Anbieter zum Thema

Knuth Werkzeugmaschinen GmbH

JUNG Hebe- und Transporttechnik GmbH

Rhenus Lub GmbH & Co KG

Die Ergebnisse

Wie Bild 4 verdeutlicht, war LR nicht nur für die Prozesskraftvorhersage von Titan-, sondern auch von Aluminiumbohrungen geeignet, weil allgemein geringere Vorhersagefehler (RMSE) vorlagen. Von Vorteil sind die geringen Modellgrößen und die kurzen Rechenzeiten bei Training und Vorhersage. Die ANN zeigten die niedrigsten RMSE im Test-Set für Titan. Sie führten zu mittleren Modellgrößen und Rechenzeiten. Jedoch war die Vorhersage der Vorschubkräfte in Aluminium mit hohen RMSE verbunden, was gegen eine Genera­lisierbarkeit der Vorhersagen spricht. Die DT bei Aluminium waren bei geringen Rechenzeiten, aber hohen Modellgrößen unzuverlässig und deshalb ungeeignet.

Die Vorhersage der Prozess­eigenschaften zeigt Bild 5. Mithilfe der „K-Nearest-Neighbour-Methode“ wurde der Vorschub mit einer maximalen Fehlerrate von 14 Prozent, der Unterschied zwischen trockener Bearbeitung und voller Schmierung mit einer Fehlerrate zwischen 4 und 6 Prozent sowie das Material mit einer Fehlerrate zwischen 4 und 5 Prozent vorhergesagt. Die Vorhersagefehler betrafen üblicherweise nicht den Vollschnitt des Bohrers, weil dabei Leerlaufströme der Elektromotoren kaum stören.

Das bedeutet, dass ML-Methoden auf Nietbohrungsprozesse mit semiautomatischen ADU erfolgreich angewendet werden können. Die Grundlage für eine Online-Prozessüberwachung wurde so geschaffen, die in Zukunft am IPMT mithilfe von zusätzlicher Sensorik weiterentwickelt wird. MM

Literatur

[1] Airbus Group: Qualität – Besser Bohren. ONE – Airbus News For Airbus People, S. 28, (2015).

[2] Hintze, W., Loedding, H., Friedewald, A., Mehnen, J., Romanenko, D., Moeller, C., Brillinger, C., Sikorra, J. N.: Digital assistance systems for smart drilling units in aircraft structural assembly. 7th International Workshop on Aircraft Systems Technologies, pp. 255-266, (2019).

[3] Mehnen, J.; Hintze, W.: Prozessüberwachung durch Machine Learning beim semi-automatischen Nietbohren in der Luftfahrtindustrie. METAV-Digital 2021 Websession im Bereich "Intelligente Produktion", Vortrag, 08. April 2021

[4] Köttner, L.; Mehnen, J.; Romanenko, D.; Bender, S.; Hintze, W.: Process monitoring using machine learning for semi-automatic drilling of rivet holes in the aerospace industry. In: Behrens, B.-A.; Brosius, A.; Hintze, W.; Ihlenfeldt, S.; Wulfsberg, J. P. (Eds.): Production at the leading edge of technology, Proceedings of the 10th Congress of the German Academic Association for Production Technology (WGP), Dresden, September 23 - September 24, Springer-Verlag, Berlin, 2020, S. 497-507, ISBN 978-3-662-62137-0

[5] Caggiano, A., Rimpault, X., Teti, R., Balazinski, M., Chatelain, J. F., Nele, L.: Machine learning approach based on fractal analysis for optimal tool life exploitation in CFRP composite drilling for aeronautical assembly. CIRP Annals 67.1, pp. 483-486, (2018).

* Prof. Dr.-Ing. Wolfgang Hintze hat den Lehrstuhl für Produktionstechnik am Institut für Produktionsmanagement und -technik (IPMT) der Technischen Universität Hamburg inne, M.Sc. Jan Mehnen, M.Sc. Lars Köttner und Dipl.-Ing. Denys Romanenko sind wissenschaftliche Mitarbeiter am IPMT. Weitere Informationen: www.tuhh.de/ipmt/das-ipmt/

(ID:47580204)