Presse, die mit Sensoren ausgestattet sind, überwachen während des Betriebs verschiedene Faktoren wie Kraftniveaus, Vibrationen und Temperaturänderungen. Diese Messwerte werden direkt an SPS-Systeme übermittelt, die nahezu augenblicklich sowohl die Geschwindigkeit als auch den von der Presse ausgeübten Druck anpassen können. Sobald ein Problem auftritt, durchsucht spezielle Software sämtliche gesammelten Daten nach Störursachen wie abgenutzten Werkzeugen oder inkonsistenten Materialien. Wird ein Problem früh genug erkannt, greift das System automatisch ein – beispielsweise durch Anpassung der Werkzeuge oder kurzfristige Unterbrechung der Produktion, um größere Probleme in Zukunft zu vermeiden. Anstatt erst dann einzugreifen, wenn Maschinen vollständig ausfallen, erkennen Fabriken, die solche intelligenten Systeme einsetzen, potenzielle Probleme deutlich früher und vermeiden so kostspielige Ausfallzeiten, die mehrere Stunden dauern könnten.
Laut Branchenbenchmarks von SME verzeichnen Fabriken, die Sensoren an ihren Stanzanlagen installieren, zwischen 35 % und 42 % weniger unerwartete Anlagenstillstände. Für eine Standard-Produktionslinie, die täglich 20 Stunden läuft, entspricht dies etwa 300 zusätzlichen Arbeitsstunden pro Jahr. Auch die finanziellen Vorteile sind beeindruckend: Unternehmen berichten von jährlichen Einsparungen zwischen 200.000 USD und einer halben Million USD allein durch die Vermeidung von Materialverschwendung, die Reduzierung von Notreparaturen und den Rückgang kostspieliger Überstundenschichten. Bei Berücksichtigung kontinuierlicher Verbesserungen des Produktionsflusses in Kombination mit niedrigeren Wartungskosten amortisiert sich die Investition bei den meisten Unternehmen innerhalb von etwa sechs bis neun Monaten nach der Installation.
Das Industrial Internet of Things (IIoT) verbindet sämtliche Arten von Maschinen – darunter Pressen, Zuführsysteme und Werkzeugsysteme – nahtlos miteinander. Diese eingebetteten Sensoren senden kontinuierlich Daten zu Parametern wie Vibrationen, Temperaturwerten und mechanischer Belastung aus. Druckaufnehmer können bereits kleine Fehlausrichtungen in Stanzwerkzeugen erkennen, lange bevor es zu einem vollständigen Ausfall kommt. Gleichzeitig prognostizieren Zuführsensoren den Zeitpunkt, zu dem Komponenten aufgrund ihres Nutzungsmusters beginnen werden, sich abzunutzen. Sobald diese unterschiedlichen Sensordaten zusammengeführt werden, schließen sie jene lästigen Informationslücken, in denen Probleme andernfalls unbemerkt blieben. Das gesamte System speist zentrale Dashboards, die zeigen, wie alle Komponenten entlang verschiedener Abschnitte der Fertigungslinie harmonisch zusammenarbeiten. Laut aktuellen Feldstudien erkennen Produktionsmitarbeiter potenzielle Störungen rund 40 Prozent schneller als zuvor.
Gute Strategien zur Datenverarbeitung sind bei der Bereitstellung industrieller IoT-Systeme von großer Bedeutung. Edge-Computing übernimmt die zeitkritischen Aufgaben – beispielsweise das Erfassen von Presskräften im Millisekundenbereich –, sodass Fabriken während schneller Produktionsläufe rasch eingreifen können. Auf der anderen Seite verarbeiten Cloud-Plattformen umfassende Analysen auf Grundlage riesiger Mengen an Produktionsdaten und erkennen Muster, die Monate oder sogar Jahre brauchen, um sich abzuzeichnen – etwa Maschinenausfälle, die zu bestimmten Jahreszeiten auftreten. Allerdings hat die Cloud-Analyse ihre Grenzen: Die Verzögerung zwischen dem Senden der Daten und dem Erhalt der Ergebnisse liegt bei rund 150 bis 500 Millisekunden – zu lang für unmittelbare Maßnahmen. Daher setzen heutzutage die meisten intelligente Fabriken auf eine Kombination aus beiden Ansätzen: Edge-Geräte übernehmen dringliche Aufgaben wie die Vorhersage des Wartungsbedarfs von Maschinen, während Cloud-Systeme analysieren, welche Ursachen hinter Störungen wirklich stecken, und ihre Modelle im Laufe der Zeit kontinuierlich verbessern.
Automatisierte Metallstanzlinien erreichen durch künstliche Intelligenz eine beispiellose Zuverlässigkeit, die Ausfälle bereits vor ihrem Eintreten vorhersieht.
Verstärkungslernalgorithmen analysieren Echtzeit-Produktionsdaten und führen Simulationen über Tausende verschiedener Operationen durch, um versteckte Probleme zu erkennen – etwa wenn Materialien im System stecken bleiben oder Werkzeuge im Laufe der Zeit verschleißen. Diese intelligenten Systeme können dann eigenständig Anpassungen vornehmen: Sie ändern beispielsweise die Geschwindigkeit, mit der Pressen arbeiten, die Reihenfolge, in der Aufträge abgearbeitet werden, und den Zeitpunkt, zu dem Zuführsysteme Teile freigeben. All dies geschieht, während die Fabrik weiterhin mit voller Leistung läuft. Das Ergebnis? Die Produktion bleibt stabil, selbst bei plötzlichen Auftragsspitzen oder wenn Maschinen erste Anzeichen von Alterung zeigen. Laut jüngsten Branchentests an mehreren Standorten berichten Hersteller nach der Implementierung solcher Lösungen über rund 20 % weniger unerwartete Stillstände.
Computervision-Systeme überprüfen heute in vielen Fertigungsanlagen gestanzte Teile mit einer Geschwindigkeit von über 1.200 Stück pro Minute. Diese intelligenten Systeme erkennen nahezu alle Arten von Oberflächenfehlern an Komponenten – wie Risse, Grate und ungewöhnliche Abmessungen – mit einer Genauigkeit von nahezu 99,4 %; und dies direkt in der Produktionslinie, ohne dass der Prozess unterbrochen werden muss. Manuelle Prüfungen erforderten früher häufige Linienstopps zur Stichprobenentnahme; die neuen Inline-Verifikationsverfahren hingegen gewährleisten einen reibungslosen Betrieb ohne Unterbrechungen für Qualitätskontrollen. Praxisdaten zeigen, dass Fabriken, die diese Technologie einführen, die Inspektionsstillstandszeiten im Vergleich zu herkömmlichen Methoden um rund zwei Drittel senken können. Zudem entdecken diese automatisierten Systeme etwa 40 % mehr Fehler als Menschen bei ihren manuellen Inspektionen.
Die Erzielung einer nachhaltigen Betriebszeit erfordert einen schrittweisen Ansatz. Beginnen Sie zunächst klein mit sensorgestützten Pressen auf jenen besonders wichtigen Produktionslinien. Dadurch können wir testen, wie gut unsere Echtzeit-Störungserkennung funktioniert, und ein gutes Verständnis dafür gewinnen, wie normale Ausfallzeiten aussehen. Sobald wir mindestens einen Rückgang unerwarteter Stillstände um 35 % verzeichnen (was dem entspricht, was Branchenexperten typischerweise erwarten), ist der Zeitpunkt für die Erweiterung gekommen. Der nächste Schritt besteht darin, diese geschlossenen SPS-Regelkreise in sämtliche Zuführ- und Werkzeugsysteme zu integrieren, sodass alle Komponenten insgesamt besser reagieren. Danach folgt der Aufbau einer IIoT-Infrastruktur, die speziell für Betriebsabläufe konzipiert ist, bei denen die zeitliche Genauigkeit am wichtigsten ist. Und schließlich erfolgt die Einführung einer KI-gestützten Terminplanung im gesamten Werk, um bei höchster Nachfrage jede mögliche Leistungssteigerung auszuschöpfen. Diese schrittweise Einführung schützt vor erheblichen finanziellen Risiken und ermöglicht gleichzeitig einen stetigen Aufbau von Effizienzverbesserungen. Im Vollausbau sollte dies die Stückkosten um mehr als 40 % senken und die Ausschussquote dank unserer laufenden Inline-Bildverarbeitungsprüfung unter 0,1 % halten.
Beim automatisierten Metallstanzen werden Maschinen mit Sensoren und KI eingesetzt, um Metall durch Formen oder Schneiden unter Anwendung von Druck mit einem Stanzwerkzeug effizient zu verarbeiten.
Das IIoT verbessert das Metallstanzen, indem es Maschinen und Sensoren miteinander verbindet, um Echtzeitdaten über die Produktionslinie bereitzustellen und so vorausschauende Wartung sowie eine bessere Transparenz der Anlagenverfügbarkeit zu ermöglichen.
Das automatisierte Metallstanzen reduziert ungeplante Ausfallzeiten um bis zu 42 % und spart jährlich rund 200.000 bis 500.000 US-Dollar durch gesteigerte Effizienz, geringeren Ausschuss und weniger Notreparaturen.
EN
