Dr. Sebastian Richarz vom Entwicklungspartner und Serienlieferant der Automobil- und Zulieferindustrie SCHLOTE, berichtet anschließend über Fertigung von Getriebegehäuse mit Grenzwerten von 600µm (Feretmax). Um diese Grenzwerte einzuhalten, wurden bei SCHLOTE Analysen zur Partikelentstehung entlang der Prozesskette durchgeführt. So konnte die Partikelentstehung im Prozess gezielt analysiert und mit technischen Maßnahmen deutlich reduziert werden. Außerdem wurden zusätzliche Maßnahmen zur Reduzierung der Partikelentstehung am Rohteil sowie beim Transport/Imprägnieren und bei der Verpackung definiert.

Gelungen ist dies durch die enge Unterstützung der Experten von TU Dortmund. Sie ermöglichten eine systematische Analyse und die gezielte Ableitung von Maßnahmen.
Ein positiver Nebeneffekt sei zudem die verbesserte Kommunikation und engere Abstimmung mit den Kunden von SCHLOTE, auf Basis der durchgeführten Arbeiten.

Paul Knecht

Im letzten Vortrag beschäftigen wir uns mit künstlicher Intelligenz: Wie kann ein System zur Regelung sauberkeitssensibler Produktionssysteme unter Anwendung von Machine Learning aussehen? Das beantworten uns nun Dr. Sebastian Richarz, Teamleiter Technology Development bei SCHLOTE und Ronny Zwinkau, Oberingenieur Institut für Produktionssysteme (IPS) an der TU Dortmund.

MachineLearning macht vor allem in der Analyse der Partikelklassifikation Sinn, so Zwinkau.
Zu diesem Zweck hat er an der TU Dortmund ein webbasiertes Tool zur Analyse entwickelt. Diesem Tool liege Bilddateien aus der VDA 19 zu Grunde, auf deren Basis hochgeladene Analysebilder von Partikeln ausgewertet können. Als Resultat steht eine Wahrscheinlichkeit, wo und wie diese Partikel entstanden sein könnten. „Das Tool ist keine 100%-Analyse“, so Zwinkau. Es sei aber eine sehr hilfreiche Assistenz, welche kombiniert mit dem Prozessverständnis des Anwenders schneller zur Aufdeckung von Ursachen von Verschmutzungen führe.

Paul Knecht