CNC-Maschine beim Fräsen

CNC-Maschine: Vorausschauende Wartung mittels KI braucht geteiltes Wissen von Herstellern und Kunden. (Bild: Andrey Armyagov/Adobestock)

Ohne Künstliche Intelligenz (KI) wird es nicht gehen. Aber der eigentliche Schlüssel zu neuen, datenbasierten Geschäftsmodellen für Werkzeugmacher ist ein anderer: Teilen.

Egal ob Zerspanung oder Spritzguss – an vorderster Front stehen die Werkzeuge. Funktionieren sie nicht mehr oder nur noch eingeschränkt, kostet das Zeit und Geld. Umso wichtiger ist es, Verschleiß und andere Probleme rechtzeitig zu erkennen. Dies setzt jedoch Expertenwissen von mehreren Seiten voraus: das Know-how von Maschinen- und Werkzeugbauern und das Prozesswissen ihrer Kunden.

Immer häufiger sind es Systeme auf Basis von Künstlicher Intelligenz, die Anwender und Dienstleister zusammenbringen. Das Spektrum der neuen digitalen Service- und Geschäftsmodelle reicht von kompakten Smartphone-Apps bis hin zu Service-Plattformen.

Künstliche Intelligenz für die Hosentasche

An einem ‚technischen Berater für die Hosentasche‘ arbeitet Mapal-Tochter C-Com mit ihrer Verschleißerkennungs-App für Zerspanungs-Werkzeuge per Smartphone. Die Idee: Hat beispielsweise ein Zerspaner ein Problem mit einer Wendeschneidplatte, fotografiert er den Verschleiß, die App bewertet den Schaden, stellt eine Diagnose und gibt Tipps, wie sich Abhilfe schaffen lässt.

„Speziell bei trivialen Fällen, die in der Praxis zuhauf auftreten, kann die App Hinweise auf das Problem liefern und so eine schnelle Behebung herbeiführen“, sagt C-Com-Geschäftsführer Giari Fiorucci. „Die Spezialisten beim Werkzeughersteller können sich somit hauptsächlich den kniffligen Fällen zuwenden und werden von Routinebewertungen entlastet“, erwartet er.

Deep Learning in der prädikativen Wartung

Die App basiert auf Machine-Learning mit neuronalen Netzen, genauer gesagt einem Deep-Learning-Modell. Dieses Modell arbeitet nicht regelbasiert nach dem Wenn-Dann-Prinzip, sondern es wird darauf gedrillt, Muster zu erkennen. Um den Machine-Learning-Algorithmus zu trainieren, qualifizierten menschliche Werkzeugspezialisten mehrere Tausend Bilder von verschlissenen Schneiden.

„Wir haben ihm sozusagen gezeigt, wie welcher Verschleiß aussieht und ob eine Schneide in Ordnung oder eben nicht in Ordnung ist“, erklärt Dr. Sven Winkelmann, Research Specialist für Machine Learning bei C-Com. Mit jedem qualifizierten Bild eignet sich das Modell neues Wissen an und wird intelligent.

Im Idealfall ist der ‚Lernprozess‘ abgeschlossen, wenn die App regulär auf den Markt kommt. „Dies wird so allerdings nicht funktionieren“, räumt der KI-Experte ein. Wie der Mensch werden Maschine und Technologie ständig weiter lernen müssen.

Vorausschauende Wartung über die Cloud

Das Hinzulernen könnte sich auch später beim Kunden fortsetzen. Anders gesagt: Der Kunde sendet seine Bilder nicht nur via Smartphone und Internet an die Cloud von C-Com, um sie dort analysieren zu lassen, sondern erweitert damit gleichzeitig den Pool der Datensets zum Training des Algorithmus'.

„Natürlich beachten wir die Bildrechte der Kunden und werden sie nicht ungefragt Mapal oder andere Firmen zugänglich machen. Aus Sicht des ‚Machine Learning‘ ist es allerdings empfehlenswert, die Bilder zu teilen und eine Weiterentwicklung zu ermöglichen. Wie bereits gesagt: Je mehr Input wir beim Machine Learning einsetzen, desto besser“, erklärt Winkelmann.

Predictive Maintenance für Werkzeuge

Wem gehören die Daten? Wer hat Zugriff? Wer weiß was zu welchem Zeitpunkt? An diesen Fragen wird sich entscheiden, ob datenbasierte Geschäftsmodelle eine Zukunft haben. „Aktuell ist das der große Knackpunkt, denn keiner möchte seine Daten herausgeben“, ist die Erfahrung von Max Busch, Wissenschaftler am Werkzeugmaschinenlabor (WZL) der RWTH Aachen.

Busch beschäftigte sich in den letzten Jahren im Projekt ‚WerkPriMa‘ mit der Entwicklung eines Prognosemodells für ein ‚datenbasiertes Wartungs- und Dienstleistungssystem‘, das die Verfügbarkeit von Werkzeugen für die Produktion verbessern sollte. Im Fokus standen Formen für Druck- und Spritzguss. Das Ziel: Weniger und kürzere Ausfälle von Werkzeugen durch den Einsatz von Predictive Maintenance.

Damit KI-gestützte Predictive Maintenance funktioniert, muss jedoch zusammen kommen, was bisher lieber getrennt wurde. „Die meisten Serienproduzenten kennen ihren Produktionsprozess, die Produktionsmaschine und das Produkt, aber das Werkzeug ist für sie häufig eine Art Blackbox, weil vor allem große, komplexe Werkzeuge oft extern eingekauft werden“, erklärt Busch.

Gleichzeitig kennen die Werkzeugbauer zwar ihre Werkzeuge, tappen aber oft im Dunkeln, welche Umstände zu erhöhtem Verschleiß oder Werkzeugausfällen führen, weil sich ihre Kunden in Sachen Prozessdaten nur ungern in die Karten schauen lassen.

Austausch von Daten für ein besseres Condition Monitoring

Dabei würden von einem verbesserten Austausch beide Seiten profitieren: Denn je breiter die Datenbasis und je fundierter das Wissen um die Wirkzusammenhänge zwischen Werkzeug, Prozess und Produktqualität, desto genauer werden die Prognosen von Predictive-Maintenance-Algorithmen, und je zutreffender und verlässlicher diese Prognosen ausfallen, desto besser können Lieferanten und Anwender Instandhaltungsprozesse nicht nur planen, sondern auch koordinieren. Mit dem Vorteil, dass Wartungen und Reparaturen für beide Seiten künftig vorhersehbarer würden und deutlich schneller als bisher umgesetzt werden könnten.

„Viele Unternehmen arbeiten im Moment verstärkt daran, Daten über ihre Prozesse zu sammeln. Gleichzeitig entwickeln sich die Algorithmen rasant weiter, die solche Daten analysieren. Nicht nur für Werkzeugbauer ebnet dies den Weg zu neuen, digitalen Geschäftsmodellen“, sagt Busch. Ein breiterer Austausch von Informationen eröffnet auf breiter Front neue Potenziale zu Prozessverbesserungen beim Anwender und zur gezielten Optimierung von Kernprodukten oder der Entwicklung ganz neuer Dienstleistungen bei Anbietern.

Sie möchten gerne weiterlesen?