Towards Nonstop Availability in Roll Forming through Digitalization

Abstract

With the progressive implementation of Industry 4.0, many established manufacturing processes are qualified to meet new market requirements such as shorter product life cycles, smaller batch sizes and increased flexibility. Due to complex adjustment tasks, roll forming requires long set-up and troubleshooting times. The recording of process characteristics gained by sensor networks contributes to an improved understanding of the process. The evaluation of monitored data using machine learning allows for faster error detection, which in turn reduces costs and increases overall equipment effectiveness as well as product quality.

In this paper, a single-step roll forming process is investigated. Deliberate misalignments of the roll forming stands are arranged in order to find correlations between process states and sensory data. In this context, force measurement and different torque measuring systems are compared regarding their applicability and accuracy in roll forming. Thereby, a correlation between profile cross section and monitored sensory data can be shown. In order to enable fast data evaluation a supervised machine-learning environment is set up. An ensemble of random subspace classifiers uses the proven correlations to predict the investigated misalignments. It can be shown that force data with a prediction rate of 92.6% are better suited than torque data for monitoring a single-step process. With these results, the software generates correction proposals that support the operator.

Abstract

Mit fortschreitender Implementierung von Industrie 4.0 werden viele etablierte Fertigungsprozesse hinsichtlich neuer Marktanforderungen wie kürzeren Produktlebenszyklen, kleineren Losgrößen und mehr Flexibilität optimiert. Aufgrund komplexer Einstellmöglichkeiten erfordert das Umformverfahren Walzprofilieren vergleichsweise lange Rüst- und Fehlerbehebungszeiten. Die Erfassung der mittels Sensorik gewonnenen Prozesseigenschaften trägt zu einem besseren Verständnis des Prozesses bei. Die Analyse der gewonnenen Daten mithilfe von maschinellem Lernen ermöglicht eine schnellere Fehlererkennung, was wiederum die Gesamtanlageneffektivität sowie die Produktqualität erhöht und demzufolge die Kosten senkt. In diesem Artikel wird ein einstufiger Walzprofilierprozess untersucht. Um Korrelationen zwischen Prozesszuständen und Sensordaten zu ermitteln, werden bewusst Fehlstellungen an den Walzprofiliergerüsten eingebracht. In diesem Rahmen werden sowohl Kraft- als auch verschiedene Drehmomentsensoren hinsichtlich ihrer Anwendbarkeit und Genauigkeit beim Walzprofilieren verglichen. Anhand der Ergebnisse kann ebenfalls ein Zusammenhang zwischen Profilquerschnitt und Prozessdaten hergestellt werden. Um eine schnelle Datenauswertung zu ermöglichen, wird eine überwachte Maschinenlernumgebung eingerichtet. Ein „random subspace“-Ensemble nutzt die bestehenden Korrelationen, um die untersuchten Fehlausrichtungen vorherzusagen. Kraftmessdaten erzielen eine Vorhersagequote von 92,6 % und eignen sich damit besser als Drehmomente zur Überwachung des untersuchten Profilierprozesses. Auf Basis dieser Ergebnisse unterstützt die Software Bedienende mit Korrekturvorschlägen.