Demnächst verfügbar. Dieser Use Case ist in Vorbereitung — Schritt-für-Schritt-Anleitung, Zeitaufwand und Werkzeugempfehlung folgen in Kürze.
Glasfaser-Fadenriss: ML-Prognose aus Schmelzviskositätsdaten
Hochgeschwindigkeitsspinnen von Glasfasern bricht unerwartet ab, wenn unsichtbare Siliziumdioxid-Verunreinigungen in der Schmelze die Viskosität lokal verschieben. ML-Modelle erkennen kritische Viskositätsmuster bevor der Faden reißt.
- Zeit
- 1–3 Stunden Neuanlaufzeit pro Schicht einsparbar bei Frühwarnung
- Kosten
- Produktionsausfall 5.000–20.000 €/Tag je Spinnlinie, ~30–50% davon vermeidbar
- Einstieg
- 12–24 Monate: Inline-Sensorik nachrüsten, Historien-Datenbasis aufbauen, Modell validieren
- ROI
- Kausalität Viskosität→Riss statistisch belegbar, aber Riss-Ereignisse selten → lange Trainingszeit
- Wachstum
- Jede Spinnlinie braucht eigenes Modell wegen unterschiedlicher Düsengeometrien
Das Problem
Fadenrisse beim Spinnen von E-Glas oder S-Glas-Fasern bei 2.000–4.000 m/min kosten 15–30 Minuten Neuanlauf je Vorfall. Bei 8–15 Rissen pro Schicht summiert sich das auf 2–7 Stunden Produktionsausfall täglich. Die Ursache liegt in Chargenschwankungen der Rohstoffe — SiO₂-Reinheit, Boroxid-Gehalt — die erst in der Schmelze wirksam werden.
Die Lösung
Inline-Viskositätssensoren und Schmelztemperaturprofile werden mit Chargendaten der Rohstoffe verknüpft. Ein Zeitreihen-Anomaliemodell erkennt Viskositätsdriftmuster, die historisch 3–8 Minuten vor Fadenrissen auftraten. Frühwarnung ermöglicht manuellen Eingriff (Temperaturanpassung, Ziehdüsenwechsel).
Der Nutzen
Fadenrissrate um 35–55% reduzierbar. Neuanlaufzeiten pro Schicht um 1–3 Stunden kürzer. Rohstoffchargen mit erhöhtem Risiko werden vor Schmelzeintrag markiert.
Produktansatz
Inline-Viskosimetrie + LIMS-Rohstoffdaten + Zeitreihen-Anomalieerkennung (AWS Lookout for Equipment oder eigenes LSTM)
Diesen Inhalt teilen:
Interesse an diesem Use Case?
Schreib uns, wenn du mehr erfahren oder diesen Use Case für dein Unternehmen umsetzen möchtest. Wir melden uns zeitnah bei dir.
Weitere Use Cases
Floatglas-Blasenerkennung: Mikrodefekte inline erkennen
Winzige Gasblasen im Floatglas-Band entstehen unvorhersehbar im Zinnbad und machen großformatige Architektur- und Solarscheiben unverkäuflich. KI-Bildverarbeitung erkennt Defekte in Echtzeit direkt am Band.
Mehr erfahrenBrennofen-Temperaturprofil: Keramikausschuss durch ML-Steuerung senken
Ungleichmäßige Hitzeverteilung in Tunnelöfen lässt Keramikfliesen verziehen oder reißen. ML-Modelle lernen das optimale Temperaturprofil je Produktmix und steuern Brennzonen automatisch nach.
Mehr erfahrenML-gestützte Brennprozess-Optimierung in der Keramikindustrie
Temperaturschwankungen im Tunnelofen erzeugen Ausschuss, den niemand vorhersagt. ML-Modelle lernen das optimale Temperaturprofil für jeden Produktmix — und reduzieren gleichzeitig Ausschuss und Energieverbrauch.
Mehr erfahren