Veröffentlichungen

[1] Kuhnle, A.; Kuttler, M.; Dümpelmann, M. & Lanza, G. (2017), „Intelligente Produktionsplanung und -steuerung“, wt Werkstattstechnik online, S. 625-629.

Abstract

Moderne Produktionstechnik liefert schon heute eine Vielzahl an Prozess- und Produktdaten. Diese werden häufig nur zur effizienten Steuerung von Maschinen verwendet. Weitergehende Ansätze des Advanced Analytics finden v.a. bei kleinen und mittleren Unternehmen (KMU) bisher kaum Anwendung. Dieser Beitrag zeigt auf und diskutiert generelle Einsatzmöglichkeiten und Potentiale von Advanced Analytics in Bezug auf ein effizientes Produktionsmanagement.
[2] Spohrer, A.; Leitold, L.; Straub, F.; Hillenbrand, J. & Fleischer, J. (2017), „Ressourceneffizienter Kugelgewindetrieb durch adaptive Schmierung“ in Reibung, Schmierung und Verschleiß - Forschung und praktische Anwendungen, Hrsg. Gesellschaft für Tribologie e.V., GfT, Aachen, S. 39-49. ISBN/ISSN: 978-3-9817451-2-2

Abstract

In der vorliegenden Veröffentlichung werden ausgewählte Ergebnisse aus dem Projekt „Ressourceneffizienter Kugelgewindetrieb durch adaptive Schmierung“ im SPP1551 der Deutschen Forschungsgemeinschaft (DFG) vorgestellt. Abgedichtete, verschleißbehaftete Konstruktionselemente wie Kugelgewindetriebe (KGT) sind aufgrund ihrer Bauart permanent der Gefahr einer Über- oder Unterschmierung ausgesetzt. Die derzeitige industrielle Praxis weist aufgrund manuell gewählter oder auf Einzelparametern (z.B. Zeit oder Temperatur) beruhenden Nachschmierintervallen eine Tendenz zur Überschmierung auf, was die erreichbare Komponentenlebensdauer reduziert. Eine am wbk entwickelte Methodik zur adaptiven und bedarfsgerechten Nachschmierung von KGT vergleicht auf Basis eines Soll-Ist-Abgleichs reale Werte von Reibmoment und Temperatur mit deren analytisch berechneten, idealen Soll-Werten. Beim Überschreiten der Soll-Grenze kann so automatisiert eine bedarfsgerechte Nachschmierung angestoßen werden, wodurch sich der KGT über den kompletten Lebenszyklus in einem verschleißminimierten Schmierzustand befindet.
[3] Kuhnle, A.; Jakubik, J. & Lanza, G. (2018), „Reinforcement learning for opportunistic maintenance optimization“, Production Engineering Research and Development , S. 1-9. https://doi.org/10.1007/s11740-018-0855-7

Abstract

Intelligent systems, that support the maintenance of production resources, offer real-time data-based approaches to optimize the maintenance effort and to reduce the usage of resources within production systems. However, unused potentials remain regarding maintenance schedules with minimal opportunity costs of the measures taken. This work provides a novel, machine-learning-based approach for the exploitation of these remaining optimization opportunities as an exemplary extension of the current state of the art. The determination of an optimal maintenance schedule for parallel working machines, is based on the data of a production system. The main result of this work is the performance of the implemented reinforcement learning algorithms, both in terms of downtime reduction, which increases the production output, and in terms of reducing maintenance costs compared to existing maintenance strategies. Hence, this work provides a holistic approach to the optimization of maintenance strategies and gives further evidence of a meaningful applicability of reinforcement learning algorithms in manufacturing processes.