Prozessoptimierung

Die Zahlen sind enorm: Etwa 14,2 Millionen Tonnen Kunststoffe haben deutsche Unternehmen im vergangenen Jahr verarbeitet, hat der Gesamtverband Kunststoffverarbeitende Industrie (GKV) ermittelt. Im Schnitt mussten sie je Kilogramm verarbeitetem Kunststoff 2,03 Kilowattstunden elektrischer und 0,61 Kilowattstunden thermischer Energie aufwenden. Um im internationalen Wettbewerb zu bestehen, gehört es für die kunststoffverarbeitende Industrie zu den dringenden Aufgaben, das Thema Effizienz in den Mittelpunkt zu rücken. Effizienz umfasst dabei die gesamte Produktionseinrichtung mit einer gezielten Optimierung der Prozesse und der Anlagen hinsichtlich minimaler Kosten, kurzer Stillstandzeiten oder eines geringen Ressourcen- und Energieverbrauchs. Herausfordernd für die Unternehmen in der Branche ist dabei die Tatsache, dass sogar zwischen verschiedenen Verarbeitungsverfahren in der Kunststoffverarbeitung unterschiedliche Schwerpunkte gesetzt werden müssen.

Daten machen Einsparpotenziale sichtbar

Damit das klappt, brauchen die kunststoffverarbeitenden Unternehmen Daten. Daten, die ihnen aufzeigen, welche Maschine wie viel Energie und Wärme verbraucht, wo Rohstoffe eingespart werden könnten, wie sich Umgebungsparameter wie Luftfeuchte, Temperatur oder elektrostatische Aufladung der Vorprodukte auf die Maschinen auswirken oder wie Arbeitsschritte und Prozesse verschlankt werden könnten. 
Transparenz schaffen Condition Monitoring und Predictive Maintenance – mithilfe von Sensoren werden Maschinen und Anlagen dauerhaft überwacht und dank des permanenten Datenstroms, der aus dem Prozess gewonnen und ausgewertet wird, untereinander verglichen und gebenchmarkt. Aus den Sensordaten wiederum lassen sich Verbesserungen für Maschinen, Anlage und gar ganze Prozesse ableiten. Produktionszeit- und Energieeinsparung von bis zu 30 Prozent sind dank rundum optimierter Prozesse möglich.

Mit der Prozessoptimierung die Digitalisierung vorantreiben

Aber auch Dienstleistungs- und Datenaufbereitungs-Apps unterstützen die kunststoffverarbeitenden Unternehmen bei der Qualitätssicherung und helfen, die Leistung der Anlagen optimal zu nutzen und so Ressourcen und Energie zu sparen. Neben der Verbesserung der Anlagen und deren Zusammenspiel steht auch Digitalisierung interner Unternehmensprozesse im Zentrum der Prozessoptimierung. Zu unterscheiden ist dabei zwischen der Implementierung einzelner sichtbarer digitaler Technologien wie fahrerloser Transportsysteme, Datenbrillen oder digitaler Assistenzsysteme sowie der umfassenden Vernetzung des Unternehmens durch nicht sichtbare Elemente wie erweiterte Software-Systeme beziehungsweise digitale Steuerungssysteme. Dies veranschaulicht eine aktuelle von der Hans-Böckler-Stiftung veröffentlichte Branchenanalyse des IMU-Instituts in Stuttgart: Gerade die umfassende Vernetzung im Sinne von cyber-physikalischen Systemen als Kernelement von Industrie 4.0 ermöglicht eine echtzeitdaten-basierte Analyse und Optimierung von Produktionsprozessen im Unternehmen. Dazu trägt der Einsatz von Enterprise-Resource-Planning-Systemen (ERP) oder Manufacturing Execution-Systemen (MES) bei. Großes Potenzial bieten aber auch Anwendungen wie die Überwachung und Bedienung der Maschinen und Anlagen über mobile Endgeräte, die vorbeugende Instandhaltung auf Basis der Zustandsüberwachung oder Big-Data-Analysen beziehungsweise künstliche Intelligenz (KI) zur Prozessoptimierung.

Innovative Anwendungen nutzen

Wie der Einsatz von KI, maschinellem Lernen und Big Data in der Kunststoffverarbeitung in der Praxis aussehen könnte, zeigt ein von einem Fraunhofer-Spin-off umgesetzter Anwendungsfall im Bereich des Spritzgießens: Hierbei wurde im Rahmen der Konsumgüterherstellung eine hochfrequente Big-Data-Infrastruktur inklusive Data-Mapping bei mehreren Spritzgießmaschinen in verschiedenen Schritten aufgebaut. Die Grundidee: Für den effizienten Betrieb von Spritzgießmaschinen ist es extrem wichtig, schnellstmöglich perfekt aufeinander abgestimmte Parametereinstellungen zu identifizieren, um das Maximum an Gutteilen in der bestmöglichen Zykluszeit zu erreichen. Allerdings sind vollautomatisierte Produktionsanlagen meist sehr komplex zu betreiben. Gerade für solche Produktionsanlagen entwickelte das Fraunhofer-Spin-off selbstlernende Softwaretools zur datenbasierten Analyse und Optimierung. Als Basis für das kontinuierlich wirkende System werden tausende Maschinenparameter jede Millisekunde erfasst und verarbeitet. Mittels maschinellen Lernens wird das Maschinenverhalten vieler gleicher oder ähnlicher Maschinen detailliert erlernt und werden anschließend automatisiert Optimierungsvorschläge für jede einzelne Maschine abgeleitet. Dies basiert im Hintergrund auf einer rein virtuellen idealen Maschine, die sich über die Zeit hinweg ebenfalls selbst verbessert. So entwickelt sich jede Maschine evolutionär in die Richtung dieser idealisiert perfekten Maschine.