Mit Ing. Madeleine Mickeleit und den Firmen GROB-Werke und Hufschmied Zerspanungssysteme. Stellvertretend mit Ralph Hufschmied (Geschäftsführer) und Emil Nigl (Digitalisierung & Product Sales Manager).

(Feedback hier > https://airtable.com/shrDht7jG3XSLxJOF)

In dieser Folge springen wir in die Welt der Werkzeugmaschinen und der zugehörigen Zerspanungswerkzeuge. Für diejenigen von euch die vom Kerngeschäft her nicht tagtäglich damit zu tun haben: Das Fräsen ist ein spanendes (also wo Späne beim abtragen entstehen) Fertigungsverfahren zur Herstellung von Werkstücken mit geometrisch bestimmter Gestalt (Beispiel Automotive – Konstruktion erstellt die Geometrie – dann werden diese Bauteile bspw. für die Rohkarosserie aus Stahl oder anderen Materialien hergestellt). Die Firma GROB hat als Kerngeschäft die Herstellung dieser Anlagen (Bearbeitungszentren) und Werkzeugmaschinen - die Firma Hufschmied entwickelt und fertigt die Werkzeuge, die in der Werkzeugmaschine dann zum Einsatz kommen. Mehr dazu erzählen die beiden in der Folge.

Use Case 1 | Weniger Stillstand und mehr Transparenz in der Produktion. Im Use Case 1 erläutert Emil, dass wenn am Wochenende im automatisierten Betrieb eine Maschine ausfällt, häufig stundenlange Stillstände die Folge sind. 

Eine IoT-basierte Überwachungslösung alarmiert den Bereitschaftsdienst rechtzeitig. Jede Senkung von Stillstandzeiten rechnet sich sofort für den Maschinenbetreiber. Angenommen, eine Stunde Bearbeitung kostet 100 Euro und die Betriebszeit ist 6.000 bis 7.000 Stunden pro Jahr und Maschine. Das Vermeiden von 10 Prozent Stillstandzeit würde pro Maschine mindestens 60.000 Euro im Jahr bringen. 

Zudem haben Unternehmen durch die Ermittlung von Maschinendaten zusätzliche Möglichkeiten zur Analyse ihrer Prozesse, etwa zur Verbesserung der Takt -und Anlieferungszeiten. Ein Beispiel aus der Praxis: Durch die Maschinendaten konnte GROB das Entgraten in seinen Maschinen verbessern. Ursprünglich sollte bei Neuentwicklungen auch das Entgraten automatisch im Inneren der Maschine geschehen. Datenanalysen zeigten allerdings, dass manuelles Entgraten außerhalb der Maschine deutlich bessere Ergebnisse erzeugt. 

Use Case 2 | Werkzeugabnutzung mit lernfähigen Verfahren ermitteln. Im Use Case 2 spricht Ralph über den Verschleiß von Werkzeugen in Zerspanungssystemen. Dieser wird von Maschinenbedienern meist nach einer subjektiven Einschätzung bewertet – nach Gehör. Mit akustischen Sensoren und Machine Learning lässt sich diese Einschätzung digitalisieren und damit objektivieren.

Durch die Verarbeitung aller Daten während des gesamten Herstellungsprozesses entsteht ein digitaler Zwilling nicht nur des Werkzeugs oder der Maschine, sondern des gesamten Bearbeitungszyklus. Dadurch lässt sich nachverfolgen, wie sich der Abnutzungsgrad des Werkzeuges Minute für Minute entwickelt. Die Software kann im richtigen Moment eingreifen und die Bediener zum Wechseln des Werkzeugs auffordern. Dadurch wird das Prozess Wissen der Mitarbeiter digitalisiert und vereinheitlicht. 

(Gastgeberin | https://www.linkedin.com/in/madeleine-mickeleit/)
(Interviewpartner | https://www.linkedin.com/in/emil-nigl-a3137576/ und https://www.linkedin.com/in/ralph-hufschmied-bb1573b6/)

Jetzt IoT Use Case auf LinkedIn folgen