10/11. Oktober 2017 | Lemgo · Session: 7 Selbstoptimierungspotential von...

www.its-owl.de

Session: 7

Selbstoptimierungspotential von

Extrusionsblasformmaschinen für

Kunststoffkanister (SePEX)

(Plastikpack GmbH) 10/11. Oktober 2017 | Lemgo

© it‘s OWL Clustermanagement GmbH | 11.10.2017 2

Einführung

Zielsetzung

Ergebnisse

Agenda

Abschlusspräsentation

Resümee und Ausblick


Plastikpack GmbH

Vorstellung

Die Plastikpack GmbH ist Teil der Wandel Packaging Group und wurde im Jahr

1962 gegründet. Wir sind einer der ersten Hersteller extrusionsgeblasener

Kunststoffbehälter. Bereits 1965 haben wir die ersten frei stapelbaren Kanister

auf den Markt gebracht. Heute sind wir auf Gefahrgutkanister spezialisiert.

In unserem Werk Recyclen stellen wir aus gebrauchten Kanistern und PE-

Mahlgut neue Produkte wie Kunststoffpaletten und Sicherheitswannen her.

Zu unseren Kunden gehören Unternehmen aus den unterschiedlichsten

Branchen. Bsp.: chemisch u. pharmazeutische Industrie,

Nahrungsmittelbranche, ...


Fraunhofer IOSB-INA

Überblick

• Lemgo

• Institutsteil für industrielle Automation des Fraunhofer IOSB

• MitarbeiterInnen (Stand Sept. 2017): 64

• Partner im Centrum Industrial IT (CIIT)

• Betrieb der SmartFactoryOWL, gemeinsam mit Hochschule

OWL

• IKT –Lösungen für die Fabrik der Zukunft

• Geschäftsbereiche:

– Industrielles Internet (IoT)

– Intelligente Automation

– Assistenzsysteme

– Cybersicherheit in der Produktion


Einführung Motivation/ Ausgangssituation für das Transferprojekt

Hohe Qualitätsanforderungen und –kosten an die Gefahrgutbehälter

Lange Totzeit bei ermittelten Qualitätsmängel

Gestiegene Flexibilitätsanforderungen (Kürzere Produktionsserien, hoher Termindruck, stärkere Diversifikation)

Wenig Erfahrung mit analytischer Datenanalysen

Ausgangssituation/Motivation 2 – 30 Liter 100 – 1750 Gramm


Einführung

Zielsetzung

Ergebnisse


Agenda



Selbstoptimierungspotential von

Extrusionsblasformmaschinen für Kunststoffkanister

Gesteigerte Prozesssicherheit durch Verringerung der Totzeiten

Aufbau einer proprietären Datenerfassung

Evaluation maschineller Lernalgorithmen um Anomalien zu erkennen

Identifikation von Optimierungspotential, um Qualität zu steigern, Energieeffizienz zu erhöhen oder Taktzeiten zu senken

Zielsetzung


Vorgehensweise

Datenerfassung implementieren

• Benötigte Sensoren ermitteln

• Datenerfassung umsetzen

• Proprietäre Lösung vom

Maschinenhersteller

Maschinelles Lernen

• Lernverfahren evaluieren

• Normalzustand lernen

Optimierungspotential ableiten

• Anomalien identifizieren

• Prädiktive Maßnahmen ermitteln


Einführung

Zielsetzung

Ergebnisse


Agenda



Lernen des normalen Anlagenverhaltens

Vergleichen des gelernten Normals mit einem neuen Datenpunkt

Wenn der neue Datenpunkt zu verschieden vom Normal ist Anomalie

Ergebnisse

Sensor1 (z.B. Temperatur)

Se

ns

or2

(z.B

. D

ruc

k)

# Druck Temp

0 47 100

1 55 105

2 45 110

3 54 130

4 50 140

5 47 140


Ergebnisse


Se

ns

or2

(z.B

. D

ruc

k)

Normal





Ergebnisse


Se

ns

or2

(z.B

. D

ruc

k)

Anomalie!





Ergebnisse


Se

ns

or2

(z.B

. D

ruc

k)

Anomalie!

Klassifikation geschieht über Distanz

Es wird ein Schwellwert festgelegt, der angibt, wann es sich um eine Anomalie

handelt


Se

ns

or2

(z.B

. D

ruc

k)

Keine

Anomalie!


Signale mit großem Einfluss auf die Distanz werden gefunden

Manuelle Validierung erfolgte in Workshops (Telefonkonferenzen)

Prozessexperte kann Einstellungen an der Anlage anpassen

Ergebnisse

Distanz von neuen Daten zum Normal Verursachendes Signal

Ursache


Anomalien im Produktionsprozess werden erkannt

Signale die Einfluss auf die Anomalie haben werden ermittelt

Daraus können Handlungsempfehlungen abgeleitet werden

Hoher Aufwand um Qualitätsdaten zu digitalisieren

Fehlende Qualitätsdaten erschweren Validierung der Verfahren

Nicht alle interessanten Signalwerte konnten abgefragt werden

Ergebnisse


Einführung

Zielsetzung

Ergebnisse


Agenda



Verständnis von verschiedenen

Produktionsprozessdaten wurde verbessert

Fokussierung auf qualitätsrelevante Prozessdaten

(Volumen, Druck, Temperaturen etc.)

Einbindung zusätzlicher Sensoren noch nicht

standardisiert möglich

Vernetzung der QS-Daten mit Prozessdaten noch

zu verbessern

Gute Zusammenarbeit mit Fraunhofer IOSB-INA


Resümee

Verbesserung der Systemvoraussetzungen

Fortführung der Datenanalyse gewünscht

Weitere Kooperationsprojekte bereits in Planung

Ausblick

2 – 30 Liter 100 – 1750 Gramm

= m3/min

www.its-owl.de

Vielen Dank für Ihre Aufmerksamkeit!

10/11. Oktober 2017 | Lemgo · Session: 7 Selbstoptimierungspotential von...

Documents

Transcript of 10/11. Oktober 2017 | Lemgo · Session: 7 Selbstoptimierungspotential von...