Extrusion 4-2024

Berücksichtigt man die Positionierungsgrenzwerte für die Mes- sung selbst, so gewährleistet eine Winkelabweichung innerhalb von 5 Grad immer noch kontinuierliche Ergebnisse. Die absolute Position des Arbeitsbereichs ist flexibler und kann in einem Be- reich von bis zu 10 mm variiert werden. Im Vergleich zu Cobots sind Industrieroboter, die in Inline-An- wendungen eingesetzt werden, noch genauer. Vorteile des Einsatzes der Radartechnologie Im Vergleich zu anderen Technologien bietet die Radartechno- logie dem Anwender eine Reihe von Vorteilen: Qualitätsverbesserung : Stetig steigende Anforderungen an Bauteilqualität, Prozesseffizienz und die Dokumentation von Pro- zess- und Qualitätsdaten machen es notwendig, manuelle Qua- litätssicherungsprozesse zu reduzieren und die Digitalisierung voranzutreiben. Die hohe Präzision und ausgesprochene Ro- bustheit der radarbasierten Messtechnik trägt hierzu entschei- dend bei, da Bauteile automatisch und ohne großen Personalaufwand vermessen werden können. Datenmenge : Die Radartechnik erhöht die Datenmenge, die über eine bestimmte Zeit manuell oder automatisch gemessen werden kann. Plug-and-play-Betrieb : Der inline-fähige Warp Gauge eignet sich als browserbasiertes System mit einer integrierten Benutz- eroberfläche zur Visualisierung der Messergebnisse. Alternativ können die Messdaten auch über eine OPC-UA-Schnittstelle aus- gelesen, verarbeitet und mit anderen Daten kombiniert werden. Das vereinfacht die Integration und macht das Messsystem ohne zusätzliche Hardware flexibel. Transparenz : Die Radartechnologie misst Geometrien wie Wanddicke, Abstand und Durchmesser geeigneter paralleler Wände. In Kombination mit den Positionsdaten des Sensors wer- den weitere Bauteileigenschaften wie Kontur und Ovalität ab- geleitet. Da der Warp Gauge mehrere Messungen pro Sekunde durchführen kann, entsteht ein umfassendes Bild über das Bau- teil und lokale Abweichungen werden erkannt. Die Messge- nauigkeit und Reproduzierbarkeit der Technologie liegt im Bereich von wenigen hundertstel Millimetern. Dünnstellenerkennung : Zusätzlich zu Methoden der visuellen Inspektion, Gewichtskontrolle und Druckprüfung erkennt das Radar dünne Stellen in kritischen Bereichen. Mit Hilfe von Ra- darmessungen kann der Benutzer feststellen, ob die beobach- tete Dickenverteilung die vorgegebenen Toleranzen einhält oder überschreitet. Materialeinsparungen : Eine ungleichmäßig verteilte Wand- stärke erhöht die Kühlzeit und verringert die Produktivität. Eine homogene Wanddickenverteilung spart Energie und ermöglicht einen um bis zu 5 Prozent geringeren Materialeinsatz. Prozessregelung : Die neue Dimension an Datenqualität und -quantität ermöglicht es erstmals inline und automatisiert Pro- zessregelung zu betreiben. So kann unmittelbar auf Chargen- schwankungen oder Drifts im Prozess reagiert werden. Händische Bauteilprüfungen entfallen und die Abhängigkeit von langjährigem Prozesswissen der Mitarbeiter wird gesenkt. Integration der Radartechnik Um das Einsparungspotenzial der Radartechnologie für einen bestimmten Blasformprozess abschätzen zu können, ist es un- erlässlich, eine Analyse der aktuellen Situation durchzuführen. Diese Analyse umfasst die Bewertung verschiedener Faktoren wie die aktuelle Qualitätssicherungsmethodik, den erforderli- chen Aufwand, die Variabilität der Bauteile, die Anzahl der Mess- punkte, die Zykluszeit und den Automatisierungsgrad. Radar- messungen, die in einer Laborumgebung mit Hilfe von Robo- tern durchgeführt werden, können helfen, die Qualität und Quantität der erzielbaren Daten zu bestimmen und so eine ROI- Berechnung ermöglichen. Sowohl iNOEX als auch der Blasform- maschinenhersteller (OEM) können Empfehlungen aussprechen oder individuelle Entwürfe zur Gestaltung der Kinematik anbie- ten, wobei die Komplexität der Komponenten und deren Mess- aufgaben berücksichtigt werden. Darüber hinaus kann ein Partner für die Integration von Radar- lösungen, wie zum Beispiel der OEM, eine grundlegende Rolle bei der Entwicklung von Regelkreisen oder der Implementierung von KI-basierten Algorithmen für maschinelles Lernen einneh- men. ➠ iNOEX GmbH Maschweg 70, 49324 Melle, Deutschland www.inoex.de Der Autor: Peter Koll, iNOEX GmbH 27 Extrusion 4/2024 Wall thickness [mm] Length [mm] Crucial thin spot Excess material 0 100 200 300 400 500 4.20 4.15 4.10 4.05 4.00 3.95 3.90