Technologie: Werkzeuge

In diesem Artikel werden die potenziellen Risiken im Wire Arc Additive Manufacturing mit Hilfe der Fehlermöglichkeits- und Einflussanalyse analysiert. Zu diesem Zweck wurden 186 mögliche Risikoursachen analysiert und die fünf kritischsten Risiken im Detail diskutiert. Hierbei wurden vier signifikante Risikofaktoren in der Konstruktion identifiziert. Das fünfte Risiko bezieht sich auf den Schutzgasdurchfluss. Dieser ist nur ein Einflussfaktor unter den Schweißparametern, hat aber eine starke Wechselwirkung mit allen anderen Parametern. Daher sollten ihre Beziehungen auf der Grundlage zahlreicher Tests analysiert werden.

Für eine erfolgreiche Umsetzung der Kreislaufwirtschaft auf industrieller Ebene müssen bereits in frühen Phasen der Produktentstehung kreislauforientiertes und zirkuläres Design von Produkten und Dienstleistungen sowie passende Geschäftsmodelle mitgedacht werden.

In der additiven Fertigung - auch 3D-Druck genannt - fallen Kunststoffabfälle an, etwa in Form von erforderlichen Stützstrukturen oder fehlerhaften Drucken. Eine Möglichkeit der Kreislaufführung in der additiven Fertigung stellt die direkte Verwendung in einem Pellet-3D-Drucker (FGF) dar. Durch den entfallenden Prozessschritt der Filamentherstellung wird Produktionszeit und der erforderliche Energiebedarf für eine Kreislaufführung reduziert.

Das Wire Arc Additive Manufacturing, kurz WAAM, ist ein additives Fertigungsverfahren, welches metallische Bauteile auf Grundlage des Lichtbogenschweißens fertigt. Additive Fertigung ist laut DIN EN ISO/ASTM 52900 ein Prozess, welcher Bauteile aus 3D-Modelldaten schichtweise herstellt. Die grundlegenden Komponenten sind ein Schweißgerät, welches die benötigte Energie zum Schmelzen des Metalldrahts in den Prozess einbringt sowie eine Führungsmaschine, welche die vorgegebene Geometrie des Bauteils abfährt. Anwendungsbereiche sind Rapid Prototyping und Tooling, Direct Manufacturing und Additive Repair. Die größten Vorteile stellen die kostengünstige Anlagentechnik und die hohen Abscheidungsraten dar. Nachteilig am Verfahren sind die mangelnde Prozessstabilität und Wiederholgenauigkeit. Der Beitrag soll dazu dienen, den Fertigungsprozess des WAAM-Verfahrens übersichtlich darzustellen, und dabei auf die komplexen Wechselwirkungen eingehen.

Die Planung von Logistikprozessen und ihre e ziente Umsetzung sind für den kundenindividuellen Anlagenbau wettbewerbsentscheidend. Auf der Baustelle wird die Erfassung von Logistikdaten jedoch häufig vernachlässigt, sodass dem Projektplaner keine zuverlässige Datenbasis vorliegt. Damit einhergehende Informationslücken lassen sich mit Hilfe eines Digitalen Schattens schließen, der logistikrelevante Daten (teil-)automatisch sammelt, persistent speichert und dem Projektmanagement zur Verfügung stellt. In diesem Beitrag werden als erste wichtige Ergebnisse eines Forschungsvorhabens Informations- und Kommunikationsprozesse in der Baustellenlogistik beschrieben und deren Notwendigkeit für den Aufbau und die Nutzung dieses Digitalen Schattens erläutert.

Die Einführung neuer Technologien im Zuge von Industrie 4.0 verspricht umfangreiche Effizienz- und Qualitätssteigerungen. Jedoch verändert die Einführung neuer Technologien auch die Arbeitsumgebung für die Beschäftigten. Wird dies vernachlässigt, kann es zu nicht antizipierten negativen Auswirkungen auf das Gesamtsystem kommen. Eine ganzheitliche Sicht auf das soziotechnische System ist notwendig, um diese Effekte bereits bei der Planung zu erkennen und negativen Effekten vorzubeugen. Hierzu wird in diesem Beitrag ein Vorgehensmodell zur Analyse der sich bei der Einführung einer neuen Technologie ergebenden Effekte vorgestellt. Mit der dargestellten Vorgehensweise ist es möglich, strukturiert den Analyseprozess zu durchlaufen und individuell Maßnahmen abzuleiten, um das soziotechnische Gesamtsystem aktiv zu gestalten.

Dieser Beitrag beschreibt eine Herangehensweise für eine Predictive Maintenance-Lösung, bei der die Bauteilabnutzung technischer Systeme mithilfe eines Sensorik-Toolkits erfasst und mittels eines Prognosetools überwacht wird. Die Sensorik als auch das Prognosetool müssen flexibel ausgelegt sein, damit sie zielführend an unterschiedlichen technischen Systemen einsetzbar sind. Die Zustandsbestimmung der Bauteile erfolgt dabei nicht kontinuierlich, sondern basierend auf zeitdiskreten Messungen. Anhand der aufgenommenen Daten wird über ein Prognosemodell die wahrscheinliche Restnutzungsdauer der Bauteile prognostiziert. Für die Erstellung der Prognose dient ein Machine Learning Tool, welches mit historischen Abnutzungsverläufen trainiert wird. Die Trainingsdaten werden durch statistische Versuche erfasst, in denen die Einflussgrößen und charakteristische Verläufe verschiedener Abnutzungsarten identifiziert werden. Als Grundlage für diesen Beitrag dienen Untersuchungen an einem ...