Deneyim teknoloji ile buluşuyor: Weinheim’daki Simmerring® üretimi, yapay zeka üzerine bir araştırma projesine ev sahipliği yapıyor.
Kompakt
Weinheim’daki Simmerring® üretiminde yapay zeka (AI) kullanarak endüstriyel süreçleri iyileştirmeye yönelik bir araştırma projesi yürütülüyor.
Proje, enjeksiyon kalıplı elastomer bileşenlerin kalite özelliklerini tahmin etmek ve üretim süreçlerini optimize etmek için yapay zekayı kullanmayı amaçlamaktadır. Odak noktası, ıskartaları azaltmak ve verimliliği artırmaktır.
Geleneksel yapay zeka yaklaşımları büyük miktarda veri gerektirir. Ancak burada kullanılan yöntem, gerekli eğitim verilerini ve geliştirme sürelerini azaltmak için fiziksel korelasyonları ve meslektaşların uzmanlığını bir araya getirmektedir.
Araştırma, bilgiyi mümkün olduğunca çok sayıda ürüne aktarmak ve aynı zamanda ürün kalitesini sağlamak için çeşitli makine türlerine ve ürünlere genişletilmiştir.
Das Projekt hat zudem die Zusammenarbeit mit anderen Freudenberg-Standorten, darunter Kufstein und Freudenberg Home and Cleaning Solutions in Italien, initiiert, um KI-Lösungen zu übertragen und zu skalieren.
Alexander Olbrich yıllardır endüstriyel süreçlerin yapay zeka (AI) yardımıyla nasıl iyileştirilebileceği üzerinde çalışıyor. Alman Kauçuk Teknolojisi Enstitüsü’nde doktora öğrencisi olarak Freudenberg Teknoloji İnovasyonu (FTI) kurumsal fonksiyonu için çalışıyor. Tezinin bir parçası olarak teknik merkezde çok sayıda deney gerçekleştirdi. “Amacım elde ettiğim sonuçları belirli Freudenberg ürünlerine aktarmaktı. Süreçler hakkında sağlam bir anlayış kazanmak için sahada olmak benim için özellikle önemliydi. Üretim sürecini ayrıntılı olarak tanımak ve her gün sistemler üzerinde çalışan ve derinlemesine pratik bilgiye sahip deneyimli meslektaşlarımla yakın diyalog kurmak istedim.” Yaklaşık bir yıl önce operasyon merkezini geçici olarak Weinheim’daki Simmerring® üretim tesisine taşımasının nedenlerini bu şekilde açıklıyor.
Weinheim’daki Dynamic Sealing bölümünün Operasyon Müdürü Sarang Etemadi bu projeyi destekledi. “Bunu yapay zeka herkesin dilinde olduğu için değil, yapay zekanın ekonomik bir potansiyele sahip olmasını beklediğimiz için yapıyoruz. Yapay zeka üretimde çalışanlarımıza yardımcı olmalı. Bu düşünceyle, Alexander Olbrich’e yapay zeka araştırma projesinin bir parçası olarak inovasyon için bir platform sunmaktan mutluluk duyduk. Bu, süreçlerimizin çeşitliliğine ve karmaşıklığına daha iyi hakim olmamıza yardımcı olan bir kazan-kazan durumu.”
Özellikleri tahmin edin, süreçleri optimize edin
Enjeksiyon kalıplı elastomer bileşenlerin kalite özellikleri yapay zeka yardımıyla nasıl tahmin edilebilir? Ve üretim süreci yapay zeka modellerine dayalı olarak nasıl optimize edilebilir? Olbrich için odak noktası özellikle iki konuydu: birincisi, ıskartaları azaltmak ve ikincisi, optimize edilmiş döngü süreleri yoluyla verimliliği artırmak.
Iskarta sorununu tanımlamak için “viskozite bozuklukları” terimini kullanmaktadır. Tek tek karıştırma partilerindeki hafif dalgalanmalar ve değişen ortam koşulları bile enjeksiyon kalıplama sırasında malzemenin akış davranışını etkiler. Bu da kalıp boşluklarının eksik veya fazla dolmasına yol açabilir. Sonuç: ıskartalar. Bu tür malzeme israfı üretim maliyetlerini artırır.
Diğer ıskarta türleri de verimliliği sınırlayan proses değişkenleriyle doğrudan bağlantılıdır. Örneğin, az çapraz bağlanmış bileşenlerde kabarcıklar veya yolluk kusurları olabilir. Bu durum, ulaşılabilir döngü süreleri ile ıskarta oranları arasında karmaşık bir hedef değerler çatışmasına yol açar. Sonuçta ortaya çıkan optimum çalışma noktası da parti ve çevresel dalgalanmalar nedeniyle değişebilir.
“Buradaki fikir, bu dalgalanmaların etkisini hesaplamak ve buna dayanarak optimum bir sıcaklıkta optimum bir vulkanizasyon ve döngü süresi belirlemektir” diye açıklıyor. Kalıp kirlenmesi de gereksiz üretim israfına neden olabilir – Olbrich bu nedenle araştırmasında bunu da dikkate almıştır.
Soldan sağa: Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Bilgi aktarımı
Geleneksel yapay zeka yaklaşımları, makine öğrenimini kullanarak çözüm uzmanlıklarını oluşturmak için büyük miktarda anlamlı veri gerektirir. Bu, çok sayıda ürün çeşidi ve farklı üreticilerin farklı yaşlardaki makineleri nedeniyle üretim ortamında genellikle mevcut olmayan bir başlangıç durumudur. Süreci modellerken bu sorunun çözümü, fiziksel korelasyonları ve sahadaki uzmanların uzmanlığını dikkate almaktır.
Bu Olbrich’in yaklaşımını belirledi: Test planlarını çalıştırmak, verileri okumak ve değerlendirmek, ardından tahmin gücüne sahip makine öğrenimi modelleri geliştirmek ve son olarak hataları düzelten ve süreci optimize eden kontrol algoritmalarını uygulamak. Olbrich, “Ayarlayıcıların deneyimini ve proses mühendisliğindeki meslektaşlarımızın uzmanlığını birleştirmek, gerekli eğitim verilerini ve ilgili geliştirme sürelerini önemli ölçüde azaltmak için çok önemliydi” diyor. Başlangıçta tek bir makinede ve tek bir ürünle başlayan bu süreç, daha sonra Weinheim Simmerring üretiminin çeşitli makine tiplerine ve ürünlerine genişletildi. “Tesisteki çok çeşitli varyantlar göz önüne alındığında, amaç bilgiyi mümkün olduğunca çok sayıda ürüne aktarmaktır” diye açıklıyor.
Artan verimliliğin bir sonucu olarak ürün kalitesinin düşmemesi gerektiğinden, test tezgahı testleri, proses ayarlamalarından sonra istenen özelliklerin hala mevcut olup olmadığını gösterir. Olbrich şunları vurguluyor: “Nihai ürünlerin kalitesi en yüksek önceliğe sahiptir. Gelecekte kullanılabilirliği sağlamak için, optimize edilmiş ürünlerin işlevselliğini eleştirel bir şekilde test etmek amacıyla ürün geliştirmeden meslektaşları yakından dahil etmek önemlidir.”
Olbrich’in araştırması, makinelerin bir sorun olduğunda bunu fark etmek ve süreci optimize edecek adımları derhal başlatmak için yapay zekayı kullanabileceği fikrine dayanıyor. Alternatif olarak yapay zeka, süreç ayarlamaları için önerilerle çalışanları destekliyor. Hem o hem de Etemadi bir şeyi açıkça belirtiyor: Yapay zeka her derde deva değil, bir yardımcıdır. Etemadi şöyle diyor: “Yapay zeka şeffaflık yaratabilir, aksi takdirde fark edilmesi neredeyse imkansız olan hataları ve dalgalanmaları görünür hale getirebilir. Ancak uzmanlıkları ve deneyimleriyle insanlarımız son derece önemli olmaya devam ediyor.” Şöyle ekliyor: “Süreçlerimiz çok fazla veri üretiyor. Bunların analiz edilmesi gerekiyor. Üretim Yürütme Sistemimiz (MES) ile birlikte yapay zeka, süreçlerimizi optimize etmek için bu değerlendirmeyi önemli ölçüde destekleyebilir. Alexander Olbrich’in araştırma çalışması bunun işe yaradığını kanıtlıyor.”
Birlikte İnovasyon – Kufstein ile de
Olbrich’in doktora tezi de onu Kufstein’daki Lead Centre Integrated Molded Components tesisine götürdü. “Kufstein’da solenoid valfler için devirme armatürlerinin üretiminde ıskartaları azaltmaya ve döngü sürelerini optimize etmeye odaklandım. Avusturyalı meslektaşlarım etkileyici bir teknolojik seviyedeler ve çalışmam için en iyi başlangıç koşullarını sağlayabildiler” diye açıklıyor. İki kullanım alanının benzerliği, tesisler arasında birçok olumlu sinerjiye olanak sağlıyor. Özel Sızdırmazlık Ürünleri Bölümü’nden dijitalleştirme uzmanlarıyla yapılan ortak işbirliği sayesinde, geliştirilen çözümler ilk demonstratör uygulamalara aktarılabildi. Olbrich’in çalışması aynı zamanda iki lider merkez arasındaki alışverişi de başlattı: FST içinde ölçeklendirilebilecek, yani geniş bir temelde kullanılabilecek yapay zeka kullanımı için standartları ve gerekli çerçeve koşullarını bulmak. Etemadi, “Bu Birlikte İnovasyondur” diye özetliyor.
Freudenberg’de bu durum FST’nin ötesinde de işliyor. Olbrich, “İtalya’daki Freudenberg Ev ve Temizlik Çözümleri ile ortak bir proje için, Weinheim ve Kufstein’da FST ile geliştirilen çözümleri – değiştirilmiş bir biçimde – termoplastiklerin enjeksiyon kalıplamasına aktarabildik ve bunları bir pilot sürece aktarabildik” diyor. Sırada ABD’de Freudenberg Medical’de yurtdışında kalmak var. Ve “arada” bir noktada, projelerini ve bulgularını bir doktora tezi olarak yazması gerekecek – tabii ki yapay zeka desteği olmadan.
