Auf einem Partnertreffen hat ELO Digital Office Details zur Version 20 der ECM-Suite ELO gegeben.
Ausgabe: IT&Production 2 (März) 2020
Switches IGA-1600T: Viel Ethernet auf engem Raum
Zur Vernetzung von Maschinen- und Anlagen via Ethernet hat Spectra den Ethernet Switch IGS-1600T vorgestellt.
Release 2020.1 der CAD/CAM-Suite HyperMill
Die CAD/CAM-Suite HyperMill ist in der Version 2020.1 verfügbar.
Automatische Materialversorgung mit Wiegesystem
Das neue Wiegesystem Orsymat WGT (WGT steht für Weight) von Würth Industrie Service ist eines von sechs Automatenmodellen für die automatisierte Versorgung mit Hilfs- und Betriebsmitteln in der Produktion und Instandhaltung.
Hart-Feldgeräte über Android konfigurieren
Softing Industrial bietet seit kurzem eine Lösung zur Konfiguration und Parametrierung von Hart-Feldgeräten in Android-Anwendungen an.
Neue RFID-Labels für Logistik und Identifizierung
Die Siemens AG hat ihre Ultrahochfrequenz (UHF)-Identifikationssysteme um zwei SmartLabels erweitert.
Eine Semantik für die branchenübergreifende Entwicklung
Vernetzte Produkte und Services entstehen am effizientesten in interdisziplinären Entwicklungsprojekten über Branchen und Disziplinen hinweg. Das Institut für Textiltechnik der RWTH Aachen bringt dazu Hardware-, Software- und Geschäftsmodelldesign über einen plattformbasierten Entwicklungsansatz zusammen.
Die intelligente Werkzeugmaschine
Eine der größten Herausforderungen in der Zerspanung sind selbsterregte Schwingungen, die zu einer schlechten Bearbeitungsqualität führen. Zur Vermeidung solcher Schwingungen werden Prozessstellgrößen meist konservativ gewählt und die maximal mögliche Produktivität daher nicht erreicht. Dies kann sich nun mit Hilfe von maschinellem Lernen (ML) ändern. Durch ML können Werkzeugmaschinen aus dem Fertigungsprozess lernen, welche Stellgrößen geeignet sind und diese autonom anpassen.
Um am Markt wettbewerbsfähig zu bleiben, müssen Fertiger hohe Qualitäts- und Produktivitätsanforderungen erfüllen. Die Wahl geeigneter Prozessstellgrößen, wie beispielsweise die Schnittgeschwindigkeit, benötigt ein hohes Maß an Expertenwissen sowie kosten- und zeitintensive Einfahrprozesse. Ändern sich die Prozessbedingungen, beispielsweise aufgrund thermischer Einflüsse oder Werkzeugverschleiß, sollten die Prozessstellgrößen neu angepasst werden. Nur so kann weiterhin eine möglichst hohe Produktivität gewährleistet werden. Eine prozessparallele, autonome Adaption ist bisher nur vereinzelt in einfachen Fällen, beispielsweise zur Anpassung des Vorschubs, möglich. Am Institut für Fertigungstechnik und Werkzeugmaschinen (IFW) in Hannover wird erforscht, wie Werkzeugmaschinen mit Hilfe von künstlicher Intelligenz lernen können, welche Parameter besonders geeignet sind und wie diese autonom an die aktuelle Prozesssituation anzupassen sind. Dafür werden sowohl Prozessinformationen aus Beschleunigungs- und Dehnungssensoren, wie auch eine prozessparallele Abtragssimulation zur Ermittlung der aktuellen Eingriffsbedingungen verwendet.
IT-Plattform für Data Science
Maschinelles Lernen, Künstliche Intelligenz und Data Science sind seit 2018 in der Unternehmenswelt angekommen. Das Bewusstsein und die Bereitschaft des Managements, auf die neuen Technologien zu bauen, ist deutlich erkennbar. Ganz klar, dazu führen nicht nur die immer konkreteren Anwendungsbeispiele, sondern vor allem die kontinuierlich sinkenden Preise für Rechenleistung und Speicherplatz. Nun, da der Wille nach Veränderung klar erkennbar ist, geht es um die tatsächliche Realisierung. Schnell zeigt sich: Wer Daten im Unternehmen als Kapital nutzen möchte, muss Menschen und Anwendungen zusammenbringen. Und das nicht nur in kleinen Stil. Erfolgreiche Unternehmen haben den Datenprozess demokratisiert und in die Breite gebracht. Es geht nicht darum einen Prozess durch maschinelles Lernen zu optimieren, sondern hunderte oder tausende davon. Die Grundlage dafür schafft eine unternehmensweite Data Science Plattform.
Microfactory mit Roboterzellen
Die Fertigungsindustrie ist geprägt von Weiterentwicklung: Immer komplexere, spezialisierte Hardware übernimmt zunehmend mehr Aufgaben im Fertigungsprozess. Doch dieser Hardware-First-Ansatz bringt auch Tücken mit sich. Dabei ist die Lösung ganz einfach: Bessere Software und simplere Maschinen, für mehr Effizienz.