Machine Learning om NC-bestandsgegevens te extraheren en combineren voor visualisatie van bewerkingstijden

Het gebruik van digitale data in de productie-industrie is waardevol gebleken voor kortere productietijden, efficiënt gebruik van middelen en geïnformeerde besluitvorming. Productiebedrijven zien steeds meer het belang in van realtime inzicht om de effectiviteit van hun productiemiddelen te verbeteren. Doordat digitale data uit verschillende bronnen kan komen, blijft het een uitdaging om de kloof tussen deze bronnen te overbruggen en de informatie samen te voegen om productiemanagers te informeren.

Smartfactory is een toonaangevende ontwikkelaar van softwareoplossingen voor de visualisatie van productiegegevens zoals CNC-verspaning. Deze machines zijn een integraal onderdeel van productieprocessen en maken gebruik van waardevolle NC-bestandsgegevens, die de op geometrie gebaseerde bewerkingsinstructies voor elk geproduceerd item bevatten. Hawo en Technology Twente, bedrijven die hun producten op CNC-machines maken, staan voor de uitdaging om een gedetailleerd beeld te krijgen van de kosten per artikel, wat onder andere bepaald wordt door de bewerkingstijd per stuk.

De projectpartners werken samen met het FIP-AM@UT om de mogelijkheden te onderzoeken voor het extraheren van NC-bestanden uit beschikbare CNC-bewerkingsgegevens, en deze te matchen met ERP-gegevens. Deze combinatie kan inzicht geven in de bewerkingstijden per geproduceerd artikel en fabrikanten in staat stellen om onderbouwd strategische beslissingen te nemen. Het bij elkaar brengen van voorspellingen en de daadwerkelijke productie is cruciaal voor het optimaliseren van de productieactiviteiten. Door de beschikbaarheid van near-realtime bewerkingsgegevens te verhogen, wordt het inzicht in de operations op de fabrieksvloer aanzienlijk verbeterd.

ML2NC onderzoekt en implementeert digitale oplossingen, zoals machine learning, om bewerkingstijden vast te stellen en bij te werken op basis van NC-bestandsgegevens en zo bij te dragen aan een betere productie-efficiëntie en tijdsnauwkeurigheid. Er wordt een gestructureerde aanpak toegepast voor het data-extractieproces, het identificeren van waardevolle datasets en om de rol van machine learning hiervoor te beoordelen. Het ontwikkelen en implementeren van dergelijke tools zal Smartfactory, Hawo en Technology Twente in staat stellen om waardevolle productievoordelen te behalen. De verkregen inzichten voor het nauwkeurig kunnen bepalen van de bewerkingstijden van elk item, leiden tot nauwkeurigere kostenramingen en ondersteunen de productieplanning en de besluitvorming bij de projectpartners. De toepassing van geavanceerde data-integratietechnieken, waaronder machine learning, helpt deze bedrijven voorop te blijven lopen in productie-innovatie, wat concurrentievoordeel op lange termijn en operational excellence bevordert.

Industriepartners

WERKPAKKETTEN

Elk FIP-AM@UT project is verdeeld in afzonderlijke werkpakketten, om de verschillende fasen en doeleinden binnen het project duidelijk te onderscheiden. ML2NC bestaat uit vier werkpakketten:

icon_Analysis

WP1 - Definitie van doel en scope

Het exacte doel en de scope van ML2NC worden gedefinieerd

icon_Assessment

WP 2 - Use case conceptualisering

De use case wordt gedefinieerd en de technologische implicaties worden in kaart gebracht

icon_TechnicalImplementationPlan

WP 3 - Use case implementatie

Het concept wordt geïmplementeerd

icon_OptimisationDemonstration

WP 4 - Validatie van de use case

De haalbaarheid van de gekozen oplossing valideren en analyseren

VOOR MEER INFORMATIE OVER ML2NC, NEEM GERUST CONTACT OP MET

Barry te Dorsthorst

Barry te Dorsthorst

Research Engineer

Reinier Stribos

Research Engineer