Optimierung einer Thermoformmaschine mit Advanced Analytics

Plastikkomponenten werden in in zahlreichen Produkten und Maschinen in verschiedenen Branchen verwendet. Viele Hersteller benutzen Thermoformverfahren, um Kunststoffe zu formen und die geplanten Komponenten herzustellen.

Ein unserer Kunden, ein internationaler Hersteller von Plastikkomponenten für Haushaltsgeräte verwendet Vakuum Thermoformverfahren für seine Produkte. Die Thermoformmaschine hat im Betrieb folgende Schritte:

  1. Einsetzen der Plastikfolie
  2. Vorheizen der Folie im Ofen
  3. Erhitzen der Folie im Hauptofen
  4. Formen der Folie mit negativem Vakuumdruck
  5. Dieser entsteht zwischen Form und Folie
  6. Abkühlen des geformten Kunststoffes
  7. Entfernen des Überschusses mit einer Schnittanlage

Herausforderung

Obwohl die Thermoformmaschine bereits mehrfach umgerüstet wurde, war deren Technologie veraltet. Zusätzlich handelt es sich um einen hochkomplexen Prozess der von zahlreichen Faktoren beeinflusst wird. Unter anderem: Die Qualität des Rohmaterials, Folientemperatur während des Prozesses, Vakuumdruck, Ofentemperatur, Temperatur und Feuchtigkeit in der Fabrik.

In der Praxis müssen hochqualifizierte Maschinisten die Kontrollvariablen des Prozesses anpassen. Dennoch ist dieser Prozess, aufgrund der hohen Anzahl an Variablen sowie der dynamischen Natur des Prozesses und des Betriebsumfelds, nicht optimal. Dies kann in vielen Fällen zu einem hohen Aufkommen von Produktionsabfällen führen, welche wiederum hohe Kosten verursachen.

Der Kunde wollte folgende Ziele erreichen:

  • Verbesserung der Gesamtanlageneffizient (OEE) durch die Reduktion von Produktionsabfällen
  • Reduktion des Energieverbrauchs

Vorgehen

Für dieses Projekt arbeitet das Team von niologic eng mit NEONEX zusammen. Gemeinsam konnten wir eine Verbingung zu den PLCs herstellen und so Daten von Sensoren und Aktoren sammeln. Diese Daten wurden kontextualisiert und anschließend in eine Cloud Plattform übertragen. Für die Analyse wurden historische Daten von rund 600 Parametern über einen Zeitraum von vier Monaten gesammelt. Abschließend wurden über eine Milliarde Datenreihen gesammelt, sortiert und im Big Query Data Warehouse der Google Cloud Platform (GCP) gelagert.

Wir führten korrelative Analysen und mehrere fortgeschrittene Techniken, wie eine Hauptkomponentenanalyse (PCA) durch, um kritische Prozessparameter zu identifizieren. Des Weiteren entwickelte unser Team ein Machine Learning Modell basierend auf einem Zeitreihenalgorithmus mit neuronalem Netzwerk zur Vorhersage der Rate von Produktionsabfällen mit einem Set aus diversen Parametern. Abschließend wurde ein Optimierungsalgorithmus zur Identifikation der optimalen Parameter für verschiedene betriebliche und umgebungsbedingte Faktoren implementiert.

Projektergebnis und Kundennutzen

Der Kunde hat nun ein besseres Verständnis über die Daten seines Thermoformprozesses und die Auswirkungen der verschiedenen Parameter auf das Endprodukt. Die Ingenieure und Bediener nutzen nun das entwickelte Modell, um sowohl die Betriebsparameter als auch die Umgebungsbedingungen in der Produktionshalle zu optimieren. Auf diese Weise konnten sie die Ausschussrate um vier absolute Prozentpunkte senken und die OEE sowie den Energieverbrauch verbessern. Durch die Identifizierung der maßgeblichen Parameter und die Verringerung der Komplexität wurde außerdem die Lernkurve der neuen Bediener verbessert, so dass sie schneller geschult werden können als zuvor.