In einem innovativen Proof-of-Concept-Projekt hat die RISC Software GmbH eine Lösung zur automatisierten Erkennung des Düsenverschleißes im Brennschneidprozess für framag Industrieanlagenbau GmbH entwickelt.
Der Brennschneidprozess ist ein thermisches Trennverfahren, das zum Schneiden von Metallen verwendet wird. Mithilfe von Düsen wird der Sauerstoffstrahl präzise geführt und das Brenngas gleichmäßig gemischt. Die framag verwendet den Brennschneideprozess, um in der Stahlindustrie Materialien effizient und präzise zu trennen.
Ziel des Projekts war es, herauszufinden, ob sich der Zustand der Düsen – insbesondere der Verschleiß durch Ablagerungen – anhand von Schallemissionsdaten erfassen und analysieren lässt. Diese Daten, die während des Schneidprozesses aufgezeichnet wurden, sollten Aufschluss darüber geben, ob eine Unterscheidung zwischen neuen und verschlissenen Düsen möglich ist.
Um eine effiziente und präzise Analyse zu gewährleisten, war ein zentraler Aspekt des Projekts die Überführung der Rohdaten des Schallemissionssensors in ein Industriestandard-Format. Diese Sensordaten agieren als Indikator, um die Unterschiede im Verhalten der Düsen – ein Hauptindikator für ihren Zustand – besser zu verstehen. Diese Daten wurden während eines an die Produktion angelehnten Prozesses erhoben. Nach der Datenaufbereitung wurde die spektrale Analyse eingesetzt, um Muster aufzudecken, die auf den Düsenverschleiß hindeuteten.
Die Ergebnisse sind vielversprechend. Es zeigte sich, dass die Schallemissionsdaten tatsächlich wertvolle Informationen über den Zustand der Düsen liefern. Primär konnte erkannt werden, dass sich der Verschleiß in den Daten widerspiegelt, was den Grundstein für eine mögliche Automatisierung der Verschleißerkennung legt. Allerdings brachte das Projekt auch einige Herausforderungen ans Licht. So zeigte sich, dass die eingeschränkte Vielfalt der Düsen eine Herausforderung darstellt, was in zukünftigen Projekten eine erweiterte Datenbasis notwendig macht.
Dennoch war der Proof-of-Concept ein wichtiger Schritt in Richtung einer optimierten, datenbasierten Überwachung des Brennschneidprozesses. Die Erkenntnisse, die durch die RISC Software gewonnen werden konnte, bilden die Grundlage für weitere Initiativen, indem die Modelle weiterentwickelt und mit mehr Daten verifiziert werden sollen. Langfristig könnte diese Lösung die Effizienz und Präzision des Brennschneidens erheblich steigern, indem Wartungen gezielt und proaktiv durchgeführt werden können.
Mit diesem Projekt konnte gezeigt werden, dass innovative Technologien wie Schallemissionssensorik und maschinelle Lernverfahren das Potenzial haben, Prozesse in der industriellen Fertigung intelligenter und effizienter zu machen.
Data Scientist
