Die Galvanotechnik steht vor der Herausforderung, sich auf Industrie 4.0 umzustellen, was aufgrund der Kombination mechanischer Anlagenkomponenten mit elektrochemischer Prozesstechnik besonders komplex ist. Im Vergleich zur hochautomatisierten mechanischen Fertigung besteht hier ein erheblicher Nachholbedarf in der Produktionsautomatisierung und der Umsetzung von Industrie 4.0 Konzepten. Dies bietet großes Potenzial zur Effizienzsteigerung und Kostensenkung.
Besonders anspruchsvoll ist die Prozessüberwachung des elektrochemischen Beschichtungsprozesses, da die komplexen Elektrolytzusammensetzungen oft nicht vollständig bekannt sind und technische Anlagen neben mechanischem Verschleiß auch starker Korrosion ausgesetzt sind. Erste Ansätze zur Digitalisierung mittels „Multi-Sensorik“-Systemen existieren bereits, doch Kunden – insbesondere aus der Automobilindustrie – fordern nachhaltigere, produktivere und zuverlässigere Lösungen auch in der Galvanotechnik.
Ziel des Projektes ist die Entwicklung eines Ansatzes zur vorausschauenden Wartung auf Basis einer zeitlich hochaufgelösten Leistungsmessung und der Verknüpfung von Daten aus dem Manufacturing Execution System (MES) für die Galvanotechnik. Galvanotechnische Beschichtungsprozesse sind gekennzeichnet durch eine Vielzahl von Arbeitsschritten, Prozessen und Anlagen sowie eingesetzten Materialien und Energieträgern. Mittels innovativer Data Mining Methoden soll der Aufwand zur Datenerfassung in der Industrie 4.0 auf eine einzelne Leistungsmessung reduziert werden, um Ansätze zur vorausschauenden Wartung kostengünstig sowohl für Bestands- als auch für Neuanlagen verfügbar zu machen. Der Einbezug der Steuerungsdaten aus dem MES in die Auswertung ermöglicht eine eindeutige Zuordnung von Effekten in dem zeitlich hochaufgelösten Leistungssignal, sodass eine einzelne Messung für zahlreiche Aggregate verwendet werden kann. Für den kontinuierlichen produktiven Einsatz wird der Ansatz in ein cyber-physisches System überführt. Der Einsatz künstlicher Intelligenz ermöglicht es komplexe selbstlernende Auswertealgorithmen zu entwickeln, welche sich einfach auf weitere Anlagen anwenden lassen.
