Anbieter zum Thema

Klinkhammer Intralogistics GmbH

LK Metallwaren GmbH

Franke GmbH

Schritt 1: Problemdefinition und Versuchsplanung

Zu Beginn definiert der Anwender die zu variierenden Prozessparameter (Stellgrößen), die zu optimierenden Zielgrößen sowie die zulässigen Wertebereiche der einzelnen Prozessparameter. Typische Stellgrößen sind beispielsweise Schnittgeschwindigkeit, Vorschub oder Zustellung, während Oberflächengüte, Prozesskräfte, Werkzeugverschleiß oder Zeitspanvolumen als Zielgrößen dienen können. Anschließend wird ein geeigneter Versuchsplan erstellt. Ziel der Versuchsplanung (Design of Experiments, kurz DoE) ist es, mit möglichst wenigen Versuchen möglichst viele Informationen über den Einfluss der Stellgrößen auf die Zielgrößen zu gewinnen. Je nach Aufgabenstellung stehen hierfür unterschiedliche Verfahren zur Verfügung. Vollfaktorielle Versuchspläne untersuchen alle möglichen Kombinationen der Prozessparameter und liefern damit eine vollständige Beschreibung des untersuchten Bereichs, erfordern jedoch eine große Anzahl von Versuchen. Taguchi-, Box-Behnken- und Central-Composite-Pläne reduzieren den Versuchsaufwand deutlich und eignen sich insbesondere für die Untersuchung von Wechselwirkungen und die Modellbildung. Alternativ können die Versuchspunkte mithilfe eines Latin-Hypercube-Verfahrens möglichst gleichmäßig über den gesamten untersuchten Parameterbereich verteilt werden. Dadurch wird der verfügbare Wertebereich effizient abgedeckt, was insbesondere für den Aufbau datengetriebener Vorhersagemodelle von Vorteil ist. Das System schlägt auf Basis der Anzahl der Stellgrößen, des Projektziels sowie des verfügbaren Zeit- und Kostenrahmens einen geeigneten Versuchsplan vor.

Schritt 2: Haupteinflüsse erkennen und Prognosemodelle erstellen

Nach Abschluss der Versuche werden die gemessenen Versuchsergebnisse in „DoExpert“ erfasst. Anschließend analysiert die Software, welche Prozessparameter die Zielgrößen am stärksten beeinflussen und welche Parameter nur einen geringen oder keinen Einfluss haben. Hierzu werden unter anderem Varianz- und Haupteffektanalysen eingesetzt. Dadurch erkennt der Anwender schnell, auf welche Stellgrößen er sich bei der Prozessoptimierung konzentrieren sollte. Auf Grundlage dieser Versuchsdaten erstellt die Plattform anschließend ein Vorhersagemodell (Surrogatmodell). Mit diesem Modell lassen sich neue Kombinationen von Prozessparametern schnell bewerten, ohne für jede Parameterkombination einen weiteren Fertigungsversuch durchführen zu müssen. Für die Modellbildung stehen zehn verschiedene Regressionsverfahren zur Verfügung. „DoExpert“ erstellt automatisch mehrere Regressionsmodelle, bewertet deren Vorhersagegüte und schlägt für jede Zielgröße das am besten geeignete Modell vor. Der Anwender kann diese Auswahl jederzeit nachvollziehen und bei Bedarf manuell anpassen.

Schritt 3: Mehrzieloptimierung und Entscheidungsfindung

Auf Basis der erstellten Modelle ermittelt „DoExpert“ Parameterkombinationen für die gleichzeitige Optimierung mehrerer Zielgrößen. Da sich Ziele wie Werkstückqualität, Produktivität und Werkzeugverschleiß häufig gegenseitig beeinflussen, entstehen dabei in der Regel mehrere geeignete Kompromisslösungen. Die Plattform „DoExpert“ bewertet diese Lösungen mit verschiedenen etablierten Verfahren des Multi-Criteria Decision Making (MCDM) und unterstützt den Anwender bei der Auswahl der für seine Anforderungen am besten geeigneten Parameterkombination. Durch den Vergleich mehrerer Bewertungsverfahren wird gleichzeitig sichtbar, wie robust die Empfehlung ist. Stimmen die Verfahren überein, erhöht dies das Vertrauen in die ausgewählte Lösung. Weichen die Ergebnisse voneinander ab, kann der Anwender die Ursachen analysieren und seine Prioritäten entsprechend anpassen. Zu den unterstützten MCDM-Verfahren gehören unter anderem Topsis, Vikor, Promethee II, SAW, Waspas und Fuzzy Topsis.

(ID:50925835)