Neue Maschinen, Werkstoffe und Verfahren

SensXpert: Kontinuierliche datengestützte Prozessoptimierung

Datengestützte Fertigungslösungen können Kunststoff verarbeitenden Betrieben Produktivitäts- und Qualitätsvorteile verschaffen. Echtzeit-Materialdaten aus dem Werkzeug kombiniert mit moderner Software für maschinelles Lernen zur Analyse des Materialverhaltens sind das Fundament.

Netzsch Process Intelligence, Selb, hat dazu im Jahr 2021 die Technologiemarke SensXpert geründet. Ziel war die kontinuierliche Prozessoptimierung durch sensorgestützte Maschinen-, Werkzeug- und Materialdaten in Echtzeit. Die intelligente Technologie ermöglicht eine kontinuierliche Prozessoptimierung und damit eine Steigerung der Produktionseffizienz um bis zu 30 Prozent. Die im Werkzeug integrierten Sensoren bieten Echtzeiteinsicht und Transparenz im Prozess, um auf Materialabweichungen reagieren und so Ausschuss vermeiden zu können. SensXpert bietet so eine dynamische und adaptive Produktion und gewährleistet eine direkte Qualitätskontrolle im Prozess für jedes einzelne Formteil.

SensXpert liefert datengestützte Fertigungslösungen, die Kunden in der kunststoffverarbeitenden Industrie helfen, ihre Produktionseffizienz zu verbessern. (Abb.: sensXpert)

SensXpert liefert datengestützte Fertigungslösungen, die Kunden in der kunststoffverarbeitenden Industrie helfen, ihre Produktionseffizienz zu verbessern. (Abb.: sensXpert)

Es gibt einen wachsenden Bedarf an digitalen Technologielösungen in der kunststoffverarbeitenden Industrie. Durch die Nutzung der künstlichen Intelligenz der Machine-Learning-Software zur Auswertung kritischer Material-, Maschinen- und Prozessdaten hilft die Anwendung Betrieben, ihre Fertigungseffizienz in Echtzeit zu optimieren, so dass zeit- und arbeitsaufwändige nachträgliche Anpassungen nicht mehr erforderlich sind. Als Herzstück der Anwendung integriert ein Edge Device die Hard- und Software für Machine-Learning-Modelle. Diese sind darauf ausgelegt, selbst kleinste Abweichungen von Material- und Prozessparametern zu erfassen. Basierend auf Messdaten, die von im Werkzeug integrierten Sensoren gesammelt werden, werden intelligente maschinelle Lernalgorithmen angewendet, welche das tatsächliche Materialverhalten auf jeder einzelnen Maschine simulieren, vorhersagen und analysieren. Die Lernmodelle werden mit Schlüsselparametern von Standardmaterialwerten und experimentellen Werten zu Glasübergangstemperatur, Druck und erforderlichem Aushärtungsgrad trainiert. In Abhängigkeit von den im Laufe der Zeit gemessenen Daten werden die Modelle kontinuierlich präzisiert.

Sensorbasierte Werkzeugdaten mit fortschrittlicher Maschinenlernsoftware erlauben es, kritische Material-, Maschinen- und Prozessparameter in Echtzeit auszuwerten. (Abb.: sensXpert)

Sensorbasierte Werkzeugdaten mit fortschrittlicher Maschinenlernsoftware erlauben es, kritische Material-, Maschinen- und Prozessparameter in Echtzeit auszuwerten. (Abb.: sensXpert)

Die Anwendung soll kunststoffverarbeitenden Betrieben volle Transparenz in ihrer Fertigung ermöglichen. Sensoren von Drittanbietern lassen sich nahtlos integrieren. Die Technologie lässt sich an alle gängigen Verarbeitungsverfahren für Duroplaste, Thermoplaste und Elastomere anpassen, vom Spritzgießen, Pressen und Spritzpressen bis zum Thermoformen, Vakuuminfusion und Autoklavhärtung. Die Lösung wird über Standard-Industrieschnittstellen mit den bestehenden Fertigungs- und Steuerungssystemen der Kunden verbunden und als cloudbasierte Equipment-as-a-Service (EaaS)-Lösung angeboten. Eine intuitive Web-App ermöglicht den bequemen Zugriff vor Ort oder aus der Ferne.

Anwendungsfälle in Industriesegmenten, wie der Herstellung von Felgen aus Verbundwerkstoffen für die Automobilindustrie und Flugzeugtragflächen, haben eine erhebliche Steigerung der Gesamtanlageneffizienz (OEE) gezeigt, einschließlich einer soliden Investitionsrendite (ROI). Ähnliche Lösungen lassen sich auch in anderen Branchen umsetzen.

www.sensxpert.com

Dieser Anbieter stellt auf der K 2022 in Düsseldorf in Halle
						12 am Stand 12-C36 aus
Halle: 12
Stand: 12-C36