Industrien mit hohem Ressourcenverbrauch, wie die Aluminium-Stranggussindustrie, stehen vor großen technischen und wirtschaftlichen Herausforderungen. Insbesondere die Kleinserienfertigung mit einer großen Produktvielfalt, zahlreichen Rezepturen und Parametereinstellungen kann zu einer Vielzahl von Verschleißerscheinungen und Defekten führen. Diese Fehlerursachen können von Sensoren oft nicht erkannt und somit mit herkömmlichen Zustandsüberwachungstechniken nicht identifiziert werden, was zu langen Fehlerbehebungszeiten führt. Stillstandszeiten verursachen somit hohe Kosten und einen hohen Energieverbrauch. Daher halten Unternehmen in der Regel große Mengen an Ersatzteilen auf Lager und tauschen oft Teile, die noch funktionsfähig sind, frühzeitig aus, um Ausfallzeiten zu minimieren. Dies führt jedoch zur Verschwendung wertvoller Ressourcen. Das Wissen über vergangene Ausfälle und die Erfahrung mit der Maschine steht in der Regel nur dem Wartungspersonal zur Verfügung und wird oft in Wartungs- und Maschinenprotokollen dokumentiert, ist aber selten mit Sensor- und Prozessdaten verknüpft. Um diese Herausforderungen zu bewältigen, zielt das Forschungsprojekt darauf ab, objekt- und auftragsorientierte Daten mit historischen und Echtzeitdaten zu kombinieren. Mithilfe von nicht-stationären dynamischen Bayesschen Netzen (nsDBN) soll das zu entwickelnde System vorhersagen, wann aktuelle Fehler das Ende der Restnutzungsdauer (RUL) von Komponenten erreichen werden und welche Maßnahmen am ressourceneffizientesten sind, um die Lebensdauer von Komponenten und damit der Anlage zu verlängern. Dabei sollen Reparaturen und Wiederverwendung priorisiert werden, um den Ressourcenverbrauch zu reduzieren und die Lagerkosten für Ersatzteile zu senken. Die genaue Vorhersage der Fehlerursache, des Zeitpunkts des Auftretens von Fehlern und der erforderlichen Maßnahmen, einschließlich der benötigten Ersatzteile, ermöglicht eine präzisere und effizientere Wartung. Konsortialführung: Institute of Industrial Engineering and Management, Projektpartner: TU Wien Institute of Management Science, Fried v. Neuman (Aluminium) Gmbh, Mesify Solutions Gmbh
Dieses Projekt hat das Ziel für Unternehmen in sogenannten Lernfabriken Schulungsangebote im Bereich der Industrie 4.0 zu entwickeln und anzubieten. Lernfabriken stellen eine realistische Produktionsumgebung dar, die für Bildung, Training und Forschung geeignet ist. Sie sind eine physische Lernumgebung, die Lehrinstrumente und -geräte enthält und die Arbeitsbedingungen eines echten Industriestandorts für didaktische und Schulungszwecke effektiv schafft. Die Networks Development-Initiative hat den Zweck, einen EIT Manufacturing Marketplace zu schaffen, der alle Bildungsprogramme und -aktivitäten der Learning Factories anbietet. Dadurch wird die Reichweite und der Zugang zum Schulungsangebot der Lernfabriken erhöht sowie die Verfügbarkeit von Geräten erhöht, die für Tests und Pilotierung geeignet sind. Gefördert durch EIT Manufacturing im Rahmen des Learning Factory Network Development Programms.
Ziel in diesem Projekt ist (1) die Erforschung und Entwicklung von neuartigen Planungs- und Steuerungskonzepten die auf der Kombination klassischer Methoden der Planung- und Steuerung mit Methoden der künstlichen Intelligenz (insbesondere Maschinelles Lernen) für Produktionsszenarien mit sehr hoher Volatilität und Variabilität hinsichtlich Produktvarianten, Auftragsmengen, Rohstoff-/Teilequalität, bei gleichzeitigem hohen Automatisierungsgrad und hohem Grad an Mensch-Maschine Kollaboration, (2) die Entwicklung eines konfigurierbaren Simulators und Demonstrators, der es Produktionsunternehmen erlaubt verschiedene mit KI angereicherte dezentrale Planungs- und Steuerungskonzepte für Produktionsszenarien mit hoher Variabilität und Volatilität hinsichtlich Produktvarianten, Auftragsmengen, Rohstoff-/Teilequalität zu testen, zu evaluieren und weiterzuentwickeln (Entwicklungs- und Prüfstand für KI-angereicherte Produktionsplanungs- und Steuerungskonzepte). Dieses Projekt wird vom FFG im Rahmen des COIN Aufbau FH für die Wirtschaft Programmes gefördert.