Der größte Nylonhersteller Asiens entwickelte gemeinsam mit Forschern der National Taiwan University ein cloudbasiertes maschinelles Lernmodul zur datengestützten Vorhersage von Maschinen-Einstellparametern. Das System wertet historische ERP-Auftragsdaten aus und ermittelt optimale Einstellwerte für Schär-, Schlicht- und Bäumanlagen. Ziel der Lösung ist es, Garnabrisse und Ausschuss in den vorgelagerten Textilstufen durch präzise Rüstvorgaben systematisch zu reduzieren.
In der Textilherstellung führen falsche Maschineneinstellungen beim Rüsten regelmäßig zu Fadenbrüchen und teurem Ausschuss. Mithilfe von maschinellem Lernen auf Basis historischer ERP-Daten lassen sich optimale Prozesswerte exakt vorhersagen. Das senkt Materialverluste und sichert eine gleichmäßige Qualität über alle Vorbereitungsstufen.
Bei der industriellen Herstellung von Filamentgarnen und Textilgeweben führt fehlerhaftes Rüsten von Maschinen häufig zu Fadenbrüchen, Qualitätsverlusten und kostspieligem Ausschuss. In Kooperation mit Forschenden in Taiwan implementierte ein führender asiatischer Nylonproduzent eine vollständige KDD-Pipeline, die über 240.000 reale Betriebs- und ERP-Datensätze aus vier Prozessstufen strukturiert. Zur Bestimmung optimaler Prozessparameter wie Zugspannung, Maschinengeschwindigkeit und Walzendruck wurden Algorithmen der linearen Regression, LASSO, Ridge und Elastic Net trainiert und vergleichend evaluiert. Das Modell mit den geringsten Vorhersagefehlern wurde als cloudbasierte RESTful-API in Python und Flask bereitgestellt, um Vorhersagen flexibel in bestehende Produktionssysteme einzuspeisen. Prozessingenieure und Maschinenbediener erhalten über die Cloud automatisierte Empfehlungen für das Rüsten der Anlagen vor jedem Produktionslauf. Das Verfahren stabilisiert die nachgelagerten Web- und Spinnprozesse und überführt implizites Erfahrungswissen in ein reproduzierbares, datengestütztes Qualitätsmanagement.
Klassische Software kann feste Tabellenwerte abbilden, scheitert jedoch an den mehrdimensionalen, nichtlinearen Wechselwirkungen textiler Fertigungsparameter über mehrere Prozessstufen hinweg. Regressionsbasierte maschinelle Lernverfahren erfassen komplexe Zusammenhänge zwischen Garnqualitäten, Geschwindigkeiten und Zugkräften direkt aus Hunderttausenden historischen Auftragsdaten. Dies ermöglicht kontinuierlich präzise Vorhersagen auch für neue Kombinationen von Auftragsmerkmalen, ohne dass starre Regelwerke manuell programmiert werden müssen.
Textilhersteller, die Rüstvorgänge durch Machine-Learning-Services unterstützen, können schneller und flexibler auf neue Garnspezifikationen umstellen als traditionell arbeitende Wettbewerber. Die systematische Erfassung von Prozesswissen sichert die Fertigungsqualität auch bei Fachkräftemangel ab. Dies verschafft Anbietern in margenschwachen Märkten einen deutlichen Kostenvorteil.
Fehlkonfigurationen beim Rüsten verursachen im kontinuierlichen Textilbetrieb erhebliche Rohstoffverluste und Stillstandszeiten. Durch die statistische Modellierung von Rüstparametern anhand historischer Auftragsdaten lässt sich der Ausschuss in der Webvorbereitung spürbar verringern. Dies spart Beschaffungskosten für Polyamid-Rohstoffe und steigert die Gesamtanlageneffektivität im Betrieb.
Der Rüstprozess wechselt von einer manuellen Heuristik zu einer standardisierten, datengestützten Bereitstellung über Schnittstellen. Vor jedem neuen Fertigungsauftrag ruft das Leitsystem optimale Parameterwerte über die RESTful-API ab. Das verringert Einrichtezeiten und schützt nachgelagerte Webmaschinen vor Fadenbrüchen.
Maschinenbediener und Einrichter werden von der Unsicherheit entlastet, ob gewählte Einstellungen bei wechselnden Garnchargen halten. Der Arbeitsalltag wird kalkulierbarer, da plötzliche Prozessabbrüche infolge falscher Maschinenspannungen seltener auftreten.
Die Tätigkeit wandelt sich vom probierenden Maschineneinsteller zum überwachenden Prozessmanager. Fachkräfte nutzen Modellwerte als fundierten Ausgangspunkt und konzentrieren sich auf die Feinabstimmung anspruchsvoller Spezialgarne.
Das Bedienpersonal benötigt grundlegende Kenntnisse im Umgang mit digitalen Dashboards und der Überprüfung von API-Vorgaben. Wichtig bleibt das textile Gespür, um mechanische Anomalien zu erkennen, die nicht in den Betriebsdaten abgebildet sind.
Endverbraucher bemerken eine gleichbleibend hohe Reißfestigkeit und optische Fehlerfreiheit bei technischen Textilien oder Bekleidungsstoffen. Unerwartete Lieferengpässe durch Produktionsunterbrechungen bei Vorprodukten werden reduziert.
Die Verringerung von Fehlproduktionen und Rohstoffverschwendung in der industriellen Fasersynthese leistet einen messbaren Beitrag zum Ressourcenschutz. Dies kommt der gesamten Gesellschaft durch eine nachhaltigere industrielle Produktion zugute.