01.06.2021
Das Zukunftslabor Produktion hat sich im seinem Forschungsvorhaben zum zum Ziel gesetzt, die selbstständige Optimierung von Herstellungsprozessen voranzutreiben. Anhand einer intelligenten Gießform möchten die Wissenschaftler*innen dieses Zeil erreichen. Die Gießform muss zunächst mit einer Fräsmaschine produziert werden. Für diesen Prozess werden die Wissenschaftler*innen vorab einen digitalen Zwilling erstellen. Dabei handelt es sich um das virtuelle Abbild des Werkstücks und der bearbeitenden Werkzeuge. Mithilfe dieser digitalen Simulation können mögliche Prozessfehler prognostiziert und vor der Herstellung der Gießform angepasst werden. Dies ist insbesondere im Werkzeug- und Formenbau von großem Vorteil, da in der Einzelfertigung Einfahrprozesse sehr kostenintensiv sind und mögliche Fehler einen erheblichen Kostenfaktor darstellen können. Um den digitalen Zwilling abbilden zu können, analysierten die Wissenschaftler*innen zunächst, inwieweit sie die Maschinenkinematik und Steuerung der Fräsmaschine digital abbilden können. Dazu untersuchten sie die zur Verfügung stehenden Information in verschiedenen Maschinensteuerungen von Werkzeugmaschinen. Die Steuerungen beinhalten unter anderem Details zur Anzahl und Art der Maschinenachsen sowie zur Konfiguration dieser Achsen zueinander.
Um die Informationen automatisch auslesen zu können, entwickelten die Wissenschaftler*innen ein Programm, welches nach relevanten Zeichenfolgen (Beschreibung der Achsen) im Speicher der Maschinensteuerung sucht und diese interpretiert. Des Weiteren wogen sie verschiedene Verfahren künstlicher Intelligenz gegeneinander ab, um mit dem erstellten digitalen Zwilling die Bearbeitungsqualität zu prognostizieren. Hierfür verglichen sie unterschiedliche Kriterien der KI-Modelle (z. B. Vorhersagegüte, Rechenaufwand). Daraufhin führten sie Versuche durch, um mit den KI-Modellen Vorhersagen für Formabweichungen zu erstellen. Die Datensätze beinhalteten diverse, mithilfe des digitalen Zwillings simulierte Prozessgrößen wie Zeitspanvolumen und Eingriffsbreite, sowie detailliertere Informationen zur bearbeiteten Kontur, Krümmung des Schnittes und dem Werkzeugverschleiß. Zur Validierung wurde zudem eine umfassende Versuchsreihe mit anderen Rahmenbedingungen gewählt und durchgeführt. Die überprüften Prognosemodelle lieferten gute Ergebnisse, die auf einer internationalen Konferenz präsentiert wurden. Die Wissenschaftler*innen stellten fest, dass die Prognosen durch weitere Messgrößen noch präziser werden. Im nächsten Schritt werden die Wissenschaftler*innen den Umfang der maschinellen Lernmodelle um eine statistische Komponente erweitern, um die Schwankungsbreite in den Prognosen berücksichtigen zu können.
Um die Anwendung von Verfahren des maschinellen Lernens zu erforschen, haben wir bereits bestehende und neue Daten von Zerspanungsversuchen betrachtet. Dabei haben wir den Versuch virtuell durch einen digitalen Zwilling simulieren können. Hierbei konnten wir zeigen, dass sich diese KI-Modelle hervorragend für die Qualitätsprognose in der Zerspanung eignen. Außerdem haben wir ein Modell entwickelt. welches auch den Verschleiß im Rahmen der Zerspanung berücksichtigt. Damit können wir ganz im Sinne der praxisnahen Forschung, eine höhere Wirtschaftlichkeit von Fräsbearbeitungen erreichen, indem wir Werkzeuge länger einsetzen und dabei trotzdem nicht die Qualität außer Acht lassen
