Forschung für den Mittelstand - Die IGF-Projektdatenbank

Ressourceneffizienz an flächenbildenden Textilmaschinen durch intelligente Sensordatenauswertung und prozessspezifische Wissensgenerierung am Beispiel der Rundstrickmaschine

Ressourceneffizienz an Maschinen der textilen Flächenbildung hat sich zu einem vielschichtigen und komplexen Thema entwickelt. Dies liegt an hohen Belastungen von Material und Maschinenteilen durch steigende Produktionsgeschwindigkeiten und hohe Anforderung an Produkten, die in vielen Branchen eingesetzt werden.

Die Kenntnis der Zusammenhänge zwischen Charakteristika der Eingangsmaterialien, Maschinenzustand, Abnutzungsgrad, Ressourcenverbrauch und Charakteristika der Ausgangsmaterialien ist Voraussetzung für ressourceneffiziente Produktionsprozesse. Diese Zusammenhänge können dann untersucht werden, wenn kontinuierlich Daten aus dem laufenden Produktionsprozess vorliegen und geeignet ausgewertet werden. Dies trifft insbesondere auf Rundstrickmaschinen zu, die im Projekt exemplarisch analysiert werden. Die Ergebnisse werden dann auf andere flächenbildende Verfahren übertragen.

Bereits heute liegen Betriebsdaten zum Strickprozess vor. Mittels geeigneter Sensoren werden im Projekt weitere Größen wie Energieaufnahme, Nadelbelastung, Wärmeentwicklung im Strickschloss, Fadenbelastung und Nadelölverbrauch gemessen erfasst und aufbereitet. Systematische Strickversuche, sowohl unter definierten Bedingungen als auch Langzeitversuche bei Unternehmen im realen Produktionsumfeld, liefern dann die notwendigen Datenmengen.

Mit Big Data Analytik und Maschinellem Lernen werden neue Zusammenhänge entdeckt und Kausalitäten zwischen Prozessparametern ermittelt. Die daraus resultierende datengetriebene Informationsgewinnung dient der Überprüfung von Hypothesen aus bekannten oder vermuteten Zusammenhängen, es werden aber auch neue Zusammenhänge entdeckt. Nur über eine solche weitreichende und tiefgreifende Informations- und Wissensgewinnung aus Daten lassen sich zukünftig Ressourcen effizienter nutzen. Damit wird Big Data Analytik im Sinne von Industrie 4.0 eingesetzt, um eine individuelle, flexible, wissensbasierte und ressourceneffiziente Produktion in KMUs zu ermöglichen.

Ergebniszusammenfassung:

Um datengetriebene Ressourceneffizienz von Textilmaschinen zu untersuchen, wurde eine Großrundstrickmaschine mit umfassender Messtechnik ausgestattet. Zu den Messgrößen gehören die klassischen Betriebsparameter in Form von Temperaturen, Leistungsaufnahme und Fadenkräfte an verschiedenen Stellen der fadenführenden Systeme. Außerdem wurde ein Beschleunigungssensor installiert, um auch den Körperschall als Kriterium einzubeziehen. Weiterhin wurde spezielle Messtechnik zur Messung der Kulierkräfte unmittelbar an der tribologisch kritischen Ort installiert. Die gebündelte Datenerfassung über ein Messsystem ermöglichte eine effiziente Erfassung und Verarbeitung der Daten.

In verschiedenen Messkampagnen wurden Szenarien zur Schmiermittelmenge und dem Nadelverschleiß gefahren, um Daten zur Anwendung von Machine-Learning Methoden zu generieren. In verschiedenen Versuchsreihen konnten dabei Korrelationen herausgearbeitet werden, auf dessen Grundlage prototypisch auch datengetriebene Modelle implementiert werden konnten. Machine-Learning Methoden wurden exemplarisch für den Verschleiß der Nadelfüße, für die Schmiermittelmenge und für die Modellierung von Messgrößen auf Basis von nicht-invasiver Sensorik entwickelt und demonstriert.

Auf Grundlage der Im Projekt gemachten Erfahrungen können Maschinenbauer und Sensoranbieter neue Services und Produkte entwickeln und anbieten. Da jede Textilmaschine, egal welcher Stufe der textilen Prozesskette, einen eigenen „Puls“ hat können die Ergebnisse nicht 1:1 übertragen werden. Aufstellort, -umgebung und Alter der Maschine, sowie das verarbeitete Material und die erzeugte Ware wirken auf die Daten. Die generellen Abhängigkeiten und daraus entwickelten Modelle sind jedoch allgemeingültig und die aufgezeigte Methodik kann generell angewandt werden. Der entwickelte Demonstrator ermöglicht einen niederschwelligen Einstieg in die Entwicklung datengetriebener Modelle und Machine-Learning Methoden im Hinblick auf Predictiv Maintainance.