5
Einführung Motivation/ Ausgangssituation für das Transferprojekt
Hohe Qualitätsanforderungen und –kosten an die Gefahrgutbehälter
Lange Totzeit bei ermittelten Qualitätsmängel
Gestiegene Flexibilitätsanforderungen (Kürzere Produktionsserien, hoher Termindruck, stärkere Diversifikation)
Wenig Erfahrung mit analytischer Datenanalysen
Ausgangssituation/Motivation 2 – 30 Liter 100 – 1750 Gramm
© it‘s OWL Clustermanagement GmbH | 11.10.2017 6
Einführung
Zielsetzung
Ergebnisse
Resümee und Ausblick
Agenda
Abschlusspräsentation
© it‘s OWL Clustermanagement GmbH | 11.10.2017 7
Selbstoptimierungspotential von
Extrusionsblasformmaschinen für Kunststoffkanister
Gesteigerte Prozesssicherheit durch Verringerung der Totzeiten
Aufbau einer proprietären Datenerfassung
Evaluation maschineller Lernalgorithmen um Anomalien zu erkennen
Identifikation von Optimierungspotential, um Qualität zu steigern, Energieeffizienz zu erhöhen oder Taktzeiten zu senken
Zielsetzung
© it‘s OWL Clustermanagement GmbH | 11.10.2017 8
Vorgehensweise
Datenerfassung implementieren
• Benötigte Sensoren ermitteln
• Datenerfassung umsetzen
• Proprietäre Lösung vom
Maschinenhersteller
Maschinelles Lernen
• Lernverfahren evaluieren
• Normalzustand lernen
Optimierungspotential ableiten
• Anomalien identifizieren
• Prädiktive Maßnahmen ermitteln
© it‘s OWL Clustermanagement GmbH | 11.10.2017 9
Einführung
Zielsetzung
Ergebnisse
Resümee und Ausblick
Agenda
Abschlusspräsentation
© it‘s OWL Clustermanagement GmbH | 11.10.2017 10
Lernen des normalen Anlagenverhaltens
Vergleichen des gelernten Normals mit einem neuen Datenpunkt
Wenn der neue Datenpunkt zu verschieden vom Normal ist Anomalie
Ergebnisse
Sensor1 (z.B. Temperatur)
Se
ns
or2
(z.B
. D
ruc
k)
# Druck Temp
0 47 100
1 55 105
2 45 110
3 54 130
4 50 140
5 47 140
© it‘s OWL Clustermanagement GmbH | 11.10.2017 11
Ergebnisse
Sensor1 (z.B. Temperatur)
Se
ns
or2
(z.B
. D
ruc
k)
Normal
Lernen des normalen Anlagenverhaltens
Vergleichen des gelernten Normals mit einem neuen Datenpunkt
Wenn der neue Datenpunkt zu verschieden vom Normal ist Anomalie
© it‘s OWL Clustermanagement GmbH | 11.10.2017 12
Ergebnisse
Sensor1 (z.B. Temperatur)
Se
ns
or2
(z.B
. D
ruc
k)
Anomalie!
Lernen des normalen Anlagenverhaltens
Vergleichen des gelernten Normals mit einem neuen Datenpunkt
Wenn der neue Datenpunkt zu verschieden vom Normal ist Anomalie
© it‘s OWL Clustermanagement GmbH | 11.10.2017 13
Ergebnisse
Sensor1 (z.B. Temperatur)
Se
ns
or2
(z.B
. D
ruc
k)
Anomalie!
Klassifikation geschieht über Distanz
Es wird ein Schwellwert festgelegt, der angibt, wann es sich um eine Anomalie
handelt
Sensor1 (z.B. Temperatur)
Se
ns
or2
(z.B
. D
ruc
k)
Keine
Anomalie!
© it‘s OWL Clustermanagement GmbH | 11.10.2017 14
Signale mit großem Einfluss auf die Distanz werden gefunden
Manuelle Validierung erfolgte in Workshops (Telefonkonferenzen)
Prozessexperte kann Einstellungen an der Anlage anpassen
Ergebnisse
Distanz von neuen Daten zum Normal Verursachendes Signal
Ursache
© it‘s OWL Clustermanagement GmbH | 11.10.2017 15
Anomalien im Produktionsprozess werden erkannt
Signale die Einfluss auf die Anomalie haben werden ermittelt
Daraus können Handlungsempfehlungen abgeleitet werden
Hoher Aufwand um Qualitätsdaten zu digitalisieren
Fehlende Qualitätsdaten erschweren Validierung der Verfahren
Nicht alle interessanten Signalwerte konnten abgefragt werden
Ergebnisse
© it‘s OWL Clustermanagement GmbH | 11.10.2017 16
Einführung
Zielsetzung
Ergebnisse
Resümee und Ausblick
Agenda
Abschlusspräsentation
© it‘s OWL Clustermanagement GmbH | 11.10.2017 17
Verständnis von verschiedenen
Produktionsprozessdaten wurde verbessert
Fokussierung auf qualitätsrelevante Prozessdaten
(Volumen, Druck, Temperaturen etc.)
Einbindung zusätzlicher Sensoren noch nicht
standardisiert möglich
Vernetzung der QS-Daten mit Prozessdaten noch
zu verbessern
Gute Zusammenarbeit mit Fraunhofer IOSB-INA
Resümee und Ausblick
Resümee
Verbesserung der Systemvoraussetzungen
Fortführung der Datenanalyse gewünscht
Weitere Kooperationsprojekte bereits in Planung
Ausblick
2 – 30 Liter 100 – 1750 Gramm
= m3/min
www.its-owl.de
Vielen Dank für Ihre Aufmerksamkeit!