Entwicklung einer neuartigen intelligenten Fettpresse zur Verbesserung manueller Schmiervorgänge und des Schmiermittelmanagements und der dazugehörigen Cloud-basierten Softwarelösung mit Implementierung von Smart Maintenance Algorithmen

Branche
Dosiertechnik

Leistungen
Skalierbare Maintenance-DB
Machine Learning
Decision Support
Predictive Maintenance
Software Demonstrator
Cloud Backend

Quick Facts

2
Laufzeit des FuE-Pojekts in Jahren
3
Anzahl Forschungspartner
97,9 %
Präzision K-Nearest Neighbors
10
Mitarbeitende im Projekt

Die Herausforderung

In der Wartung großer Industrieanlagen ist es Stand der Technik, Schmiermengen automatisch und präzise zu dosieren, Schmierprozesse im Rahmen von Smart Maintenance zu planen und rechtskonform zu dokumentieren. Im Gegensatz dazu erfolgt die Schmierung in Werkstattbetrieben nach wie vor manuell, basierend auf Augenmass und starren Schmierplänen.

Dieser Forschungsansatz zielt darauf ab, diese Kluft zu überbrücken. Ein intelligentes Schmiersystem wird entwickelt, das über NB-IoT mit einer Smart-Maintenance-Cloud verbunden ist. Dadurch sollen zeitgemäße Schmierverfahren in der Breite verfügbar gemacht werden.


Die Lösung

Analyse und Systemdesign
• Analyse fachlicher und technischer Anforderungen unter Berücksichtigung von Datenschutz und IT-Sicherheit. • Design eines verteilten und skalierbaren Gesamtsystems und des Zusammenspiels der beteiligten Komponenten. Auswahl und Evaluierung geeigneter Technologien, Programmiersprachen, Standards und Frameworks.
Entwicklung einer cloudbasierten IoT-Plattform + Milvus
Es wurde eine maßgeschneiderte cloudbasierte IoT-Plattform mit erweiterter Sicherheitsarchitektur entwickelt, REST-APIs für die Kommunikation der IoT-Komponenten desingt und entwickelt und ein skalierbares Framework für Machine Learning, Predictive Maintenance und Decision Support aufgebaut. Das User Interface wurde nach modernsten UI/UX-Standards umgesetzt.
Machine Learning und Smart Maintenance
Zur Entwicklung eines Machine Learning Algorithmus für die Entscheidungsunterstützung für Predictive Maintenance wurden die annotierten Daten aufgearbeitet, die Datenqualität evaluiert und mit Normalisierung, Standardisierung, Feature-Selection und weiteren Transformationsmethoden experimentiert. Nach Ermittelung der Baseline wurden die verschiedene Algorithmen implementiert und hinsichtlich Präzision und Performance gegenüber den Testdaten bewertet.

Verwendete Technologien

Über die Forschungspartner

Mit über 2.500 Studierenden aus rund 80 Nationen, mehr als 120 Partnerhochschulen und einem der größten Alumni-Netzwerke Europas gehört die ESB Business School der Hochschule Reutlingen zu den führenden Fakultäten für internationale BWL und Wirtschaftsingenieurwesen. Mit ihren erfolgreichen Doppelabschlussprogrammen setzte sie schon früh internationale Akzente in der Ausbildung von Führungskräften. Seit 2019 ist die ESB Business School akkreditiert durch die Association to Advance Collegiate Schools of Business (AACSB), der weltweit größten Akkreditierungsorganisation.

Die Axiss Achsen- und Dosiersysteme GmbH aus Keltern ist ein mittelständisches Unternehmen mit langjähriger Erfahrung und entwickelt Dosiersysteme für verschiedene Anwendungen mit materialspezifischer Anpassung, höchster Dosiergenauigkeit und einfacher Integration, Bedienung und Wartung.

Forschungsprogramm

Gefördert durch: Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages


Sie haben Fragen? Wir helfen Ihnen gerne weiter!

Sie haben ein Projekt, über das Sie gerne mit uns sprechen würden? Gerne können Sie uns jederzeit kontaktierten. Wir freuen uns sehr darauf, Sie kennenzulernen!

Marc Ponschab
Marc Ponschab Head of Technology Lab / R&D