UPD 81/21 - 12.07.2021

Mit künstlicher Intelligenz Produktionsprozesse optimieren

Hohe Produktqualität beim Fräsen von Faserverbundwerkstoffen

Augsburg/TS/MR/CH - Das im Januar gegründete KI Produktionsnetzwerk Augsburg ist ein Verbund der Universität Augsburg mit dem Fraunhofer-Institut für Gießerei-, Composite- und Verarbeitungstechnik IGCV sowie dem Zentrum für Leichtbau Produktionstechnologie des Deutschen Zentrums für Luft- und Raumfahrt (DLR). Ziel ist eine gemeinsame Erforschung KI-basierter Produktionstechnologien an der Schnittstelle zwischen Werkstoffen, Fertigungstechnologien und datenbasierter Modellierung. Ein Anwendungsbeispiel, bei dem Künstliche Intelligenz Produktionsprozesse unterstützen kann, ist die zerspanende Bearbeitung faserverstärkter Materialien.

 

© Universität Augsburg

Wie Künstliche Intelligenz, KI, Produktionsprozesse optimieren kann, erforschen Wissenschaftler und Wissenschaftlerinnen im neu gegründeten KI-Produktionsnetzwerk. Dabei werden viele Schritte und Facetten industrieller Produktion betrachtet.

Am Ende vieler Wertschöpfungsketten in Luft- und Raumfahrt oder dem Maschinen- und Anlagenbau beispielsweise bearbeiten Maschinen die Endkontur von Bauteilen aus Faserverbundwerkstoffen – ein Prozess, der an das Fräswerkzeug hohe Anforderungen stellt. Sensorsysteme, die den Prozess überwachen und beobachten, schaffen hier Optimierungspotenzial. Forschende der Universität Augsburg werten derzeit mithilfe Künstlicher Intelligenz Datenströme aus, die beim CNC-Fräsen entstehen.

Beobachten und Vorhersagen

Relevant ist Forschung an solchen vermeintlich detaillierten Prozessschritten weil industrielle Fertigungsprozesse häufig hochkomplex sind, so dass viele Faktoren das Ergebnis beeinflussen.

Insbesondere bei harten Materialien, wie Carbonfasern, nutzen sich Anlagen und Bearbeitungswerkzeuge schnell ab. Kritische Abnutzungsgrade zu erkennen und prognostizieren zu können, ist darum essenziell um eine hohe Produktqualität liefern zu können.

Wie geeignete Sensorik gekoppelt mit Künstlicher Intelligenz solche Prognosen und Verbesserungen liefern kann, zeigt die Forschung an einer industriellen CNC-Fräse.

Körperschall als Indikator

Die Sensoren sind dabei die „Sinnes-Organe“ der CNC-Fräse. Moderne Geräte haben meist einige grundlegende Sensoren bereits verbaut, die z.B. Energieverbrauch, Vorschubkraft und Drehmoment erfassen. Für die Auflösung feiner Details sind diese Daten jedoch nicht immer ausreichend.

An der Universität Augsburg wurden deshalb Sensoren zur Körperschallanalyse entwickelt und zusätzlich in einer industrielle CNC-Fräse integriert. Diese Sensoren erfassen Körperschallsignale im Ultraschallbereich, die beim Fräsprozess entstehen und sich in der Anlage bis zum Sensor ausbreiten. Der Körperschall lässt Rückschlüsse auf den Zustand des Bearbeitungsprozesses zu. „Das ist ein Indikator, der für uns so aussagekräftig ist, wie Bogenstriche bei einem Geigenspiel. Musikprofis erkennen daran sofort, ob das Instrument richtig gestimmt ist und wie gut die spielende Person das Instrument beherrscht“, erklärt Prof. Dr. Markus Sause, Direktor des KI-Produktionsnetzwerks

Maschinelles Lernen

Damit aber aus dem Aufzeichnen des Signals auch eine Optimierung des Fräsprozesses erfolgt, bedienen sich die Forschenden um Sause des sogenannten maschinellen Lernens. Bestimmte Charakteristiken des akustischen Signals können auf eine ungünstige Prozessführung hindeuten, die auf schlechte Qualität des gefrästen Bauteils hinweist. Folglich kann der Fräsprozess mit dieser Information direkt angepasst und verbessert werden.

Dazu wird ein Algorithmus mit aufgezeichneten Daten und den dazu passenden Zuständen (z.B. gute oder schlechte Bearbeitung) trainiert. Reagieren kann dann der Mensch, der die Fräse bedient – er bekommt entweder eine Information über den Zustand präsentiert – oder die Anlage wird auf selbständiges Reagieren hin programmiert.

Predictive Maintenance – vorausschauend agieren

Das Maschinelle Lernen kann den Fräsprozess nicht nur direkt am Werkstück optimieren, sondern auch die Wartungszyklen einer Produktionsanlage so wirtschaftlich wie möglich planen. Funktionstüchtige Teile sollen so lang wie möglich in der Maschine arbeiten um die Wirtschaftlichkeit zu erhöhen, spontane Ausfälle wegen beschädigter Teile jedoch vermieden werden.

Predictive Maintenance, also die „vorausschauende Instandhaltung“ ist ein Ansatz, bei dem die Künstliche Intelligenz aus den gesammelten Sensordaten berechnet, wann ein Teil ausgetauscht werden sollte. Bei der untersuchten CNC-Fräse erkennt ein Algorithmus zum Beispiel, wenn sich bestimmte Charakteristiken des Schallsignals ändern. Er identifiziert so nicht nur den Verschleißgrad des Bearbeitungswerkzeuges, sondern prognostiziert auch den richtigen Zeitpunkt für den Austausch des Werkzeugs.

Dieses und andere Verfahren der künstlichen Intelligenz finden Eingang in das KI-Produktionsnetzwerk, welches gerade in Augsburg entsteht. Zusammen mit anderen Produktionsanlagen soll so ein Netzwerk entstehen, welches sich modular und werkstoffoptimiert rekonfigurieren lässt.

Weiterführende Informationen

Ansprechpartner

Direktor KI-Produktionsnetzwerk
Mechanical Engineering

Suche