Innovation zum Greifen nah

Learning Lab Mainfranken

Learning Lab

Learning Labs stehen unter dem Motto „Miteinander Lernen“. In einer kreativen oder außergewöhnlichen Umgebung – etwa dem Labor einer Forschungseinrichtung - werden themenzentrierte Workshops durchgeführt. Das Kennenlernen von regionalen Best-Practice-Kooperationen soll dabei vor Ort zu weiteren Netzwerken führen und damit zu einem erhöhten Wissenstransfer beitragen.

"Wissenstransfer at its best"

Die Verknüpfung von Forschung und Anwendung gelingt mit den Netzwerkpartnern vor Ort - im Labor einer der zahlreichen Forschungseinrichtungen. Je nach Schwerpunktthema wird der passende Ort gewählt.

21.07.2022 PREDICTIVE MAINTENANCE @ KI-Now

Am 21.07.2022 waren die MaKoMA-Netzwerkpartner zu Gast bei der Fraunhofer IPA-Arbeitsgruppe KI-noW in Schweinfurt. Vor Ort diskutierten die Teilnehmenden den Ausführungen von den Projektbeteiligten Johannes Munk und Jonas Dumler. Nach den Präsentationen verschafften sich die Teilnehmenden einen eigenen Eindruck direkt an den Demonstratoren.

Künstliche Intelligenz (KI) für eine nachhaltig optimierte Wertschöpfung, kurz »KI-noW« – unter dieser Überschrift überführen Wissenschaftlerinnen und Wissenschaftler des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA neueste
Erkenntnisse und Ergebnisse der angewandten Forschung in die industrielle Praxis. Als Außenstelle der Fraunhofer-Projektgruppe Prozessinnovation in Bayreuth werden in Schweinfurt Lösungen für eine umfassende Vernetzung von Fabriken durch den Einsatz digitaler
Werkzeuge für die Industrie erarbeitet. Die Arbeitsgruppe »KInoW« ist Ansprechpartner für die Entwicklung durchgängiger
Szenarien in Unternehmen und zeigt auf, welchen Nutzen der Einsatz von KI für das produzierende Gewerbe hat und wie eine
Integration entsprechender Anwendungen erfolgen kann.

In einem gemeinsamen Use-Case mit dem Automobilzulieferer Brose wurde untersucht, wie fortschreitender Verschleiß von Werkzeugen bei der CNC-Fräsbearbeitung von Schmiedeteilen aus Stahl automatisch erkannt und prognostiziert werden kann. Ziel ist die Optimierung der Standzeit von Werkzeugen in der NC-Zerspanung. Die Herausforderung: Ein zu früh durchgeführter Werkzeugwechsel führt zu erhöhten Kosten, ein zu spät durchgeführter Wechsel kann Ausschuss verursachen und zu ungeplanten Stillständen führen. Die Lösung: Zur Ermittlung von Signalmustern, die auf einen Werkzeugverschleiß hindeuteten, wurde eine Anlage mit verschiedenen Sensoren nachvernetzt
und über mehrere Wochen hinweg umfassende Daten gesammelt. Durch die anschließende Datenanalyse und das Trainieren von Machine Learning-Modellen konnten geeignete Messstellen identifiziert und die Verschleißzustände aus den Daten extrahiert werden. Aufbauend auf diesen Ergebnissen ist die Implementierung eines Online-Monitoring-Systems zur Identifikation kritischer Verschleißzustände geplant.