Bauteil-adaptive Prozesskontrolle mittels Datenanalyse und Einzelteilcodierung

Projektdaten

Laufzeit: 2018-07-01 bis 2019-12-30

Projektleiter: , FH-Prof. DI Dr. Herbert Jodlbauer, FH-Prof. Dr. Ing. Aziz Huskic

Projektbeschreibung

Für jeden Bauteil in einem Produktionsprozess wurde „ein Lebenslauf“ abgespeichert. Dadurch konnte zum einen, eine bessere Rückverfolgbarkeit gewährleistet werden und zum anderen wurden die gesammelten Daten mit Hilfe von Data Mining analysiert und ausgetestet. Mittels Machine Learning wurde eine adaptive Fertigung auf Einzelteilbasis umgesetzt werden. Im Projekt wurde erreicht, dass sich die Maschinen in einem Pilotprozess  automatisch basierend auf den in Echtzeit zur Verfügung gestellten Daten auf den Bauteil einstellen und so gute Ergebnisse aus der Vergangenheit immer wieder reproduziert werden können.

Data Mining wird aktuell in mehreren Forschungsprojekten primär für die Ursachenfindung bei Fehlern eingesetzt. Es gibt erste Forschungsprojekte, wo dies neben dem Qualitätsmanagement für die Prozessüberwachung, Performance und Condition Monitoring eingesetzt wird. Mit einer Bauteil-adaptive Fertigung stellte dieses Projekt eine Neuerung dar.

Die angestrebten Ergebnisse sind eine Reduktion des Ausschusses, der Rüstzeit und des Aufwandes für Qualitätsüberprüfung um 50% und das Erreichen einer niedrigeren ISO-Toleranzklasse.

Bei Fragen kontaktieren Sie uns jederzeit.

Kontakt

Weitere Projekte

The JRC DDBMI develops and improves data-driven approaches for business model innovation for incumbent manufacturers and provides these approaches for the partner companies. These newly developed approaches will be implemented or applied in several pilot projects by the partner companies.

X-PRO

Laufzeit: 01/2020 - 12/2024

Erforschung und Entwicklung benutzer-zentrierter Methoden für Cross-Virtuality Analytics von Produktionsdaten

adaptOp

Laufzeit: 10/2019 - 10/2024

Innerhalb von JRC adaptOp werden wir mit der Lösung dynamischer Optimierungsprobleme in Bereichen wie Lagerhaltung, Produktion und Transport konfrontiert. Es wird ein Framework adaptiver Methoden entwickelt, mit dem wir schnell auf beobachtete Veränderungen in der Umgebung reagieren. Techniken des maschinellen Lernens werden integriert, um das Auftreten zukünftiger Ereignisse vorherzusagen, mögliche zukünftige Szenarien zu entwerfen und geeignete Optimierungsalgorithmen auszuwählen und zu konfigurieren.