Mit Big Data den Lackierprozess optimieren

“Bei einem unserer Kunden, einem Automobilhersteller, gab es immer wieder Schwierigkeiten bei der Montage: Vielfach passten die Teile oder das Spaltmaß nicht richtig. Aufwändiges Nacharbeiten war die Folge. Die Vermutung lag nahe, dass sich die Maße der Spalten und Fugen durch die Schichtdicke des Lacks so stark veränderten, dass bei der Montage die Sollwerte überschritten wurden”, erklärt Michaela Tiedemann, Chief of Marketing bei der Münchner Beratung. Eine zentrale Herausforderung bei Data-Science-Projekten ist es, eine solide Datengrundlage zu schaffen. In der Lackiererei des Autoherstellers wurde der Lack per Lackierroboteraufgetragen. Um eine Datengrundlage dieses Vorgangs zu erhalten, musste der gesamte Prozess in kleine Bestandteile zerlegt werden, so Tiedemann: “Die einzelnen Komponenten wurden anschließend auf ihre Eignung als Datenerhebungspunkte untersucht und z.T. mit Sensoren ausgestattet. Daraus ergaben sich Parameter, die in den Analyseprozess einbezogen wurden: Die pro Lackiervorgang verwendete Lackmenge, der pH-Wert des Lacks, der Druck beim Lackieren, die Trockentemperatur oder Daten über die Verweildauer an bestimmten Stationen.

Im Rahmen des Data-Science-Prozesses wurde dann ein Datenmodell erstellt, um den Lackierprozess optimieren zu können. Bei der Fertigung der Autokarosserie erfolgte eine Datenerhebung und Analyse auf drei Ebenen: Zunächst durch die Messung der Lackschichtdicke, zudem durch die Messung des Spalt- und Fugenmaßes und nicht zuletzt durch eine Lackfehler-Analyse auf Basis von optischen Bildanalysen. Mit Hilfe des Modells ließen sich die signifikanten Einflussparameter zur Prognose der optimalen Schichtdicke identifizieren. Diese wurden anschließend in Echtzeit visualisiert, so dass Zusammenhänge und Auffälligkeiten sofort identifiziert werden konnten. Der Vorteil: Schon während des Lackierens erfolgte eine Qualitätskontrolle in Echtzeit, Fehler wurden früher erkannt, Ursachen konnten sofort beseitigt und die Qualität des Ergebnisses somit signifikant gesteigert werden. Durch die vielen Fehlermessstationen konnten gleich mehrere, voneinander abweichende Fehlerbilder bestimmt werden. “Im Ergebnis war es möglich, die Fehlerintensität bauteilabhängig zu bestimmen und teilweise automatisiert zu reduzieren. Dies gelang insbesondere dadurch, dass in Echtzeit Handlungsempfehlungen vorlagen”, so Tiedemann. Der Algorithmus bestimmt jetzt die optimalen Sollwerte für den Karosseriebau und erstellt eine Prognose für die Lackdicke. Die bis dato oftmals notwendigen Nacharbeiten wurden auf diese Weise auf ein Minimum reduziert, während gleichzeitig die Qualität der Lackierung erhöht wurde.

Zum Netzwerken:
Alexander Thamm GmbH, München, Michaela Tiedemann, Tel +49 89 30760-880, contact@alexanderthamm.com, www.alexanderthamm.com