Eine Expertin analysiert in der Leichtmetallgießerei des BMW Group Werks Landshut große Datenmengen mit Hilfe intelligenter Algorithmen.

In der Leichtmetallgießerei des BMW-Werks Landshut setzt der OEM auf vollumfängliche Datentransparenz bei den Prozessen. Bild: BMW

| von Götz Fuchslocher

Das Gießen ist bei der BMW Group ein Verfahren, das zunehmend von High-Tech bestimmt wird. In der Leichtmetallgießerei im Werk Landshut überwacht der OEM die hoch komplexe Fertigung seit kurzem mittels Business Intelligence, Predictive Analytics und KI – und analysiert mit Hilfe von Big Data alle Gießvorgänge in Echtzeit. Wie man bei BMW betont, können die Landshuter Gießerei-Spezialisten so nicht nur jederzeit eine vollumfängliche Datentransparenz sowie Datenvisualisierungen per Mausklick erzeugen, sondern auch Qualitätsvorhersagen treffen. Gleichzeitig erhöhe sich die Wirtschaftlichkeit.

4,3 Millionen Gusskomponenten pro Jahr

Zum Produktionsumfang zählen Motorkomponenten wie Zylinderköpfe und Kurbelgehäuse, Komponenten für elektrische Antriebe oder Strukturbauteile für die Fahrzeugkarosserie. Im vergangenen Jahr fertigte die Leichtmetallgießerei des BMW-Werks Landshut 4,3 Millionen Gusskomponenten mit einem Gesamtgewicht von 73.000 Tonnen. „Künstliche Intelligenz und smarte Datenanalysen bieten völlig neue Chancen, die weit über unsere bisherigen Analysemöglichkeiten hinausgehen. Wir können damit unsere Gießerei intelligent managen und riesige Datenmengen schnell und zuverlässig auswerten“, sagt Nelly Apfel, Referentin für Data Science in der BMW Group Leichtmetallgießerei Landshut. Dies sichere nicht nur die Premium-Qualität der Gussteile, sondern sorge für mehr Effizienz im gesamten Wertschöpfungsprozess. Darüber hinaus biete sich eine wichtige Entscheidungshilfe für Prozessverbesserungen.

Wie BMW mitteilt, sind Grundlage hierfür Daten aus verschiedenen Systemen, in denen tausende Material-, Zustands- und Prozessparameter für jeden Gießvorgang und jedes einzelne Bauteil hinterlegt sind. dazu zählen etwa Einflussfaktoren auf die formgebende Sandkerne, Parameter der einzelnen Gießanlagen bis hin zu den Anlagen für die anschließende Bearbeitung der Guss-Rohteile. Damit Ursachenanalysen (Root-Cause-Analysen) überhaupt durchgeführt werden können, bedarf es einer sauberen Datengrundlage. Dafür werden die Maschinen- und Prozessdaten mit Qualitätsdaten verknüpft und automatisiert so aufbereitet, dass sie in Echtzeit auswertbar sind. All diese verknüpften Daten werden dann mittels intelligenter Algorithmen analysiert und stehen den Gießerei-Experten unmittelbar in visualisierter Form zur Verfügung.

 Eine BMW-Mitarbeiterin analysiert in der Leichtmetallgießerei riesige Datenmengen mittels intelligenter Algorithmen.
Leichtmetallgießerei des BMW Group Werks Landshut: Data Scientist Nelly Apfel analysiert riesige Datenmengen mittels intelligenter Algorithmen – und trifft daraus entsprechende Ableitungen. Bild: BMW

Um eine stabile und konstante Produktion sicherzustellen, kommt eine Parameterwert-Überwachung zum Einsatz, die kontinuierlich die freigegebenen Parameter überprüft. Überdies lassen sich mittels Machine Learning wiederkehrende Muster oder Auffälligkeiten in den Gießprozessen erkennen sowie anhand eventueller Fehlerbilder mit sehr großer Genauigkeit Qualitätsvorhersagen treffen (Predictive Quality). So würden nicht nur die Produktionsverantwortlichen, sondern auch die Instandhalter profitieren. Eine ausgeprägte IT-Kompetenz ist für die Bedienung der intelligenten Datenlösung laut BMW nicht erforderlich: Diese sei per Web App einfach auf dem Tablet oder Smartphone nutzbar. BMW-Expertin Apfel und ihr Team arbeiten bereits an einer neuen KI- Anwendung im Bereich Deep Learning. Über ein Neuronales Netz werden dabei Bilder von Gussteilen bewertet und Qualitätsaussagen getroffen. Daraus werde automatisiert abgeleitet, ob und in welchem Umfang ein Gussteil weiter bearbeitet werden müsse. Ziel sei es, eventuell erforderliche Nacharbeitsschritte für Gussteile automatisiert zu erkennen.

Der Eintrag "freemium_overlay_form_apr" existiert leider nicht.