12.03.2025

Pooling knowledge for higher productivity

Customer Productivity as a Challenge for MAPAL and cooperation partners

By harnessing all the data created during machining, companies make their processes around ten percent more productive. This was the result of a project where MAPAL together with industry partners pooled previously distributed knowledge and made it available as a digital value-added service. 

Productivity as a service as part of the funded large-scale research project X-Forge

Within the framework of the major research project X-Forge (Everything as a Service) funded by the state of Baden-Württemberg, tool manufacturer MAPAL was the consortium leader of the Productivity as a Service (ProdaaS) area. MAPAL was cooperating with the machine manufacturer F. Zimmermann and the measurement technology specialist Blum to be able to offer customers solutions from a single source. 

As an further project partner, Fraunhofer IPA had set out to facilitate the underlying business model between the partners and to assess the value added for the customers. An first pilot project came to an end in mid-2024 after a total of three years. Based on this, the digital service offering is to be continuously expanded over the coming years. 
 

Two employees discuss the properties of various tools while other employees make adjustments to machines in the background.
The “Productivity as a Service” project is investigating the possibilities of linking separate process and production data and using self-learning algorithms to develop a service that will help manufacturers with future challenges.   ©MAPAL
The members of the working consortium already monitor processes with many sensors that deliver the corresponding data. However, existing systems only offer a limited view of the entire system of machines, tools and workpieces. While highly complex expert systems are available to the users on the machine, these individual components do not interact with one another. In reality, it’s hardly feasible to bring them together. If problems occur, it is accordingly difficult to analyse them afterwards ode to optimise ongoing processes.

Structured knowledge base for process planning

Eine CAM-Prozessplanung mit Werkzeugselektion, Bahnplanung und Wahl von Prozessparametern ist ein wesentlicher Hebel zur Produktivitätssteigerung. Beim Einfahren eines Bauteils ist anschließend auf der Maschine aber meist weitere Justage erforderlich, um zu optimalen Ergebnissen zu kommen. Heute ist der Bereich der Planung stark abgekoppelt von der Zerspanung. An der Maschine gewonnene Erkenntnisse fließen nicht automatisch zurück an die Prozessplanung. Das unzureichende Feedback hemmt Lerneffekte und sorgt dafür, dass der Maschinenbediener beim nächsten geplanten Bohrprozess wieder von vorne anfängt. Der CAM-Prozessplanung fehlt schlichtweg eine strukturierte Wissensbasis aus der praktischen Anwendung. 

Zum “Productivity-as-a-Service”-Angebot für stabile und effiziente Zerspanungsprozesse steuern die Projektpartner unterschiedliche Informationen bei. Die Verschleißzustandsbewertung der Werkzeuge ist relevant, um zu verstehen, in welchem Zustand zum Beispiel eine Bohrung entstanden ist. Sie liefert auch Informationen über die aktuelle Standzeit des Werkzeuges und erlaubt Standzeitprogosen. Blum extrahiert die entsprechenden Daten in einen dedizierten Softwareservice und macht sie so nutzbar.  

Diese Messdaten werden mit einer Wissensdatenbank von MAPAL verglichen, um in einer Prozessbewertung zu prüfen, ob die auf der Maschine eingestellten Parameter sich mit den Vorgaben des Herstellers decken. Parallel dazu fließt von F. Zimmermann die Zustandsbewertung der Maschine mit ein und liefert etwa Informationen über den Spindelzustand. Ein übergeordneter Softwarebaustein bringt die verschiedenen Quellen schließlich in Zusammenhang miteinander und stellt Informationen strukturiert zur Verfügung. Bei Fehlzustandsbewertungen kann der Anwender auf Knopfdruck die Ursachen ermitteln. 

Pilotprojekt Tool Performance Optimizer

Beim Pilotprojekt, das bei Karl Walter Formenbau stattfand, ging es um einen Tool Performance Optimizer. Dem Anwender ist es damit gelungen, die Einstellung der Prozessparameter für das Bohren bei Abweichungen zu korrigieren, um Stillstandzeiten durch Bruch oder ungeplante Werkzeugwechsel zu reduzieren.  

Weiterhin ist mit der Datenbank die Möglichkeit gegeben, auch bereits in der Planung für neue, bisher unbekannte Anwendungen mit Hilfe von Ähnlichkeitssuche auf strukturierte, methodisch gesammelte und bewertete Erfahrungen aus der Vergangenheit aufzubauen. Der Tool Performance Optimizer soll über zwei Absatzkanäle vermarktet werden. Neben dem klassischen Lösungsgeschäft mit einem Angebot aus einer Hand wird er auch auf einer großen Plattform zu finden sein, die als Datenökosystem auf Gaia-X basiert. 

Ziel des nächsten Entwicklungsschrittes ist es, auftretende Abweichungen in einem Assistenzsystem zu erfassen und den Anwender gleich während des Betriebs mit einem Ampelsystem zu warnen. Für die kommenden Jahre sind noch selbstlernende Services für autonome Parameteroptimierung und Intelligente CAM-Prozessplanung vorgesehen. Schließlich soll ab 2029 auch eine durchgehende Automatisierung von der Zeichnung bis zum fertigen Bauteil möglich werden. 


Portrait MAPAL Redakteur Ostertag Mathias

Kontakt

Mathias Ostertag Public Relations mathias.ostertag@mapal.com Tel.: +49 7361 585 3566


Weitere Artikel aus dem Bereich Technologie