Subscribe to our newsletter

Receive regular updates and insights

30%ige Reduzierung der Zykluszeiten in der Kunststoffverarbeitung

Künstliche Intelligenz (KI) und In-situ Sensorik können der Schlüssel für optimierte Produktionsprozesse sein. Besuchen Sie uns in der Future Zone auf dem VDI-Kongress AUTOMATION

Plastics processing machine in green

Der Schlüssel zum Erfolg

Automatisierung erfordert einen ganzheitlichen Ansatz

Jeder Schritt in der Produktionslinie bietet die Möglichkeit, Ineffizienzen und Kostentreiber zu erkennen und zu beseitigen, was letztlich zu erheblichen Einsparungen führt. Die Optimierung der Produktionsabläufe durch den Aufbau enger Beziehungen zu Lieferanten, die Umsetzung der Grundsätze der Lean Production und den Einsatz von Technologien zur Automatisierung können zu erheblichen Verbesserungen u.a. in Bereichen wie Produktion und Qualitätssicherung führen. Direkt in der Produktion von Kunststoffbauteilen können Sensoren und Auswertungen mittels KI einen entscheidenden Beitrag zur Optimierung herbeiführen.

Mit KI und In-situ-Sensorik zu Operational Excellence

sensXPERT Dielectric in-mold sensor
sensXPERT edge device

In-situ Sensorik

Ein dielektrische Sensor steht in ständigem und direktem Kontakt mit dem Rohmaterial im Werkzeug. Dies ermöglicht es, sowohl die Temperatur als auch das Materialverhalten im Werkzeug zu messen und zu überwachen. Mit diesen wertvollen Echtzeitdaten können wichtige Parameter wie der Aushärtungs-/Kristallisationsgrad, die Glasübergangstemperatur und andere relevante thermische/mechanische Materialeigenschaften im Werkzeug berechnet und vorhergesagt werden.

Datenverarbeitung in Echtzeit

Während der Fertigung von Kunststoffbauteilen verarbeitet das Edge-Device die Sensordaten sowie Daten anderer verbundener Technologien, zum Beispiel andere Sensoren oder Daten der Produktionsmaschine. Mit Hilfe von Machine-Learning-Algorithmen erstellt das Edge-Device eine Vorhersage des Materialverhaltens, noch während das Produkt im Werkzeug geformt wird. Entstehen unvorhergesehene Veränderungen, ist es möglich diese durch dynamische und adaptive Prozesssteuerung zu vermeiden.

Aktuelle Produktionsdaten in der Web App

Die Web App ermöglicht im Wesentlichen einem Maschinenbediener, den Fertigungsprozess in Echtzeit auf einer Benutzeroberfläche zu überwachen. Auf der Grundlage dieser Informationen liefert die Web App dem Bediener wertvolle Einblicke, damit er während des Fertigungsprozesses fundierte Entscheidungen treffen und entsprechend reagieren kann.

Cloud-Plattform für einen vollen Überblick

Die Cloud-Plattform ermöglicht einen Überblick über verschiedene Prozesse und mehrere Maschinen (auch wenn sie sich in verschiedenen Werken oder Ländern befinden) mittels verschiedener Dashboards. Im Qualitäts-Dashboard werden alle Parameterabweichungen hervorgehoben, sodass Fehlerursachen in der Fertigung, die zu Ausfallzeiten führen können, schneller erkannt werden. Andere Dashboards können so angepasst werden, dass sie wichtige Prozesstrends und Leistungsindikatoren auf der Grundlage bestimmter Parameter anzeigen.

/

Eine Erfolgsgeschichte unseres Kunden

Wie der globale Automobilzulieferer ZF Friedrichshafen AG einen neuen effizienten Prozess entwickelte

sensXPERT Digital Mold konnte die Nachhaltigkeit und Effizienz im Spritzgießprozess der ZF Friedrichshafen AG steigern und hat das Potenzial für reduzierte Zykluszeiten, geringeren Energieverbrauch und geringere Herstellungskosten in der Teileproduktion aufgezeigt.

Weiterlesen

Lernen Sie unsere Technologie auf dem VDI-Kongress AUTOMATION näher kennen

Besuchen Sie unsere Experten Arne Büttner und Dr. Nicholas Ecke in der Future Zone und erhalten Sie individuelle Einblicke in die Möglichkeiten zur Automatisierung und Optimierung im Bereich der Kunststofffertigung.

Unser Beitrag zum Vortragsprogramm

Prozessoptimierung in der Kunststoffverarbeitung durch die Kombination von in-situ-Werkstoffcharakterisierung und maschinellem Lernen

Mittwoch, 3. Juli 2024 um 11:45 Uhr in Sitzungsraum 7/8

  • Materialcharakterisierung direkt im Spritzgusswerkzeug
  • Kombination mit maschinellem Lernen zur Prozessoptimierung von Kunststoffverarbeitungsprozessen
  • Fallbeispiel: Optimierung der Zykluszeit

Referent: Dr. Nicholas Ecke