Werkzeugbau & Produktion Fertigungszeiten im Werkzeugbau prognostizieren

Anbieter zum Thema

WBA Aachener Werkzeugbau Akademie GmbH

PSI Software SE | Business Unit Discrete Manufacturing

MEGLA GmbH

Im deutschen Maschinenbau, besonders im Werkzeugbau, steigen Wettbewerbs- und Kostendruck. Optimierte Prozesse und präzisere Fertigungszeitprognosen verbessern Planung, Auslastung und Effizienz – und sparen Zeit sowie Kosten.

Die Fertigungszeit beschreibt hierbei die benötigte Zeit eines Produktionsschritts während der Fertigung eines Produktes. Sie setzt sich aus der Rüstzeit, der Ausführungszeit und sonstigen Zeiten wie Liege- und Wartezeiten zusammen. Eine präzise Prognose ist hierbei maßgeblich für eine optimale Auslastung der Kapazitäten. Je besser die Fertigungszeiten eingeschätzt werden, desto effizienter kann die Nutzung der Ressourcen geplant werden. Dies führt zu einer erhöhten Auslastung von Maschinen- und Personalkapazitäten und damit letztendlich zu einer gesteigerten Produktivität, geringeren Stundensätzen und gestärkten Wettbewerbsfähigkeit des Unternehmens.

Werkzeugbau im Wandel: Von Erfahrung zu Datenplanung

In der Vergangenheit stand die Planungsgüte in einem engen Zusammenhang mit der langjährigen Erfahrung einzelner Mitarbeitenden innerhalb der Betriebe. Hier führt der demografische Wandel ohne eine systematische Weitergabe und Dokumentation von spezifischem Fachwissen zu einem fortschreitenden Wissensverlust, wodurch dieses Vorgehen keine langfristige Perspektive aufweist. Zusätzlich gehören aufgrund der hohen Komplexität und geringen Wiederholungszahl im Werkzeugbau signifikante Abweichungen der Plan-Zeiten von den Ist-Zeiten in vielen Betrieben zum Tagesgeschäft. Doch wie können Fertigungszeiten in Zukunft prognostiziert werden und wie können diese Daten in eine optimierte Planung, deren Güte unabhängig vom aktuellen Personal ist, einfließen?

Ein naheliegender Ansatz ist die Aufnahme von historischen Ist-Zeiten und eine darauf basierende, iterative Aktualisierung der Plan-Zeiten. Dieses Vorgehen ist insbesondere in Prozessen, die sich wiederholen, aufwandsarm und zielführend anwendbar. Die Komplexität eines solchen Prozesses steigt jedoch signifikant, wenn keine oder nur wenige identische Prozessschritte als Referenz vorliegen, sondern stattdessen, basierend auf festzulegenden Kriterien, vergleichbare Prozessschritte ausgewählt und adaptiert werden müssen. Es zeichnet sich dementsprechend eine, abhängig von der Unternehmensgröße und dem Produktportfolio, komplexe Planungs- und Datenverwaltungsaufgabe ab, die von den Unternehmen in der heutigen Zeit gelöst werden muss.

Sensorik, MES/ERP und Machine Learning für bessere Planung und Prognosen

Eine Lösung stellen IT-basierte Systeme dar, in denen die Produktionsanlagen, durch eine flächendeckende Bestückung mit Sensoren, digital an eine Systemlandschaft angebunden werden. Hier können Manufacturing Execution Systeme (MES) auf Betriebsebene für die Produktionssteuerung Anwendung finden. Diese können nicht nur vor Prozessbeginn den Fertigungsablaufplan für jedes Produkt und ein Fertigungsplanungssystem für eine Planperiode erstellen, sondern dokumentieren auch mitlaufend mit dem Prozess die aktuelle Belegung der Ressourcen. Dazu werden mitlaufend Key-Performance-Indicators (KPI) wie Wartezeiten, freie Puffer, Durchlaufzeiten, Maschinenauslastung und Maschinenverfügbarkeiten ermittelt. Übergeordnet dazu lässt sich der dazugehörige Gesamtprozess im Unternehmen durch die Nutzung von Enterprise Ressource Planning (ERP) Systemen abbilden.

Neue Web-Applikationen für die Fertigung

Infomonitor und BDE-Terminal erweitern MES von Sack EDV-Systeme

Weiterhin kann bei der Implementierung eines digitalen Shopfloors durch die Nutzung von Machine Learning die Produktivität gesteigert und vorhandenes Wissen einheitlich gespeichert werden. Mit Hilfe des CRISP-DM-Modells, einer Methode, die den Data-Mining-Prozess in sechs Phasen unterteilt, lassen sich die relevanten Daten sammeln und anschließend durch die Anwendung eines Tools zur Datenanalyse zielgerichtet analysieren und extrahieren, so dass sie für das Training eines Algorithmus nutzbar werden. Das zielgerichtete Aufnehmen, Speichern und Verwalten von Daten ist für die erfolgreiche Durchführung dieses Prozesses von sehr hoher Wichtigkeit. Zur Modellierung eines vorhersagetreffenden Modells können hierbei eine datenbasierte oder eine modellbasierte Methode genutzt werden.

Datenbasierte Prognosen und modellbasierte Simulationen im Werkzeugbau

Bei der Anwendung einer datenbasierten Methode können aus historischen Daten Prognosen abgeleitet werden, indem in einem Black-Box-Ansatz Zusammenhänge und Muster zwischen den Daten gesucht werden. Hierbei können neuronale Netzwerke das Verhalten komplexer Werkzeugmaschinen erlernen, wobei die Bereitstellung der dafür benötigten Datenmengen insbesondere im Werkzeugbau und in der Einzel- und Kleinserienfertigung eine große Herausforderung darstellt. Dem gegenüber kann eine modellbasierte Methode durch einen White-Box-Ansatz beschrieben werden, bei dem analytische und physikalische Zusammenhänge ermittelt werden. Durch weitere Simulationsoptionen, wie beispielsweise die Simulation des Fräswerkzeuges zur Berechnung der Formabweichung, lässt sich hierbei die Prognosefähigkeit steigern. Jedoch ist bislang der Aufwand von spezifischen Bauteilsimulationen zu hoch und die Kopplung einzelner Simulationen eine zu große Herausforderung. Dennoch helfen modellbasierte Ansätze bei der Gewinnung von Prozesswissen, da sie auf experimentell belegten theoretischen Überlegungen basieren.

Praxisbeispiel Werkzeugbau: WBA-Prototyp senkt Prognosefehler deutlich

Derartige Lösungen finden in der Realität bereits Anwendung. Mit Hilfe des Datenanalysetools Orange konnte die WBA Werkzeugbau Akademie in Zusammenarbeit mit Projektpartnern aus der Industrie ein prototypisches Tool zur aufwandsarmen Prognose von Fertigungszeiten im Werkzeugbau erstellen. Der entwickelte Algorithmus ermöglichte es, einen mittleren Vorhersagefehler von sechs Minuten und somit eine Verbesserung gegenüber den vorhandenen Expertenschätzung von 240 Prozent zu erreichen. Dafür wurden methodisch Probleme und Anforderungen herausgearbeitet und Einflussfaktoren auf den technischen Prozess in den Bereichen Mensch, Umwelt und Bauteil ermittelt. Anschließend wurden mit den gesammelten Daten Algorithmen trainiert und optimiert, mit deren Hilfe Vorhersagen getroffen werden konnten.

Werkzeugbau zukunftsfähig machen: Effizienz durch Daten und Planung

Zusammenfassend zeigt sich, dass die deutsche die Einzel- und Kleinserienfertigung und insbesondere der Werkzeugbau für ein Bestehen gegen die internationale Konkurrenz effizienter werden müssen. Eine erhöhte Planungsgüte stellt hier ein Potenzial dar, die Effizienz dieser Betriebe signifikant zu steigern. Die daraus resultierenden Problemstellungen des Wissensmanagements und der Datenaufnahme und -verarbeitung sind dementsprechend zentrale Handlungsfelder, die in den kommenden Jahren von Betrieben, die kompetitiv am Markt bestehen wollen, adressiert werden müssen. Hierfür bieten sich insbesondere aktuelle MES- und ERP-Systeme sowie individuell entwickelte Datenanalysetools an.

Prof. Dr.-Ing. Wolfgang Boos ist geschäftsführender Gesellschafter der WBA Aachener Werkzeugbau Akademie GmbH.Dr.-Ing. David Welling ist Geschäftsführer der WBA Aachener Werkzeugbau Akademie GmbH.Thomas Eberius ist Leiter Industrieberatung International bei der WBA Aachener Werkzeugbau Akademie GmbH.Michael Borutta ist Berater bei der WBA Aachener Werkzeugbau Akademie GmbH.