Basierend auf Daten aus Prozess- oder Zustandsüberwachungssystemen sollen Fertigungsprozesse durch Methoden des maschinellen Lernens optimiert und darüber hinaus in Echtzeit selbstadaptiv geregelt werden.

 

Fertigungsprozesse sind bisher vorwiegend statisch organsiert oder ggf. deterministisch gesteuert. Zur Verringerung von Ausschuss und zur Erhöhung der Effizienz einzelner Anlagen sollen stattdessen selbstadaptive Regelungssysteme für Maschinen und Anlagen umgesetzt werden. Auf Basis von Prozess- oder Zustandsüberwachungssystemen werden charakteristische Daten erfasst, welche eine Adaption des Prozesses in Echtzeit zulassen. Während die Messgrößen vieler Sensorsysteme eher indirekten Aufschluss über den Prozess oder Werkstoff liefern, sollen stattdessen möglichst wirksame Überwachungskonzepte implementiert werden, wozu eine interdisziplinäre Zusammenarbeit zwischen Werkstoff- und Produktionsforschung und Informatik notwendig ist.

 

Diese aktuellen Datenströme, gekoppelt mit dem gemeinsamen Zugriff auf aktuelle und historische Daten,  finden Eingang in Verfahren des maschinellen Lernens (z.B. adaptive neuronale Netzwerke), welche auf dieser Basis eine kontinuierliche Optimierung des Prozesses zulassen. Abhängig vom betrachteten Prozess kann dies idealerweise bereits in Echtzeit zu einer Closed-Loop Regelung genutzt werden, oder die Anlage zumindest für den nächsten Fertigungsprozess adaptiert werden. Dadurch können erkannte Abweichungen im Fertigungsprozess, verursacht durch z.B. abweichende Werkstoffeigenschaften oder Abnutzungserscheinungen von Werkzeugen, Maschinen oder Anlagen inline kompensiert werden oder entsprechende notwendige Maßnahmen für zukünftige Fertigungsprozesse realisiert werden. Neben einer Anpassung von Prozessparametern an Prozessabweichungen fallen darunter im weitesten Sinne auch Methoden der vorausschauenden Wartung (Predictive Maintenance) zur Sicherstellung von Qualität und optimaler Ausnutzung von Fertigungsressourcen.

 

Weiterhin bietet die Überführung der Anlagenregelung in ein KI-basiertes System auch die Möglichkeit, menschliches Expertenwissen einzubinden, indem Anlageneinstellungen von menschlichen Bedienern miterfasst werden und deren Wirksamkeit mit Hinblick auf das Fertigungsergebnis mit bewertet werden.

 

Bei manchen Prozessen, besonders für Prozesse mit geringer Stückzahl oder bei für Sensorik begrenzt zugängliche Prozesse wie z.B. Hochtemperaturprozessen, ist die Erfassung von Sensordaten nur begrenzt möglich. Um dennoch eine ausreichende Datenbasis für den Einsatz von Verfahren des maschinellen Lernens bilden zu können, kann die experimentelle Datenbasis durch synthetisches Daten aus mathematischen Modellen und Simulationen ergänzt werden

© Universität Augsburg

Einblick in die Forschung

16. Juni 2021

Mit künstlicher Intelligenz Produktionsprozesse optimieren

Am Ende vieler Wertschöpfungsketten z.B. in Luft- und Raumfahrt oder dem Maschinen- und Anlagenbau 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.

Aktuelle Projekte

SmartCut

Smarte Lösungen für zerspanende Bearbeitungsprozesse durch den Einsatz geeigneter Sensorik und die Fusion derer Daten

AICUT

Automatisierte Erkennung von Prozessstörungen und Qualitätsschwankungen bei der spanenden Fertigung mittels maschinellen Lernens

Ansprechpartner Forschungsschwerpunkt

Gruppenleiter "Zustandsüberwachung"
Mechanical Engineering
  • Telefon: +49 821 598 - 69142
  • E-Mail:
  • Raum 2010 (Gebäude W)

Koordinator Werkstoff & Produktionstechnologie

Gruppenleiter "Prozesse"
Hybride Werkstoffe
  • Telefon: + 49 821 598 - 69163
  • E-Mail:
  • Raum 2011 (Gebäude W)

Suche