IPANEMA

 

Innovative Prüfmethoden in Kombination mit einem Machine-Learning-Konzept für die Hairpin-Stator-Produktion

Ausgangssituation und Motivation

Um dem steigenden Marktbedarf im E-Fahrzeugsegment gerecht zu werden, wurden in den vergangenen Jahren im Bereich der Elektromotoren innovative Motortopologien entwickelt, wobei sich insbesondere die Hairpin-Technologie am Markt etabliert hat. Die Hairpin-Stator-Technologie bietet sowohl auf der Produkt- als auch auf der Prozessseite hohe Potenziale. Anders als bei etablierten Verfahren, bei denen ein kontinuierlicher Runddraht in das Statorblechpaket eingelegt wird, werden bei der Hairpin-Stator-Technologie einzelne Steckspulenelemente aus massivem Kupferflachdraht zunächst in das Blechpaket eingeschoben und erst nachfolgend miteinander kontaktiert. Dies ermöglicht hohe Kupferfüllfaktoren und bietet damit große Potenziale hinsichtlich Leistung und Effizienz bei gleichzeitig guter Eignung für die automobile Massenproduktion.

Aufgrund aktuell noch geringer Erfahrungen mit den zur Herstellung von Hairpin-Wicklungen erforderlichen Produktionstechnologien sind zur Nutzbarmachung dieser Technologie noch einige Herausforderungen zu bewältigen. Der zeitliche und finanzielle Aufwand, die Gesamtanlageneffektivität zu erhöhen, ist enorm hoch und kann nur durch den Einsatz geeigneter Mess- und Prüfmethoden in Kombination mit neuen Anwendungen im Bereich Smart Data Management gewährleistet werden. Aktuelle Prüfmethoden (z.B. optische Prüfverfahren) sind im Rahmen der Prozesskette des Hairpin-Stators dabei nur für einzelne Qualitätskennzahlen geeignet und sind darüber hinaus sehr kostenintensiv. Da optische Prüfverfahren außerdem nur prüfen können, was sichtbar ist, bleiben beispielsweise nicht-sichtbare Isolationsfehler unerkannt. EoL-Prüftechniken (End of Line) werden erst am Ende der Produktionskette angewendet, wodurch die Fehlerkosten durch die bereits eingebrachte Wertschöpfung enorm hoch sind.

Ziel muss es demnach sein, qualitäts- und sicherheitsrelevante Fehler im Rahmen der Hairpin-Stator-Prozesskette möglichst frühzeitig zu identifizieren, um die resultierenden Fehlerkosten möglichst gering zu halten. Neben neuartigen Prüftechnologien bieten auch geeignete Datenmanagement-Anwendungen aus dem Bereich Industrie 4.0 hohes Potenzial, die Gesamtanlageneffektivität nachhaltig zu erhöhen.

Forschungsziele

Das Ziel des Projektvorhabens besteht in der Entwicklung eines marktfähigen und serientauglichen Prüfverfahrens mit integriertem Machine-Learning-Konzept, das eine höhere Prozessstabilität und bessere Produktqualität bei gleichzeitigen Kosten- und Zeitvorteilen ermöglicht.

Projektpartner

  • API Hard- und Software GmbH