| Steckbrief | |
|---|---|
| Firma | Laserline GmbH |
| Produkte & Dienstleistungen | Industrie-Laser |
| Business Model Canvas | Schlüsselaktivitäten |
| ca. Zahl der Mitarbeiter:innen (weltweit) | 340 |
| Zielgruppe | Entwickler |
| Hauptsitz | Mülheim-Kärlich |
| Use Cases | Predictive Maintenance |
Durch die Digitalisierung von Produkten und Industrie 4.0 besteht die Möglichkeit zur Entwicklung neuer Geschäftsmodelle und damit zum Generieren von Wettbewerbsvorteilen. Entscheidend hierfür ist die gelingende Verknüpfung von Produktions- und Informations-/Kommunikationstechnologien. Die Laserline GmbH lernte im Projekt mit dem Mittelstand 4.0-Kompetenzzentrum Darmstadt der TU Darmstadt die Datennutzung als zentrale Grundlage für Geschäftsmodelle, welche im Weiteren eine vorausschauende Instandhaltung und Prozessoptimierung (Predicitve Maintenance) ermöglicht.
Die Laserline GmbH strebt danach, durch eine gründliche Datenanalyse künftige Produktionsausfälle und Ausschussraten zu minimieren.
Für die Umsetzung war die Vermittlung von methodischem und technischem Wissen im Bereich des Maschinellen Lernens für Aspekte wie Geschäftsverständnis, Problemmodellierung sowie Auswahl und Anwendung von Algorithmen notwendig. Relevante Parameter, die von den Lasermaschinen der Laserline GmbH erfasst wurden, wurden analysiert, um Zusammenhänge zu erkennen und Prognosemodelle zu entwickeln. Durch eine Datenvisualisierung konnten weitere Abweichungen und potenzielle Verbesserungsmöglichkeiten identifiziert werden.
Hierfür waren interne Testdaten wie beispielsweise Temperatur-, Durchfluss- oder Leistungsdaten an unterschiedlichen Laser-System-Positionen und Metainformationen in Form von Fachwissen erforderlich. Laserdaten von Bearbeitungslasern wurden per OPC UA übertragen.
Durch das Projekt konnte ein Verständnis für die verfügbaren Laserdaten, die Fähigkeit zur Durchführung eines Datenanalyseprojekts nach dem CRISP-DM-Standard sowie Wissen über Machine Learning-Algorithmen und ihre Anwendung in Python aufgebaut werden. Die Visualisierung und Vorbereitung von Machine Learning-Modellen wurde realisiert.
Durch das Projekt konnten erstmals Methoden des maschinellen Lernens eingesetzt werden. Zudem konnte ein Verständnis für die Möglichkeiten und Grenzen dieser Ansätze in der Datenanalyse entwickelt werden. Die Beschäftigten wurden mit Datenbereinigung, -aufbereitung sowie der Nutzung von Datenvisualisierungstools und maschinellem Lernen für Modellbildung und -überprüfung vertraut gemacht. Dies bildet die Grundlage für zukünftige Aktivitäten im Bereich des maschinellen Lernens und darauf aufbauend für Geschäftsfelder im Bereich der vorausschauenden Wartung. Die erste Modellierungsphase wird als vielversprechend gewertet.