12.03.2025

Geballtes Wissen für hohe Produktivität

Customer Productivity as a Challenge für MAPAL und Kooperationspartner

Nutzen Unternehmen alle Daten, die bei der Zerspanung entstehen, so können sie damit rund zehn Prozent mehr Produktivität aus ihren Prozessen herausholen. Zu diesem Ergebnis kommt ein Projekt, in dem MAPAL zusammen mit Industriepartnern bislang verteiltes Wissen bündelte und als nutzbaren digitalen Mehrwertdienst zur Verfügung stellt.

Productivity as a Service als Teil des geförderten Großforschungsprojekts X-Forge

Im Rahmen des vom Land Baden-Württemberg geförderten Großforschungsprojekts X-Forge (Everything as a Service) ist Werkzeughersteller MAPAL Konsortialführer des Teilbereichs Productivity as a Service (ProdaaS). MAPAL kooperiert dazu mit dem Maschinenbauer F. Zimmermann und dem Messtechnikspezialisten Blum, um Kunden Lösungen aus einer Hand anbieten zu können. 

Als weiterer Projektpartner hat das Fraunhofer IPA die Aufgabe übernommen, das dahinterliegende Geschäftsmodell zwischen den Partnern zu vermitteln und eine Bewertung des Kundenmehrwerts zu bestimmen. Ein erstes Pilotprojekt wurde Mitte 2024 nach insgesamt dreijähriger Laufzeit abgeschlossen. Davon ausgehend soll das digitale Serviceangebot in den kommenden Jahren sukzessive erweitert werden.  

Zwei Mitarbeiter unterhalten sich über die Beschaffenheit verschiedener Werkzeuge, während im Hintergrund weitere Beschäftigte Einstellungen an Maschinen vornehmen.
Das Projekt „Productivity as a Service“ untersucht die Möglichkeiten, getrennte Prozess- und Produktionsdaten zu verknüpfen, und entwickelt mithilfe selbstlernender Algorithmen einen Dienst, der Fertigern bei zukünftigen Herausforderungen hilft.   ©MAPAL
Die Mitglieder des Arbeitskonsortiums überwachen Prozesse bereits durch viele Sensoren, die entsprechende Daten liefern. Allerdings bieten existierende Systeme nur eine eingeschränkte Sichtweise auf das Gesamtsystem aus Maschine, Werkzeug und Werkstück. Dem Anwender stehen zwar auf der Maschine hochkomplexe Expertensysteme zur Verfügung, doch sind diese einzelnen Bausteine nicht miteinander integriert. Sie zusammenzubringen ist in der Praxis kaum möglich. Entsprechend schwierig ist es, aufgetretene Probleme im Nachgang zu analysieren oder laufende Prozesse zu optimieren. 

Structured knowledge base for process planning

CAM process planning with tool selection, path planning and selection of process parameters provides considerable leverance for increasing productivity. While commissioning a component, further adjustment on the machine are most often necessary to arrive at an optimal result. Today, the planning dimension is largely decoupled from machining. Knowledge gained on the machine does not necessarily make its way to process planning. Insufficient feedback inhibits the learning effect and results in the machine operator having to start from scratch with each new drilling process. A structured knowledge base from practical application is simply missing in CAM process planning.

The project partners contribute various information to the “Productivity-as-a-Service” offer for stable and efficient machining processes. The assessment of the wear on the tools is relevant understanding under what conditions a bore, for example, was made. It also provides information about the current tool life and allows tool life prognoses. Blum extracts the corresponding data in a dedicated software service and makes it available. 
 

This measurement data is compared with a MAPAL knowledge database in a process analysis to check if the parameters set on the machine follow the manufacturer's specifications. At the same time, the status assessment of the machines from F. Zimmermann is incorporated, which provides information about the condition of the spindle. Finally, a higher-level software module links the various sources together and makes information available in a structured manner. In an error state analysis, the user can find a cause at a press of a button.

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