Spritzgießen 4.0: KI in der Kunststoffverarbeitung

Fraunhofer Spin-off Plus10 implementiert bei Freudenberg Home and Cleaning Solutions KI-Software in Spritzgießmaschinen und baut hochfrequente Datenerfassung sowie -Verarbeitung auf.
In der Vileda Eimer-Produktion wurde vom Fraunhofer Spin-Off plus10 eine hochfrequente KI-Datenerfassung sowie – Verarbeitung aufgebaut. 
Fotograph: Johannes Vogt.
In der Vileda Eimer-Produktion wurde vom Fraunhofer Spin-Off plus10 eine hochfrequente KI-Datenerfassung sowie -Verarbeitung aufgebaut. – Bild: Freudenberg Home and Cleaning Solutions

Künstliche Intelligenz (KI), Machine Learning (ML), Big Data – diese Begriffe begleiten nun schon seit längerer Zeit die Industrie. Zahlreiche Unternehmen möchten diese Technologien einsetzen. Doch es mangelt an Anwendungsfällen, die einen realistischen Einsatz von künstlicher Intelligenz darstellen und einen konkreten Benefit in der Produktion beschreiben. Denn das Feld ist weit, in dem KI zum Einsatz kommen kann. Plus10, ein Fraunhofer Spin-off, nutzt bei seinen Softwaretools KI-Technologien, um komplexe Produktionsmaschinen maximal produktiv zu betreiben. Die Optimierungssoftware kam in der Konsumgüterherstellung zum Einsatz: Bei Freudenberg Home and Cleaning Solutions wurde eine hochfrequente Datenerfassung und -Verarbeitung bei mehreren Spritzgießmaschinen implementiert.

Software generiert datenbasiert Optimierungsvorschläge

Für Betreiber von Spritzgießmaschinen ist es essenziell, schnellstmöglich perfekt aufeinander abgestimmte Parametereinstellungen zu identifizieren, um das Maximum an Gutteilen in der bestmöglichen Zykluszeit zu erreichen. Allerdings sind vollautomatisierte Produktionsanlagen meist sehr komplex und schwierig maximal produktiv zu betreiben. Für solche Produktionsanlagen entwickelt das KI-Startup Plus10 selbstlernende Softwaretools zur datenbasierten Analyse und Optimierung. Als Basis für das kontinuierlich wirkende System werden tausende Maschinenparameter jede Millisekunde erfasst und verarbeitet. Mittels Machine Learning wird das Maschinenverhalten vieler gleicher oder ähnlicher Maschinen detailliert erlernt. Daraus werden anschließend automatisiert Optimierungsvorschläge für jede einzelne Maschine abgeleitet. Dies basiert im Hintergrund auf einer maschinell gelernten rein virtuellen ‚idealen Maschine‘, die sich über die Zeit hinweg ebenfalls selbst verbessert. Auf diese Weise können Unternehmen ihre Zykluszeit pro Maschine um 6 – 18 Prozent reduzieren.

KI in der Produktion von Eimern bei Freudenberg

Beim Kunststoffverarbeiter Freudenberg Home and Cleaning Solutions war das Ziel des Projekts die Konzeption und Umsetzung einer hochfrequenten Big-Data-Infrastruktur inklusive Data-Mapping für Spritzgießmaschinen. Um diese Zielsetzung zu erreichen, wurde eine Reihe von Maßnahmen realisiert. Als erster Schritt wurden zu jeder Maschinensteuerung mehrere Datenschnittstellen implementiert. Auf diese Weise können Daten von Sensoren zur Rohmaterialcharakterisierung angebunden und gemappt werden. Um auch Temperatur und Feuchtigkeit des Materials zu erfassen, wurden In-Mold-Sensoren integriert. Abweichungen dieser Parametereinstellungen können Qualitätseinbußen bei den Endprodukten hervorrufen. Eine Qualitätsstation wurde eingerichtet, um jedes Teil einer individuellen Prüfung zu unterziehen. Darüber hinaus entwickelten die Optimierungsspezialisten ein virtuelles Puffersystem, damit jedes produzierte Teil nach dem Spritzgießen verfolgt werden konnte.

Einsatz der Optimierungssoftware voller Erfolg

Als Ergebnis erhielt Freudenberg Home and Cleaning Solutions eine KI-fähige Big-Data-Infrastruktur, welche die Grundlage für weitere Optimierungsmaßnahmen darstellt. Ein einheitliches Datenmodell wurde erstellt, das alle Einzelmessungen mit dem entsprechenden produzierten Teil verknüpft. So können gemessene Qualitätsmerkmale bei aufeinanderfolgenden Prozessschritten der Spritzgießzyklen zugeordnet werden. Uwe Dingert von Freudenberg ist überzeugt von dem gemeinsamen KI-Projekt: „Plus10 hat für unsere Spritzgießmaschinen eine hochfrequente Dateninfrastruktur aufgebaut. Ich war sehr begeistert von der Expertise und Verlässlichkeit.“

Das könnte Sie auch Interessieren

Anzeige

Anzeige

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.

Anzeige

Anzeige

Anzeige